空間型、函數型、高頻及高維度數據相關領域

[su_box style=”soft” title=”潘建興 研究員” box_color=”#000080″ radius=”10″]
[su_list]

  • [su_expand link_style=”button” height=”0″]
    專長：
      • 實驗設計和分析、社會網路和互聯網資料分析、演算法優化、大數據資料庫分析
    諮詢服務範圍：
      • 最佳化實驗設計：
        研究團隊根據客戶的實驗特性和要求，客製出最佳的實驗設計，務求客戶能夠以最少的實驗資源得出最精確的實驗結果。實驗的設計類型除了基本的各類因子設計和正交表外，還包括（但不限於）四元代數碼設計，超飽和設計，明確篩選設計，循環正交設計，高維度空間填充正交設計，覆蓋陣列設計等先進的設計類型。
      • 高效的實驗分析：
        研究團隊根據客戶的實驗設計和資料結果，使用正確和高效的分析工具進行實驗分析，並以統計的角度對實驗分析結果進行總結和推理。實驗分析的工具除了傳統的選模方法和線性／非線性模型分析和外，還會針對設計和假設提供相對的工具，如Dantzig Selector和SRRS選模方法或條件主因子貝氏分析等先進的分析工具。
      • 互聯網資料分析：
        研究團隊針對客戶的互聯網資料，提供以下（但不限於）的分析：使用成長與偏好連結的模型來分析互聯網資料的特徵值；使用比A/B Testing更先進和高效的實驗方法來作網頁對比測試；使用互聯網資料和流量來客製化各類推薦引擎；使用主題模型和PMI等工具來分析和比較網頁內容。
      • 網路資料分析：
        研究團隊針對客戶的網路資料，提供以下（但不限於）的分析：使用比傳統Modularity更先進的統計方法為客戶的網路進行分群；針對客戶的特定需求客製網路需要的中心點和分佈的分析工具，使用以圖型著色和圖論為基礎的網路劃分法來為客戶的網路進行分區和分類；根據客戶所需要的主題為網路不同的部份定義其重要性和影響力；利用客戶的網路資料和結構為客戶找尋隱藏於網路中的資料。
      • 演算法優化：
        研究團隊針對客戶特定的優化需求，為客戶開發客製化的自然演算法，並且利用OpenMP和CUDA來建立CPU和GPU平行運算的程序。研究團隊現有的模板包括：實驗設計特性最佳化，個人股票投資組合獲利和風險優化，超級電腦使用者使用排程優化，不規則空間（如地圖）下優化平衡佈點等。
    • 大數據資料庫分析：
      研究團隊針對資料庫的結構和客戶所提出的需求，從最基本的統計報表到複雜的資料庫大數據分析建模等，以MySQL、 Teradata或其他常用工具來建立自動化的資料/報表周期性分析回報機制。

    [/su_expand]

[/su_list]
[/su_box]

[su_box style=”soft” title=”江其衽 副研究員” box_color=”#000080″ radius=”10″]
[su_list]

[/su_list]
[/su_box]