從學術角度來看，研究的邊界是不斷在變動的！跨領域研究是近年來科學發展的主流。此次由物理及數統學門發起，在科學推展中心數學組、物理組以及理論中心聯合舉辦的會議中，便匯集了物理及數學領域的專家，來探討近年來逐漸發展的機器學習(Machine Learning)及大數據等相關理論研究。
機器學習在國內外已經有不少成功開發及應用的例子，包括演算法及模型的建構工具等。此次會議透過「高維度資料分析」、「機器學習實踐」及「流形學習與維度縮減」三個面向，進行國內各項研究的機器學習相關實際應用分享，繼而探索新技術的引用，彼此碰撞出更多想法，是會議最主要、也最期望達成的目標。
在高維度資料分析(High-dimensional Data Analysis)的研究範疇議題中，從陽明交大統計所盧鴻興教授運用AI人工智慧輔助醫療的優勢開始談起，臺大物理系的陳凱風教授講述高能物理研究的「希格斯粒子(Higgs boson)」數據判讀，也必然得透過機器學習。而清大天文所的賴詩萍教授在觀測星空以找尋到更多星體和活躍星系核、成大統計系陳瑞彬教授分析機器如何學習參數以運用於工程中等案例分享上，大數據的分析與運算皆顯得相當重要。
前述這些議題多為跨領域的研究嘗試，而在機器學習實踐的探討面向裡，分享的案例則大多聚焦在領域內的深度機器學習。中研院化學所許昭萍研究員即分享了光電分子材料中電子耦合的機器學習，陽明交大智慧科學暨綠能學院的魏澤人教授探究了包括影像學習功能在內的深度學習，中興大學物理系張明強教授則從半監督學習、增強學習等種類談凝態物理中的機器學習應用，中央大學數學系的胡偉帆教授由自身的研究領域，利用機器學習應用於和橢圓介面相關的微分方程問題。
最後探討的流形學習(Dimension Reduction)與維度縮減(Manifold Learning)部分，更著重於數學科學在機器學習和大數據分析的重要性。中山大學應數系的陳志偉教授從微分幾何的角度去談論流形學習演算法(Locally Linear Embedding)；臺大數學系崔茂培教授則接續分析「黎曼流形(Riemannian manifold)」與調和矩陣等議題。這些議題說明機器學習技術背後，數學所扮演的角色。
會末的綜合討論時間，來自不同領域的與會者們在意見交流之餘，亦思考著相互合作、互補其研究的任何可能性，代表著此次會議跨出了成功的一步。與會者們更認為，臺灣有如此多優秀的相關研究人才，除了自然科學範疇的跨域合作，也要再增加對資料科學應用的視野，尋求更多不同尺度研究的合作。學門在會後也成立「Slack」討論群組，邀請與會者參加。期望藉由更直接的對談，未來能找到物理和數統領域在機器學習和大數據分析議題的合作可能。
