医生和其他卫生保健专业人士特别适合了解人工智能。他们学习或经常使用数学,数据分析,和算法。他们理解模式识别,决策树,基于规则的系统和统计数据。这些是AI的组件。也许唯一我们的医学预科生和医疗培训没有教我们如何代码。但我们理解代码是如何实现的。再加上我们的培训在大脑是如何工作的,我们洞察神经元及其网络,和我们的专业知识在人类认知,它成为我们医学背景明显启动一个强大的人工智能的理解。我们不应该远离人工智能,但是作为一个最喜欢的引用矩阵的冲动:“红色药丸。”
人工智能的定义是电脑系统智能地行动。人工智能领域有6个子集:推理、规划、感知、移动和操作对象的能力,自然语言处理,什么是人工智能的重要组成部分,机器学习。
机器学习是人工智能的主要优势。机器学习这个词是归因于亚瑟的实验在IBM在1950年代末,他使用简单的算法来教机器下棋。算法程序代码告诉计算机精确采取什么步骤来解决问题或达到目标。他们被称为输入,结果被称为输出。我们认为电脑不是聪明的,因为他们不能做任何事情没有我们第一次编程或教他们。然而最近的机器学习涉及到计算机教学本身变得更加聪明。
通过使用编程算法,计算机分析大量数据,然后学习模式,将帮助其做出预测新数据集。提供更多的数据算法,更好的预测,预测的质量改进经验。本质上,这台机器被训练来教自己学习以类似的方式对人类通过解读数据和使用反馈从成功和失败中学习做出更好的决策和预测结果(优化)。当你层这些流程优化预测基于接收到的数据,创建一个叫做神经网络。
神经网络是基于大脑神经元可以通过连接网络。电脑可以使用算法编程结构来模拟神经元的功能。在神经网络中,神经元有三层:输入层,数据输入,处理信息的隐藏层,和输出层的基于数据系统决定该做什么。多层神经网络可以组装形成深层神经网络,一个神经元的输出层成为下一个神经元的输入层。许多神经网络可以分层的网络如此之深,名为gpu的新计算方法和计算机集群节点需要构建它们。在这些系统中,机器学习,因为它通过多个神经网络层过滤信息类似于大脑的工作方式。这就是所谓的深入学习。
深度学习使用神经网络算法在神经层创建一个可以学习和自己做出明智的决定。这个词被引入Rina Dechter在1986年她在认知系统的工作。与带安全标签的数据时可以监督学习(训练),semi-supervised或无监督(训练数据)。深度学习的“深度”的层数数据转换。作为深度学习的一部分,复发性神经网络用于模式识别,卷积神经网络用于图像识别。深度学习是机器学习的分场,导致最像人类的人工智能。
人工智能有许多组件作为医务人员,我们可以很容易地理解。从机器学习算法导致神经网络分层神经网络创建深度学习系统,我们有广阔的知识理解计算机如何变得聪明。了解人工智能的作品使我们在使用它的前沿。
凯瑟琳·佩珀是一个内科医生。
图片来源:Shutterstock.com