前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Two Sigma:直觉在机器学习中的重要性!

Two Sigma:直觉在机器学习中的重要性!

作者头像
量化投资与机器学习微信公众号
发布于 2024-07-04 08:04:32
发布于 2024-07-04 08:04:32
3230
举报
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、金融科技、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业40W+关注者,曾荣获AMMA优秀品牌力、优秀洞察力大奖,连续4年被腾讯云+社区评选为“年度最佳作者”。

前言

即使现在大火的LLM和其他机器学习模型,其有效性还是最终依赖于开发和使用它们的群体的的理解和直观的洞察力。

机器学习任务的一个主要挑战是选择合适的数据,结合正确的算法,得到有效的解决方案。既然这样,那问题要么来自数据的质量,要么来自研究人员对任务的初步概念化。在这些情况下,人类的直觉是至关重要的,这有助于评估现有数据是否能够支持创建一个可靠和稳健的机器学习模型,可以代表人类作出决策和有效行动。

当一个问题肯定不是机器学习问题

机器学习失效的情况是多种多样的,但是,正如前言提到的,它们通常归结为数据——即使有很多数据,最终没有形成模型成功学习的“必要条件”。

在学术上,大家可能都在IID(独立同分布)的假设中去研究,而在现实世界中往往不会遵守这些假设。

在这种情况下,最好的做法是意识到机器学习可能不是唯一解决问题的办法,可以寻找其他解决方案。

当一个问题可能不是机器学习问题

有时候,世界上所有的数据都是不够的!

在某些情况下,没有可供学习的适当数据。选举、自然灾害和其他特殊事件只是过去的例子,未必能为未来提供准确的参考。在这种情况下,类似的事件以前从未发生过,预测此类事件比较好的方法是由人类专家利用大量的经验和直觉来完成。

数据集的有效大小比你想象的要小得多!

例如,在2017-18年冬季,纽约市住房管理局报告称,其约143.5万套公寓中,多达80%的公寓出现了供暖中断。考虑到每间公寓都代表了一系列相关信息(租户人口统计、使用模式等),这似乎是构建一个可以预测供暖中断发生的模型的完美场景。

事实证明,停电实际上不会发生在公寓层面。相反,大约100个老化的锅炉为整个建筑供暖,所以要学习的数据集的有效大小不是1435000行,而是100行。

你的数据里没有信号

例如,研究人员试图创建一种早期预警指标,预测非洲农村等主要农业地区的作物损失。在一次尝试中,对Malawi进行了为期一年的卫星图像和地面调查,该国面积小,年度气候条件相对均匀,因此几乎不可能建立一个可靠的局部预测模型。

在其他情况下,限制因素不在于可用特征的可变性或相关性,而是一个简单的事实,即任务本身就很难预测。

对于金融市场的走势/波动来说,情况也是这样。一个好的模型所需的数据量、模型可用特征数量和数据中的信号量之间存在一个内在联系。有了强信号,就可以在具有相对较大特征集的少数实例上构建模型。但当信号较弱时,要么需要更多的数据,要么必须大幅减少特征的数量。

问题是因果关系,你的数据可能不是

当一个预测可能包括你决定采取行动的影响时,谨慎也是至关重要的。在那一刻,你正在跨越相关性和因果关系之间的鸿沟。

例如,预测earnings surprises:无论研究人员预测或做什么,都不太可能影响意外发生的可能性。但建立一个交易执行模型可能是一个非常不同的故事,因为一笔足够大的交易本身可能会影响金融工具的价格。在给定的市场状态下,预测哪种策略可能成本最低是一个因果关系问题。有时,准确预测效果是可能的,有时则不然。

还有一种情况是,你的模型不太可能比历史平均水平做得更好:比如纽约的交通事故(模型可能“解释”,但不能预测)。

需要找钉子的时候,你只有一把锤子

有时,人类的直觉可以在数据的固有局限性周围找到创造性的解决方案,或是虽然结果看起来有效,但实际上并非如此。

监督模型与其他机器学的方法相比具有巨大的优势。根据一些基本事实(模型是否正确识别了猫的照片?)客观地评估模型的性能是可能的。因此,一个人也能清楚地认识到失败。事实上,即使是LLM也会在训练中使用这个概念。

然而,有时候很难得到这样的基本事实。考虑这样一个案例:一家公司试图为其销售人员预测“best case scenario”销售机会,几乎没人知道这个量。

乍一看,这看起来不像是一个监督机器学习问题。但如果研究人员把问题改成:我能预测一个“realistic wallet”吗?也就是说,如果一个给定的客户想要使用我们的解决方案来满足所有需求,我能否预测他们在我们公司的最大消费金额?有些客户肯定已经与品牌建立了深厚的关系,但公司无法仅凭每位客户的销售数据来判断他们是哪些客户。

事实上,知道这些信息对于一个定义良好的监督学习任务来说并不是必需的。与其预测一些条件期望值,我们实际上只需要估计一个高条件收入百分位数。要做到这一点,所需要做的就是将损失函数从误差平方和改为分位数损失(加权绝对误差和)。或者在回归树的情况下,不是预测叶子节点中的平均值,而是在每个叶子节点中选择一个接近最大值的客户收入数。

决定哪个“错误”的问题是正确的

有时研究人员知道我们要解决什么问题,但我们没有足够的理想数据来解决它。在这些情况下,直觉可以帮助我们找到一个合适的proxy,它有更多的数据,无论是在例子方面还是在标签方面。

假设一名研究人员想要对缺乏可靠经济数据的地区进行建模。也许在夜间测量一个地区的亮度可以很好地反映经济活动。

虽然测量一个地区夜间的亮度可能是衡量经济活动的一个很好的指标,但斯坦福大学的一项研究旨在提供对其他结构性指标的洞察。因此,在白天拍摄的图像中,夜间亮度被用作目标变量,它增加了一些有趣指标,比如游泳池的存在或用于屋顶的材料类型。

迁移学习

考虑一个假设的案例:根据公开的面部照片,为美联储主席杰Jerome Powell建立一个情绪模型。

面部情绪模型需要大量的训练实例,这远远超过Powell面部照片的数量。然而,几乎所有人的脸上都有一个反映情绪的一致的生理机制,,而不仅仅是Powell。

因此,与其从头开始构建模型,不如在从公开可用的数据源中提取的快乐和不太快乐的人脸数据构建初始模型。

下一步可以建立一个更具代表性的样本(男性,穿着正式,年龄相仿)来训练初始模型。

这是一个明确地从错误的数据开始,并试图将从中学到的知识转移到手头实际问题的例子。实际的“转移”将在第二轮训练中进行,因为模型将使用Powell本人手工标记的图像样本进行微调,这些样本要小得多,但更相关。

这两种方法都说明了直观的、人为的指导对于机器学习技术在困难问题上的有效应用是必不可少的。

当“正确”的模型预测错误的事情时

在研究人员要求预测什么的问题上时,预测模型绝对没有常识。一个模型将优化训练数据中提供的任何东西,使其尽可能“好”(根据研究人员的定义),即使它的输出显然是荒谬的。

因此,模型的创建者需要确保指定的任务是正确的。指定这一点可能比人们想象的要困难得多,并且对模型的事后分析可能会有意想不到的结果。

例如,下面的图表显示了根据机器学习模型,哪种类型的移动应用最有可能吸引用户点击广告。有趣的是,这与广告的目的或用户感兴趣的内容无关。最能预测高点击率的是广告所处的环境。

事后看来,手电筒应用脱颖而出的事实可能一点也不令人惊讶。研究表明,大量的广告点击是偶然的。事实上,当使用手电筒应用程序时,人们在黑暗中摸索并不小心点击广告的可能性非常高——如果你是人类,这种几率也非常可预测!

毫不奇怪,这些点击与购买意图毫无关联。事实上,为预测点击而创建的模型(这些模型确实能很好地预测点击)在预测后续购买方面往往不比随机模型好。

撇开点击模型到底有多有用的问题不谈,我们可以从这个例子中学到一个非常重要的教训:模型是“懒惰的”,喜欢专注于容易预测的东西!

再一次让我们意识到:人类的常识和直觉是绝对必要的!

当一个模型的预测可能有偏差时

模型倾向于“简单”预测的一个非常重要的含义是:在预测范围的两端都可能引入偏差。就广告而言,这可能意味着大多数广告针对的是非常偶然的情况(如手电筒应用的用户)。

再考虑一个模型,它的目的是预测谁可能会出现在机场,并可能买东西。如果研究人员缺乏足够的直觉,那么得分最高的人很可能不是挥霍无度的旅行者,而是飞行员、空姐和大批机场工作人员。

模型倾向于以这种方式做出“简单”的预测,这为偏见打开了大门。问题是,今天我们看到这样的模型被用来推荐工作候选人等等。虽然总体证据表明,与人类相比,机器学习模型在公平性方面往往做得更好,但保持警惕对于确保训练数据的公正至关重要!

即便如此,这样的做法可能无法防止模型在不经意间基于最容易预测的东西而产生的偏见。数据科学家可以尝试消除他们数据的偏差,他们也应该这样做。但是这样做并不能免除一项责任,即确保一个模型在其预测中不会仍然存在偏见。把道德责任委托给技术从来都不是一个好主意。在这里,人类的判断真的很重要。

当你的模型好得令人难以置信时

人类直觉的主要应用之一是提供一种感觉,即一个模型可能执行得如何。换句话说,研究人员必须以一种计算机无法做到的方式持怀疑态度。如果一个模型的性能比预期的要好得多,也许值得仔细研究一下!

有时候,知道什么时候应该持怀疑态度是很容易的:预测资产收益是很难的,即使只是比随机情况好几个百分点,也能带来令人难以置信的成功投资策略。但如果比这好得多,就应该总是触发深入分析,以确保没有意外未来函数潜入数据集。弄清楚这一点可能需要好的直觉和判断。

在其他情况下,可能还有其他原因在起作用。例如,一家广告技术公司的数据科学家曾经注意到,在短时间内,预测各种在线行为(注册试用、下载白皮书、访问品牌主页等)的几个模型的预测性能中值显着提高。

是什么导致了这种变化?研究人员发现,这是新一代广告欺诈算法的数据足迹。这些机器人不仅仅是产生虚假点击,实际上,它们设计目的是通过采取品牌希望人们采取的行动。

当你不清楚你的模型是否可以泛化,或者泛化多少的时候

一家医疗设备制造商希望通过创建一个模型来帮助乳腺癌检测,该模型可以根据来自四个不同设施标记的灰度乳房X光检查图像来预测癌症的概率。

该模型似乎表现良好。但研究人员发现,令他们担心的是,当(可能是随机的)患者识别码添加到模型中时具有很强的预测性。

人们通常不会期望患者ID包含与模型相关的信息(也就是说,ID 通常不会表明谁患有癌症,谁没有) ,但在这种情况下,它们确实包含了——这个事实揭示了一个隐藏的关于数据的故事。

数据是从四个不同的乳房X光检查设备中收集的,每个设备都在不同的设施中。每家医院的患者身份号码都有不同的数字范围。数据清楚地显示了这些ID块,但它也显示了它们之间的癌症发病率差异很大。

为什么会这样呢?病人ID如何“预测”癌症发病率?答案是,一个街区来自筛查中心,另一个街区来自治疗机构,后者的癌症发病率自然会比前者高得多。

如果该模型仅用于这四家机构中的一家来预测癌症的概率,它可能还可以。但是这个模型可以在任何有这类设备的设施中使用吗?只有对数据进行更深入的研究,才会发现答案是“可能不是”。

原因是这些图像本身带有关于它们来自的位置的隐含信息——可能源于这些位置的特定乳房X光检查机器的校准,以及每个机器产生的平均灰度的微小差异。

换句话说,这些信息“吸收”了不同的癌症发病率。一个地点的乳房X光检查设备的灰度与地点1相似(癌症发病率接近36%),平均而言,总是比地点4相似的地点产生更高的概率,而地点4的癌症发病率几乎为零。

尽管存在这些扭曲现象,但该模型能可靠地对患者进行排名:分数越高仍然表明患癌症的几率越高。但是,这就足以将模型投入实际中吗?

这个案例说明了做出这样的判断是多么困难,以及为什么人类的直觉和经验对于有效地使用机器学习模型是如此重要。最终,只有对训练数据的特殊性和对用例的理解都有深入了解的人才能进行调用。

总结

在使用前沿的机器学习模型我们应该深刻的意识到: 它们的有效性不仅依赖于算法,而且严重依赖于人类的直觉。创建者对模型及其数据非常熟悉,因此发挥着不可替代的作用。从应对挑战和选择适当的数据到确保合规的使用,人类的判断是至关重要的。随着机器学习的进步,人们的洞察力和技术的结合将继续是成功的基础!

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2024-07-03,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 量化投资与机器学习 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
人工智能、机器学习、统计学和数据挖掘有什么区别-AI快速进阶系列
这些概念之间存在显着重叠,并且没有明确的方法来分隔它们。多年来,研究人员和工程师对这个问题表达了不同且经常相互矛盾的观点,因此没有达成共识。
jack.yang
2025/04/05
1220
人工智能、机器学习、统计学和数据挖掘有什么区别-AI快速进阶系列
赫尔辛基大学AI基础教程:机器学习的类型(4.1节)
每张图片上方都会显示正确的标签(本应写入的数字)。请注意,某些“正确的”类标签是存疑的:例如,请参阅左侧的第二个图像:那是7还是4?
AiTechYun
2018/07/27
5550
赫尔辛基大学AI基础教程:机器学习的类型(4.1节)
转变癌症诊断:Path-BigBird 用于病理学报告的人工智能方法
美国能源部橡树岭国家实验室(Oak Ridge National Laboratory)和路易斯安那州立大学(Louisiana State University)的研究人员与美国国家癌症研究所(National Cancer Institute,简称NCI)合作,开发了一种长序列AI转换器,能够处理数百万份病理报告,为研究癌症诊断和管理的专家提供更准确的癌症报告信息。
GPUS Lady
2024/03/25
1710
转变癌症诊断:Path-BigBird 用于病理学报告的人工智能方法
前沿综述 | 机器学习在医学中的应用
此前,小编为大家整理过一篇BT与IT融合的综述文章 👉 深度学习在生物科学领域的应用,这次姐妹篇来咯!《Computers in Biology and Medicine 》在今年3月在线发表了一篇综述文章,回顾了医学领域使用机器学习(ML)的情况;介绍了标准技术及其对医学诊断的影响;深入讨论了五种主要的医学应用(癌症、医学化学、大脑、医学成像和可穿戴传感器)中的问题;同时提供了该领域潜在的研究可能性和未来的举措。 机器学习(ML)已被广泛应用于解决各种复杂的挑战,如医疗、金融、环境、营销、安全和工业等
尐尐呅
2022/06/29
3.1K0
前沿综述 | 机器学习在医学中的应用
资源 | 人工智能、深度学习、机器学习有什么区别?DL 应用案例全解析(下载)
【新智元导读】对于希望从战略层面洞察人工智能这一领域的企业领袖来说,insideBIGDATA Guide to Deep Learning & Artificial Intelligence是个有用的新资源。它解释了AI、机器学习以及深度学习的区别,审视了AI和HPC的交集,介绍了各个领域中AI和深度学习的精彩应用案例,展示了GPU是如何有效地和AI技术结合在一起的。 这是AI的时代。基于AI的产品大量涌入市场,许多著名厂商已经在产品中整合了AI解决方案:通用电气推行了AI业务Predix,IBM广告里W
新智元
2018/03/27
1.2K0
资源 | 人工智能、深度学习、机器学习有什么区别?DL 应用案例全解析(下载)
英国皇家植物园采用机器学习预测植物抗疟性,将准确率从 0.46 提升至 0.67
内容一览:疟疾是严重危害人类生命健康的重大传染病,研究人员一直在致力于寻找新的植物源性抗疟疾化合物,以研发相关药物。近期英国皇家植物园利用机器学习算法有效预测了植物抗疟性,该研究成果目前已发表在《Frontiers in Plant Science》期刊上。
HyperAI超神经
2023/08/31
1440
英国皇家植物园采用机器学习预测植物抗疟性,将准确率从 0.46 提升至 0.67
人工智能和机器学习的前世今生
如果正确的利用模式识别进行商业预测和决策,那么会为企业带来巨大的利益。机器学习(ML)研究这些模式,并将人类决策过程编码成算法。这些算法可以被应用到几个实例以得出有意义的结论。在这篇文章中,我们将了解一些机器学习的基础、工作原理及特点。
用户3578099
2019/08/16
5230
人工智能大拿解答机器学习30个问答
这次参加的是 Yoshua Bengio,计算机科学家,毕业于麦吉尔大学,在MIT和AT&T贝尔实验室做过博士后研究员,自1993年之后就是蒙特利尔大学任教,与 Yann LeCun、 Geoffrey Hinton并称为“深度学习三巨头”,也是神经网络复兴的主要的三个发起人之一,在预训练问题、为自动编码器降噪等自动编码器的结构问题和生成式模型等等领域做出重大贡献。他早先的一篇关于语言概率模型的论文开创了神经网络做语言模型的先河,启发了一系列关于 NLP 的文章,进而在工业界产生重大影响。此外,他的小组开发了 Theano 平台。
IT阅读排行榜
2018/08/14
3090
基于美日 627 例患者的临床数据,谷歌证实 AI 辅助肺癌筛查的群体有效性
谷歌 AI 团队开发并优化了人工智能辅助肺癌筛查的工作流程,在美国和日本进行了跨国的回顾性研究。
HyperAI超神经
2024/04/26
1870
基于美日 627 例患者的临床数据,谷歌证实 AI 辅助肺癌筛查的群体有效性
解决机器学习最大弊病?马普所联合Google再探「因果学习」
例如,在看到球棒和棒球运动员的手臂同步移动之后,你可以知道,是球员的手臂导致了球棒的移动,而不是球棒的移动导致了球员手臂的移动。
新智元
2021/04/14
3960
Google I/O 李飞飞等四领域女性专家,谈机器学习的过去、现在和未来
机器之心原创 作者:李亚洲、李泽南、虞喵喵 在 Google I/O 首日的 Keynote 中,Google 公布了一系列新的硬件、应用和基础研究。自去年提出 AI First 战略,今年的大会上 Google 同样安排了不少与机器学习开发相关的内容,比如《教程 | 如何使用谷歌 Mobile Vision API 开发手机》。 今天是 Google I/O 的最后一天,一场讨论机器学习前沿研究与未来方向的 Session 同样不容错过。谷歌云人工智能与机器学习首席科学家李飞飞将与谷歌云部门主管 Dian
机器之心
2018/05/07
6310
Google I/O 李飞飞等四领域女性专家,谈机器学习的过去、现在和未来
R语言数据分析之机器学习教程
全球范围内,乳腺癌是导致癌症发病率和死亡率的主要疾病之一。根据2018年全球癌症统计报告的估计,乳腺癌是女性中第二常见的恶性肿瘤,占所有女性癌症的11.6%以上。它被列为全球癌症死亡原因的第五位,导致全球癌症死亡率的6.6%。乳腺癌导致了大量的公共卫生负担,造成了1480万残疾调整生命年(DALYs)的损失。在发达国家,乳腺癌的发病率显著高于其他国家;全球范围内,高或非常高的人类发展指数(HDI)国家的乳腺癌年龄标准化发病率为每10万名女性54.5例,而低至中等HDI国家的发病率为31.3例。在女性人口中,乳腺癌的死亡率仍然最高,是报告最多的女性癌症死亡原因。
生信学习者
2024/06/21
1760
R语言数据分析之机器学习教程
DeepMind 的 AI 能指导人类的直觉吗?
DeepMind 研究人员最近发表了一篇题为《通过用人工智能引导人类直觉来推进数学》(Advancing mathematics by guiding human intuition with AI)的论文,认为深度学习能够帮助发现被人类科学家忽视的数学关系。很快,这篇论文在科技媒体上引起了广泛的关注。
深度学习与Python
2022/04/19
3880
DeepMind 的 AI 能指导人类的直觉吗?
论文中的准确率指标靠谱吗?5个机器学习悖论改变你对数据的看法
道路越多越拥堵、越智能的算法需要的计算力越少。这些反常识的机器学习悖论你知道是怎么回事吗?
量子位
2019/05/16
8200
论文中的准确率指标靠谱吗?5个机器学习悖论改变你对数据的看法
值得思考,机器学习模型做出的决策是你想要的吗?
区分预测模型和分类模型是很重要的一个事情。在很多决策应用中,分类模型代表着一个“不成熟”的决定,它组合了预测模型和决策制定,但剥夺了决策者对错误决定带来的损失的控制权 (如随机森林中的服从大多数原则,51棵树预测结果为患病49棵树预测结果为正常与91棵树预测结果为患病``9棵树预测结果为正常返回的结果都是患病)。如果采样标准或损失/收益规 (在预测疾病时,更看重敏感性而非假阳性)则发生改变,分类模型也需要相应的改变。而预测模型是与决策分开的,可用于任何决策制定。
生信宝典
2021/11/23
4540
机器学习技术的重要性:达观数据亲身实践
大数据时代里,互联网用户每天都会直接或间接使用到大数据技术的成果,直接面向用户的比如搜索引擎的排序结果,间接影响用户的比如网络游戏的流失用户预测、支付平台的欺诈交易监测等等。达观数据技术团队长期以来一直致力于钻研和积累各种大数据技术,曾获得cikm2014数据挖掘竞赛冠军,也开发过智能文本内容审核系统、作弊监测系统、用户建模系统等多个基于大数据技术的应用系统。机器学习是大数据挖掘的一大基础,本文以机器学习为切入点,将达观在大数据技术实践时的一些经验与大家分享(达观数据联合创始人 纪传俊) CIKM
达观数据
2018/03/30
1K0
深度学习在医疗诊断领域优势明显,数据质量将成AI未来发展瓶颈
人工智能正在改变医疗诊断行业 今年年初,谷歌成功研发出一套用于乳腺癌诊断的人工智能系统。这套系统分析了大量的病理组织显微图像,速度比人类快得多,且肿瘤检出率高达92.4%。如果是人类医生完成这项工作,必须非常仔细分析大量组织样本才能确诊癌症,而且这是一个极度费时且易出错的过程。一个有经验的医生需要几年甚至十年的时间来培训。如今谷歌的成功预示着人工智能疾病诊断的到来。 事实上,利用人工智能检测癌症并不是新鲜事。早在30年前,人工智能的重要分支之一,机器学习技术如人工神经网络算法和决策树算法,就被用来做癌症
企鹅号小编
2018/02/12
2.6K0
深度学习在医疗诊断领域优势明显,数据质量将成AI未来发展瓶颈
改变你对数据看法的五种机器学习悖论
从概念上讲,悖论是一种基于问题的原始前提得出明显自相矛盾的结论的陈述。即使是最著名的悖论也经常愚弄领域专家,因为它们从根本上违背了常识。
AiTechYun
2019/05/15
8250
改变你对数据看法的五种机器学习悖论
机器学习应该知道的事(下)
新的一周又开始了,作为引子的review,还是有点长的,大家可以耐心的读读,绝对会让你有种豁然开朗的感觉。下周的重点是统计语言模型,别想的那么复杂,实际上就是贝叶斯概率和线性代数。窃以为,所谓以代码来讲解算法的,就是在培训码农,而不是一名合格的程序员。虽然,作为应用的学科,证明并不是那么像纯数学那样重要,但总归还是得明白原理吧。
哒呵呵
2018/08/06
3980
机器学习应该知道的事(下)
麻省理工使用人工智能改善早期乳腺癌检测
据麻省理工学院网站报道,该校计算机科学与人工智能实验室开发了可改善早期乳腺癌检测的相关模型,可以减少误报和不必要的手术。在接下来的一年,麻省总医院的放射科医生将首先将模型转化为临床实践。 仅在美国每年就有4万名女性死于乳腺癌。如果能及早发现,癌症通常都能治愈。乳房X光检查是目前最佳的检测,但这种方法仍不是十全十美的,经常出现假阳性结果,导致了不必要的活检和手术。 假阳性的一个常见原因是所谓的“高风险”病变,有乳房X光检查中显得很可疑,在穿刺活检时有异常细胞。这种情况下,患者通常会通过手术去除这一
人工智能快报
2018/03/15
7520
麻省理工使用人工智能改善早期乳腺癌检测
推荐阅读
相关推荐
人工智能、机器学习、统计学和数据挖掘有什么区别-AI快速进阶系列
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档