1. 首頁 > 科技 > >

算法|?數據是信號的原始形式，通常以觀察、計算結果和事實數量的形式提供

算法機器學習

算法|?數據是信號的原始形式，通常以觀察、計算結果和事實數量的形式提供

文章圖片

算法|?數據是信號的原始形式，通常以觀察、計算結果和事實數量的形式提供

文章圖片

算法|?數據是信號的原始形式，通常以觀察、計算結果和事實數量的形式提供

文章圖片


人們普遍認為數據是豐富的 ， 但知識卻是稀缺的 。 數據是信號的原始形式 ， 通常被轉換為信息 。 數據通常以觀察、計算結果和事實數量的形式提供 。 數據的解釋、抽象或關聯導致信息的生成 。 重要的是 ， 知識是通過體驗和學習這些信息并將其付諸行動而獲得的 。 知識可以用多種方式表示 。 常見的方案是規則、邏輯、對象和相關網絡 。




當數據或信息流入智能代理時 ， 它一般存儲在稱為上下文的地方 ， 也稱為短期工作記憶 。 這些數據或信息由幾種解決問題的技術處理 。 當計算機生成新概念和知識結構時 ， 我們稱之為機器學習 。 機器學習本質上有3個組成部分：數據、特征以及算法 。 一旦從數據中提取出來 ， 就會對這些特征應用算法來學習新的概念或規則 。 根據對輸出的控制量 ， 機器學習可以分為有監督、無監督或強化學習 。 在監督學習中 ， 系統被賦予大量輸入數據 ， 目標是預測輸出基于輸入 。



在監督學習中 ， 模型是從標記的訓練數據中構建或學習的——外部代理 ， 通常是人類 ， 在訓練期間提供正確的標簽 ， 從中學習模型 。 例如 ， 輸入可以是大量的葡萄糖監測數據以及患者的活動和食物攝入數據 ， 輸出可以是對低血糖預測的決策 。 在無監督學習中 ， 機器學習算法可以在沒有任何外部輸入的情況下獲取數據并生成模式 。 例如 ， 可以分析相同的數據以導致從頭關聯或輸出 。



機器學習可能會導致識別對各種食物的反應截然不同的主題集群 。 最后 ， 在強化學習中 ， 智能代理使用某些優化技術通過獎勵和失敗來學習概念 。 例如 ， 強化學習已被用于機器人技術 ， 使機器人能夠通過與其環境的反復試驗發現最佳路徑 。 在過去的幾十年中 ， 已經開發出植根于統計學或基于邏輯推理的機器學習算法 。 第一個人工智能系統是基于知識的決策支持系統 ， 使用獨立的靜態數據集 。



一旦這些系統能夠連接到電子健康數據 ， 人工智能就可以用于教學目的 ， 但尚未準備好用于臨床護理 。 通過依賴多層連接的人工神經網絡進行深度學習已導致潛在的臨床效用 。 2019年月 ， 谷歌和紐約大學的團隊報告說 ， 用于肺癌診斷的深度學習模型可以提高準確性 。 雖然很容易夸大我們對人工智能在臨床醫學和糖尿病領域的期望 ， 但已經有漸進的進展證明了其實用性的人工智能 。



人工智能有助于開發人造胰腺 ， 并有助于了解社會決定因素與健康生理生物標志物之間的相互作用 。 糖尿病還會產生大量的視網膜、血管和其他數據 ， 這些數據可以隨著時間的推移進行跟蹤 。 將這些病理生理數據與其他看似無關的數據疊加起來 ， 無疑會導致對糖尿病控制和并發癥的新見解 。 這些流程的改進將增加來自全球各地的患者獲得專家意見和專家護理的機會 。



【算法|?數據是信號的原始形式，通常以觀察、計算結果和事實數量的形式提供】非洲農村地區的一名患有糖尿病的婦女可能能夠通過使用她個人智能手機的圖像在千里之外獲得眼部護理 。 可以根據血糖波動、胰島素藥理學、營養基因組學和活動、鍛煉模式為個體患者制定個性化血糖控制算法 ， 而不是所有的算法解決方案 。 我們有能力收集、分析和利用大量數據來提供明智的臨床建議 。 人工智能將在改變醫療保健方面發揮重要作用 ， 我們還需要在知識表示和推理方面取得進一步進展 。

相關經驗推薦