“你真的要听吗?”
池远收起玩乐的心思,认真道,“这其实跟我们手头上的工作没啥关系。”
这部分是属于数据分析,组里不太可能让他们涉及这部分任务。
“听!只是现在没关系而已。”
英子回答很自信。
不仅是对她自己的学习能力自信,更是对池远非人般的学习能力自信。
“好吧。”
池远笑了笑,在英子无语的眼神下,从裤兜里掏出随身携带的笔。
只见他将纸张翻转了一面,在上面写道
【1。高纬度和多模态数据测试数据可能来自多个传感器,涉及多种参数,因此数据是高维度和多模态的。例如,包括温度、压力、度等多种测量。】
【2。时序性测试数据通常是时序数据,因为航天器的状态和性能参数会随着时间的推移而变化。】
【3。复杂的非线性关系……】
【4。缺失数据和异常值……】
【5。实时性要求……】
【6。数据标签的稀疏性……】
“这是你对测试数据特性的分析?”
池远点了点头
“基于这些特征分析,我放弃了限制小规模数据量的梯度提升算法(xgBoost、LightgBm)和要求维度较低的Ls-sVm算法,决定用深度学习算法,准确来说是模型,不止一个算法。”
“它的要求并不苛刻,复杂的数据结构,也可以通过多层神经网络学习输入数据的表示后进行处理。特别是它能自动学习高级抽象特征,现隐藏在数据背后的模式和规律,达到识别异常甚至预测的目的。”
说完,他又将自己的模型构思一一写下来
【1。时间序列分析使用专门针对时间序列数据的深度学习模型,如长短时记忆网络(LsTm)或门控循环单元(gRu)等。】
【2。数据预处理……】
【3。学习模型预训练……】
【……】
【7。增强学习在某些情况下,可以考虑使用增强学习来实时监测中遇到的决策问题。】
一整页都写满了。
没有在意小小稿纸承受的不该有字数,池远期待地等待着英子的回答
“这模型怎么样?”
池远写得很简化,英子对深度学习有所了解也能看懂。
也正是因为能够看懂,她微微皱起了眉头,有些犹豫道
“模型很完善……但是不是太复杂了?需要的计算资源是不是太多了?”
“是需要很大的计算资源,但这不是为了追求‘最优’,面面都要考虑到嘛。”
但这的确是个困扰池远的问题,“你有没有什么建议?”