人工智能、機器學習和深度學習的區(qū)別?

很多朋友都在問，什么是人工智能，什么是機器學習，什么是深度學習

今天，我們就列舉了幾個關于人工智能、機器學習和深度學習的話題，跟大家聊聊。

 

第一，人工智能做到真正的內容匹配

 

偽命題，因為人的興趣方向是過去的記憶點{看過和記住兩回事}的綜合

 

 

人的記憶點是非常復雜且個性的，人工智能只能判斷確定場景對應的邏輯。人工智能的算法更新絕對跟不上興趣更新

 

 

所以今日頭條在內容的依附度上，一定干不過微信

 

第二，有價值的信息才是信息，人是需要信息解析確定信息價值的

 

微博在信息優(yōu)先上是碾壓微信的。但是在信息解析上是搞不過微信的公眾號+小IP矩陣的

 

 

所以，微信如果變成了洗稿的天堂，內容就變成了微博的范范而套，就沒有了比較優(yōu)勢

 

 

第三，從技術底層來看

 

人工智能在數(shù)學家眼里，實際上是數(shù)學統(tǒng)計模型

 

 

你如果要學習自己開發(fā)ai算法，要學的不是程序需要，而是學習數(shù)學統(tǒng)計模型啦啦

 

或者是找一個it學科，叫深度學習

 

 

人工智能是他商業(yè)領悟的名字

 

深度學習是他計算機科學領域的名字

 

 

數(shù)據(jù)統(tǒng)計模型是他數(shù)學領悟的名字

 

 

程序確實可以定義成為人類語言和計算機語言的命令交換器

 

 

你必須同時會機器語言+數(shù)學統(tǒng)計算法+產(chǎn)品經(jīng)理工作能力

 

第四，人工智能、機器學習和深度學習的區(qū)別?

 

原始人+鐵器=古代人

 

古代人+科學=現(xiàn)代人

 

 

原始人的行為模式是現(xiàn)代人行為模式的底層邏輯

 

 

機器學習是一種實現(xiàn)人工智能的方法，深度學習是一種實現(xiàn)機器學習的技術

 

 

對產(chǎn)品經(jīng)理不需要那么懂，除非做人工智能方向的產(chǎn)品經(jīng)理。這塊技術可以看下網(wǎng)易云課堂上的吳恩達的課程。一般情況下，產(chǎn)品把人工智能當做是一種技術工具，一個黑盒好了。

 

 

理論上，因為深度學習按照統(tǒng)計算法的關鍵數(shù)據(jù)量過大，所以才是黑盒

 

 

但是如果不知道它的行為邏輯邊界，作為產(chǎn)品經(jīng)理怎么品控呢

 

 

黑盒還有一個原因。ai只找最大概率，不找因果關系，所以才是黑盒啊

 

 

深度 學習的不可解釋性或者說黑盒不是因為關鍵數(shù)據(jù)量大導致的 而是他是通過多次求導和微積分來進行反饋變量調整的，是純基于數(shù)學理論的，你分層越多就會使得中間的參數(shù)變化越多 所以不可解釋

 

 

產(chǎn)品經(jīng)理應該是未來的ai算法模型研發(fā)者才對啊

 

 

深度學習是什么

https://playground.tensorflow.org/#activation=tanh&batchSize=10&dataset=circle?Dataset=reg-plane&learningRate=0.03?ularizationRate=0&noise=0&networkShape=4,2&seed=0.20538&showTestData=false&discretize=false&percTrainData=50&x=true&y=true&xTimesY=false&xSquared=false&ySquared=false&cosX=false&sinX=false&cosY=false&sinY=false&collectStats=false&problem=classification&initZero=false&hideText=false

 

第五，人工智能與醫(yī)療

 

深度學習的不可解釋性 對于我們這樣的醫(yī)療產(chǎn)品來說 是致命的 所以在醫(yī)療產(chǎn)品上是很難依賴深度學習的……

 

 

現(xiàn)在醫(yī)療人工智能中的圖像識別會使用大量的深度學習，因為向量和像素之間有著天然的關聯(lián)性 而當涉及到基于病史的文本處理時，深度學習模型很多時候還不如機器學習

 

 

腦科學的反應區(qū)現(xiàn)在都大部分是猜想怎么預測啊

 

 

臨床研究大量是關于統(tǒng)計學的，研究的都是相關性，其實也沒什么可解釋性

 

 

醫(yī)療器械+ai技術底層就不成立，如果限定范圍是腦科學的話

 

 

循證醫(yī)學本身也是基于統(tǒng)計學證據(jù)的

 

 

最高級的證據(jù)等級 meta 分析的本質不也是統(tǒng)計學

 

?臨床要求的留院觀察，實際上就是不明確患者發(fā)展情況，無法詢證下的變通方法

 

但是就統(tǒng)計學來說百分之90多的概率沒有問題，再加上一個人百分之五十的概率中有問題，這個概率算出來，一個人不留院觀察出事情的概率，也是醫(yī)生無法承受的

循證醫(yī)學的概念是醫(yī)學診斷和治療方案不是易于經(jīng)驗，教學，或者其他，而是基于證據(jù)等級

樣本的準入標準，基線的設計是很復雜的

 

實際上，從統(tǒng)計學的標準，我們做步驟拆分，很多地方無法統(tǒng)計

 

國內醫(yī)生大部分還是基于經(jīng)驗的診斷路徑，循證醫(yī)學實質的應用并不深入

 

因為個體差異太大，而且有效的標簽分類還要等實驗結果和學術發(fā)展

 

對的 國內的醫(yī)生對于循證醫(yī)學的應用更多停留在金標準和金參考的指南或者臨床路徑這些，所以我前面也說了“標榜”循證醫(yī)學的人

 

而且比我們嚴謹，不只要會用，還要會研究，還要在已知和未知間做成本判斷

 

恩，我理解傳統(tǒng)的醫(yī)學和循證醫(yī)學的差別在于：

 

傳統(tǒng)醫(yī)學是靠醫(yī)生個人的統(tǒng)計經(jīng)驗來進行診斷和治療

 

循證醫(yī)學是依靠全世界的通過臨床統(tǒng)計后得出的結論來進行診斷和治療

 

如果能找到高等級的就按高等級的來，指南很高，但不是最高的

 

如果找不到就按低等級的病例報道來

 

指南其實也不過是 專家共識的匯總罷了

 

是以醫(yī)療著作為核心的傳承式的統(tǒng)計

 

不能忽視了現(xiàn)代科學整體知識體系的建設和傳統(tǒng)醫(yī)學的整體知識體系建設

 

國內指南和國外指南差別非常大，國內的共識都是被藥企公關過的

 

傳統(tǒng)醫(yī)學，每個醫(yī)生獨立出書，在按照前人的數(shù)據(jù)總結自己的治療結果，自己整理出書

 

共識很多是公關的，指南比較難

 

專家共識就是藥企召集了一群專家 開個會 然后OK 來發(fā)一個共識吧

 

傳統(tǒng)醫(yī)學實際上形成了代繼藥劑學線路，這個和人工智能很像

 

第六，醫(yī)療產(chǎn)品經(jīng)理在ai醫(yī)療產(chǎn)品的發(fā)展上，怎么不背鍋

 

不要碰診斷和治療就不背鍋……要碰就必須要有醫(yī)生確認，打著輔助的旗號賣肉

 

我認為未來的醫(yī)院，應該是少數(shù)學術型醫(yī)生+程序+機器+護士的模式

 

任何關于問題可以添加

公眾號：maibanzhang