文章图片
文章图片
文章图片
一段时间以来 ， 即使在心脏病学领域 ， 医疗系统也可以尝试模拟专家的推理并提供可能的诊断和最佳的患者管理 。 ML是数据科学的一个领域 ， 它构成了当今所谓的AI的一部分 。 机器学习涉及创建自动学习的系统；他们通过自主“学习”来理解识别复杂模式的能力 ， 无需人工干预和任何类型的数据集 ， 包括数字、视觉和文本 。 随着这些系统经验的增加 ， 也就是说 ， 当它们获得新数据时 ， 它们的性能提高到甚至可能超过该任务中的人类能力 。
尽管有多种ML技术 ， 但它们通常分为两类：监督学习和无监督学习 。 监督学习技术无疑是ML中使用最广泛、效果最好的方法 。 这些过程依赖于数据集 ， 通过正确标记示例 ， 从中确定要预测的响应变量 。 根据预测的类型 ， 使用分类算法或回归算法 。 在第一种情况下 ， 目的是使用一系列变量来识别两个或
【算法|一段时间以来，即使在心脏病学领域，也在尝试加入人工智能技术】
在无监督学习技术中 ， 没有关于要预测的变量的信息 。 这些技术必须从数据集元素之间的关系中学习 ， 并在不依赖标签或类别的情况下对它们进行分类 。 为此 ， 他们在源数据中寻找可以在新数据集中重现的结构、模式或特征 。 对于这项任务 ， 聚类方法是最常用的方法 。 ML模型的构建不仅仅是将学习算法应用于数据库 ， 而是一个完整的过程 。
原始数据通过结构化数据转换为信息 ， 并构建初始数据库 。 从该数据库中 ， 进行描述性和探索性分析以识别和选择最重要的变量；这些变量将直接应用于ML算法 。 训练集是用于调整所选的各种ML算法的数据集 。 有多种分类和回归算法可用 ， 从更经典的线性技术到更现代的技术 。 此外 ， 当健康数据中经常出现的一个类别的病例多于另一类别时 ， 可以使用二次抽样和过抽样技术 。
理论上 ， 没有一种算法比另一种更好 。 其进行良好调整的能力将取决于数据的特征 。 调整完成后 ， 将使用验证数据子集来评估模型的质量 。 为此 ， 我们的目标是最大化最感兴趣的指标 。 在随机化两个子集的同时 ， 此训练验证过程通常会重复多次 。 目标是优化所用算法的内部参数 ， 评估模型的鲁棒性 ， 并判断模型是对数据进行过调整还是过调整 ， 试图在两种场景之间找到一个平衡点 。
构建最终模型后 ， 将使用测试数据子集来验证最终ML模型的行为与未用于其构建或验证的数据是否符合预期 。 如果此结果与验证集中获得的结果不同 ， 则用于训练的数据集可能不足 ， 如果在其普遍使用之前需要可靠的估计器 ， 则应进行扩展 。 图像分析是人工智能发展最快的领域 ， 因此与心脏病学高度相关 。 对各种心脏图像的日常分析可能既乏味又耗时 。
然而 ， 我们的日常工作已经可以通过基于神经网络的各种工具来改进 ， 可用于自动图像处理 。 自从作为计算模型发展以来 ， 出现了训练算法和网络架构 ， 大大提高了收入的准确性和效率 ， 并且在训练数据量越来越少的情况下发挥作用 。 当这些架构由多层神经元组成时 ， 使用术语DL 。 NN也非常灵活 ， 可用于有监督、无监督和强化学习环境 。 对于它们的实现 ， 可以使用各种开源平台 。 DL技术的缺点包括计算成本高 。 此外 ， 它们的正确调整需要高度的专业知识 ， 在监督学习的情况下 ， 需要一组手动注释的图像 ， 这有时会非常昂贵 。
相关经验推荐
- 算法|兰天马 IT哪个行业的前景比较好？
- iPad Pro|父母新机喜加一？经过一段时间上手后，为什么老妈喜欢上这款手机
- 算法|运动健身用什么蓝牙耳机合适，达人亲测的健身用蓝牙耳机
- 三星手机|卷积神经网络，是一种特定类型的ANN，通常基于具有多个算法来分析数据
- 算法|2021年度四大热门产品
- 算法|永华张彬分析：人工智能生成艺术预计将成为NFT领域的下一个趋势
- 算法|人工智能，深度学习，是不是继生化环材之后的第五天坑？
- 软件|国产APP的体积已经超越大型手游APP，里面到底加入了多少大数据算法程序？
- 算法|如何屏蔽 iPhone 日历中的骚扰信息，这个办法亲测可行
- 算法|飞利浦推出新款 Fidelio TWS 和 ANC 耳机