こんにちはみんな。
ありがとう為にチューニングのに私の話。
私はデビッドマイントルプ、
教授でインゴルシュタット大学の適用科学。
と今日、私意思話約あなげなわ R退出にRを検出リスクF俳優
為に致命的な O結果の重症COVID-19（新型コロナウイルス感染症）忍耐。
以上の過去2年、
なにか始めましたにますますわざわざ自分、
とそれはいいえ何あなたおそらく考える今、 pアンデミック、
またで少しでもいいえそれだけ。
のトピックは接続済みにこれ。
これは自分与えるa話の上深い学ぶと人口的知能
での発見サミット2019年のの素晴らしい街のコペンハーゲン。
と以来それから、
それ見えるお気に入りAIもっているなるのユニバーサル道具為にすべての、
それでさせて自分与えるあなたを例。
の5月2021年、
の全般的監督のの世界健康組織
言ったの続く：
"1ののレッスンのCOVID-19（新型コロナウイルス感染症）
はそれの世界ニーズa重要跳躍前方
のデータ分析。
これ必要利用するの潜在的なの高度テクノロジー
そのようななので人口的知能。"
そうに自分、これ感じるお気に入りa少し、忘れる約の科学的方法
定義のゴール、指定するのツール、述べるの仮説、らセテラ、
ただ落とすのマジック語人口的知能
とあなたそれはの上の良い側。
そうしたがって、私決めたに与えるこれ話のの形のaダイアログ
の間にをAI愛好家の上の左側とa統計学者の上の右側。
と私は行きますに話a少しもっと具体的にはの上統計モデル、
人口的知能、と罰せられる回帰。
とそれからのの2番目部のの話、私は実際に行きますに現在
ケース勉強約の批判的に病気COVID-19（新型コロナウイルス感染症）忍耐。
そうしましょう得る始めました。
こちらですの最初質問から私たちのAI愛好家。
のの時代の人口的知能と深い学ぶ、
誰ニーズ統計回帰モデル？
こちらです私の短い答えそれ私借りましたからファンラヴイスタ、
バイス大統領でマイクロソフト。
"いつ私たち高めるお金、これは人工知能、いつ私たち雇用、これは機械学ぶ、
といつ私たち行うの仕事、これは物流回帰。」
そう私愛これつぶやきなぜならの私の意見で少しでも、
それ凝縮するa多くの真実のaとても短い声明。
AIもっているなるaユニバーサルマーケティング道具。
しかし為にの本物問題、私たちまだ使用する伝統的高度統計メソッド。
あ少し少しより長いです答えできるなれの続く。
もしも私見るでの典型的仕事のエンジニアと科学者、
彼ら含む革新し、理解する、向上、と予測する。
と深い学ぶと人口的知能
は主にa予測道具。
為にすべてのそうしないと、
私たちまだ必要高度統計メソッドお気に入り伝統的機械学ぶ、
統計モデリング、とデザインの実験。
わかった、しかしあなた持ってるに認める
それそこのそれはとても成功アプリケーションのAIと深い学ぶ。
良い、あります絶対番号疑問に思う約それ。
為に例、
予測するの次動くのaゲームお気に入りチェスと行け。
の深い-学ぶアルゴリズム行うこれ仕方より良いよりもどれか人間であること。
または私だろうお気に入りに導入私のお気に入り人口的知能応用、
どれのは解決するのタンパク質折りたたみ問題。
のタンパク質折りたたみ問題もっている有名にその間紹介された1972年
にのノーベル賞勝者、キリスト教徒アンフィンセン、
誰言ったの彼の受け入れスピーチ
それaタンパク質のアミノ酸順序したほうがいい完全に決定これは3D構造。
と以上の過去50年、これ問題もっている基本的その間未解決。
とそこのだったとても少し進捗
それまでディープマインドにグーグル発展したをAI-ベースアルゴリズムと呼ばれるアルファF年
それにaとても大きい範囲解決したのタンパク質折りたたみ問題。
とあなた見る2例のこれの上の右側。
これはとても印象的と美しい仕事。
と私含まれているそれここなぜなら私欲しかったに明らかにする
それこれはの完全深い-学ぶAI問題。
私達持ってるa広大額のデータ、
私たち持ってるaコンビナトリアル爆発のオプション、
との結果私たちそれは見ている為にはa予測、
の実際3D構造ののタンパク質。
そう為に予測、私たちしたほうがいいいつも使用するAI。
いいえで全て。
為に例、ののデータセットそれ私意思現在
約の批判的に病気COVID-19（新型コロナウイルス感染症）忍耐、
私たち欲しいですのモデルに予測するもしもの忍耐強い意思生き残りますまた意思死ぬ。
しかしのピュア予測しません本当ヘルプ。
もしもあなた知る誰かは行きますに死ぬ、何あなた欲しいですはあなた欲しいですに扱う、
あなた欲しいですに防ぐ、あなた欲しいですに知るの危険要因、
あなた欲しいですになれできるに行為
といいえただ単に予測する死また生存。
そう何私たち必要はa本当解釈可能なモデル
それ意思ヒントこれらはものそれ私たち必要
お気に入り処理、防止、と危険要因。
別仕方の見ているでそれ、
しましょう持ってるa見るで典型的データ-駆動モデリング戦略。
何はとても通常終わりの深い-学ぶAI環境
はそれあなた取った全て利用可能データ、
あなた投げるそれのの深い-学ぶAIアルゴリズム。
とそれそうかもしれない予測するとても良いの結果それあなたは見ている為に、
しかしあなたは取得a完全に解釈不能モデル。
なにを別？
アン別はにすでにののデータコレクション処理する
考える気をつけて何データ行うあなた必要と高度統計メソッド。
それで申し込みa統計モデル、
となのでa結果、あなた得るa完全に解釈可能なモデル。
わかった、言う私たちのAI愛好家、
しかしあなたそれはないを重要点ここ。
統計モデルそうかもしれないなれ良い為に小さなデータセット、
しかし為に大きいデータ、彼らできないなれ使用済み、右？
良い、番号。
為に大きいデータセット、そこのそれはいくつかの知的方法
に減らすの次元
前あなた始めるとのフィッティング処理するののモデル。
と私だろうお気に入りに導入、で少しでもまもなく、
三のこれらは知的方法に減らすのモデル次元。
番号1、冗長性分析、なにかあなたそうかもしれない持ってる聞いた約。
もしもあなた持ってるa大きいデータ設定、
の価格あなた支払いは通常それの要因それは非常に相関した
とあなたできる測定の額の相関内部の設定の要因
にの価値それはと呼ばれる分散インフレーション要素。
とそれからあなたできる実際に排除の要因
との最高分散インフレーション要因。
なんで？
なぜなら彼らしないでください追加追加情報
にの設定の要因それあなたそれはすでに見ているで。
そうこれは1クラシック仕方の減らすの次元の君のデータ。
もしもあなた持ってるカテゴリカルデータ、為に例、
あなた見るでをバツ-レイのの肺とあなたできる見る違う症状。
それであなたできる持ってる変数それ説明、
これ症状だったそこの、これ症状だったそこの、
または別の症状だったそこの、バツ1、バツ2、バツ3.
多分為に君の分析、
これは足りるに区別通常の-見ている肺
とa肺それもっているいくつか症状どこか。
の他の言葉、あなた変換a行それだけとゼロにaゼロ。
ともしもありますで少しでも1 1、あなた変化するそれにa 1、
とあなた作成a新着変数キャッチこれ情報。
またはに与えるあなたを別、あなたできる和バツ1、バツ2、とバツ3、
とカウントの番号の症状それあなた見るの上をバツ-レイ。
これ手順はと呼ばれる得点
とはaとても効率的仕方の減らす次元。
主要成分分析もっているまさにの同じ精神。
これ再結合する連続変数。
これかかりますa線形組み合わせの連続変数
との考えのキャッチの変化の1新たに作成した変数。
私電話これらは次元割引メソッド知的、
なぜならいつあなた申し込み彼ら、
あなたすでに学びなにか約君のデータ。
とそれはの全体目的の統計学、ではないそれ？
学ぶものから君のデータ。
そうさせて自分要約するの利点の統計モデル。
初め、彼らできるなれ使用済み為に全て種類のタスク、
いいえそれだけ為に予測。
2番、のモデル自体は使えると完全に解釈可能。
と三番、
あなたできる始めるのa大きいデータセットと知的次元割引
前あなた実際にフィットのモデル。
私はまだいいえ確信している。
できるあなた与える自分を例のa統計モデル
それあなた適用にa大きいデータセット？
わかった、それでしましょう導入物流なげなわ回帰。
なげなわはを略語
為に少しでも絶対の収縮と選択オペレーター、
とどうしてそれはと呼ばれるお気に入りそれ、私意思説明のa少し瞬間。
しましょう導入これなげなわ回帰の四ステップ。
ステップ番号1はに思い出させる私たち自身のの物流回帰モデル。
のa物流回帰モデル、私たち持ってるaカテゴリー、
のの最も簡単場合、 2-レベル要素...
すみません、カテゴリカル応答と2レベル、
と私たち持ってるaゴールにモデルの発生確率ののイベント。
これは通常終わりとこれS-形をした関数
それ対応にの確率ののイベント実際に発生しています。
の機能的学期は与えられたここにの左、
しかしの良いニュースはそれ
とを簡単変身それはと呼ばれるロジット変身、
あなたできる順番のオリジナル値の中へログそれは価値がある、
とそれからの結果はa単純線形回帰
の上のロジット値。
そうの下ラインは物流回帰、
は単に線形回帰の上ロジット値。
ステップ番号2。
これはaクラシック状況のa 2-要素線形回帰モデル。
とどうやって行う私たちフィットこれにaデータクラウド？
良い、私たち行うこれとのヘルプのa損失関数。
為に例、私たち取ったの和の四角いエラー、
とそれから私たち見る為にの最小のこれ関数。
これはのとても有名と標準普通四角推定器
それはの結果の最小化具体的にはこれ損失関数
与えられたにの和の四角いエラー。
第三に、なにかそれは多分以下知られている、
私だろうお気に入りに導入概念へロム数学
のノルムのaベクターそれは実際にただa表現
のの概念のの距離のa長さのaベクター。
しましょう見るで三例。
の最初1それあなた見るここのの真ん中
はのクラシック距離それあなた全て知ると使用する。
これはのユークリッド距離。
これは計算されたに取るの正方形のの座標
とそれから取るの四角根。
の単位サークルなのであなた知る表す全てポイント
それ持ってるa距離1、からの中心。
これはのクラシックユークリッド標準。
私達できる簡素化するこれ計算に単に取るの和の絶対の値。
そう代わりはの取るa四角と取るa四角根、
私たち単に和の絶対の値。
これはと呼ばれるのL_1標準。
と何あなた見るここ、これダイヤモンドはの表現
のの単位サークルのこれL_1標準。
の他の言葉、全てのポイントここの上これダイヤモンド持ってる距離1 、
もしもあなた測定距離とのL _1標準。
ついに、のそれで-と呼ばれる最大ノルムどこあなた継続するに簡素化する。
君はただ取ったの大きい価値のの2絶対の値、 x1とx2 .
もしもあなた考える約何の単位サークルはのこれ場合、
それ意思実際に順番の中へa四角。
これ四角はの単位サークル為にの最大価値。
そうのまとめ、私たちできる測定距離の違う方法の数学、
と何あなた見るここ、のダイヤモンド、の実際サークルまた四角
それは単位円。
そうポイントと距離1、ただ測定したと三違う規範、
三距離、
三違う概念の何a長さは。
ついに、しましょう混ぜるすべての私たちは終わりそれで遠い。
そう私たち始めるとの物流回帰モデル。
私達追加の損失関数。
と今、代わりはの取るの普通二乗損失関数、
私たち追加追加の学期。
とこれ学期成っている基本的ののL_1ノルムののパラメータ。
君は見るそれ私たち追加の絶対の値、ベータ_1とベータ_2?
そうこれはのL_1ノルムののパラメーター
それ私たち追加にの損失関数。
のコース、これはただ1選択。
君はできるまた四角これらは。
それで、あなただろう得る何はと呼ばれるa海嶺回帰
もしもあなた取ったの四角ののパラメーター。
これ最初1ここ、
の上1それ私たちそれは行きますに継続するに使用する
はと呼ばれるのなげなわまたL_1回帰
なぜならこれ学期ここは単にのL_1 ノルムののベータ、
ののパラメータベクター。
今、全体、何これ意味はそれあなた罰するの損失関数
為に選ぶ大きいベータ値。
とこれはどうしてこれペナルティそれあなた導入
リードにの学期罰せられる損失機能。
そうもしもあなた持ってるa罰、ペナルティ為に大きいベータベクトル、
それから代わりはのやっている普通少しでも正方形、
あなた行うa罰せられる回帰。
今、しましょう見るa少し少しクローザーにの効果それ罰するもっている。
そうこれは一度またの罰せられる損失関数
とこれ追加学期ここ。
今、のグラフそれあなた見るここ
は独立ののそれで-と呼ばれるチューニングパラメータ、ラムダ。
の大きいラムダは、のもっと重さこれ学期もっている、
とのもっとそれ意思力のベータ値になれ小さな。
これはどうしてあなた見るそれのパラメーター縮む。
とこれはどうしてこれ全体手順はと呼ばれる絶対の収縮。
第二に、のこれグラフ、あなたできる検討これ範囲ここ、
これダイヤモンドなのでのバジェットそれあなた持ってる
為にの和のの絶対の値のベータ。
との上これらは楕円、の残差和の四角は絶え間ない。
そうあなたは見ている為にの最小残差和の四角
内部のバジェット。
これのの場合描かれたここリードにこれ点ここ。
と期限にの形のこれダイヤモンド、
これらは2意思通常接続のaコーナーののダイヤモンド。
と何これ意味はそれの対応パラメータ
は設定正確ににゼロ。
とこれはどうしてこれ方法はまた良い為に選択
なぜなら設定これパラメータゼロ意味なしそうしないと
蹴るよりそれアウトののモデル。
そうこれはのまとめどうして私たち電話のL _1回帰なげなわ。
これもっているa収縮エレメントとa選択エレメント
期限にこれらは2説明された特徴。
1過去実用的側面のなげなわ回帰
は約のチューニングパラメータ、これラムダここ。
どのように行うあなた選ぶそれ？
良い、 1とても一般アプローチはの続く：
あなた使用するa検証方法
お気に入り為に例、赤池情報基準、
とあなたプロットの依存ののAICのラムダ。
とそれからあなたできる選ぶaラムダ価値
それ与えるあなたa最小限のAIC。
の上の左側、あなた見るどうやってのパラメーター縮む
とあなたできる見るの青い行それ一致するにのパラメーター
それそれは実際に非ゼロ
その間の他のものそれはすでに強制になれゼロ。
私はまだいいえ確信している。
できるあなた見せる自分aコンクリート場合勉強？
のコース。
だから、データそれ私は行きますに現在ここ
成っているの739重病ICU忍耐とCOVID-19（新型コロナウイルス感染症）
それだった集めましたのの始まりののパンデミック
の間に行進と10月2020年。
私達持ってる1バイナリ応答
それ成っているののレベル回復したそして死んで、
と私たち持ってる43要因:
ラボ値、バイタル、プレ既存 条件、など。
これはのデータそれ私たちそれは行きますに分析する今。
そうここ、あなた見るのデータセット。
これもっている44列、なのであなたできる見る下ここ。
と739忍耐。
今、しましょう始める慣れ親しむa少し少しこことのデータ。
私達持ってるこれ過去知られている状態、回復したそして死んで、
年齢、性別、とBMI。
とそれから私たち持ってる追加ベースライン値、
合併症、バイタル、l ab値、症状、とCT結果。
しましょう見るでいくつかディストリビューション。
そうこれはの分布のの過去知られている状態。
そうあなたできる見るそれ不幸にも46パーセントのこれらは忍耐死亡しました。
私達見るここの歪んだ年分布とを強調ここその上60。
とあなたできる見るそれだいたい70パーセントのの忍耐それは男性。
もつa見るでの追加ベースライン値。
君はできる見るここの体質量索引、
とあなた意思知らせそれ私たち持ってるa傾向の高体質量索引
その上25.
私達持ってるとてもa多くのエースとで阻害剤、
とまたのスタチン、それで治療為にコレステロール
と為に血液プレッシャーといくつか免疫抑制。
次、合併症。
君は見るそれほとんど3分の2それは高血圧、
と私たち持ってるとてもa重要額の心臓血管疾患、
の肺疾患、
と約30パーセントの私たちの忍耐持ってる糖尿病。
今、為にの残り四グループ、バイタル、l ab値、症状、とCT、
私は行きますに見せるあなた1代表から各
それでそれあなたできる得るaフィーリングのどうやってこれらは値それは配布されます。
これはの呼吸器レート。
これらはそれはの番号のリンパ球。
そうこれはa重要パラメータ、 aラボパラメータ。
ここ、あなた持ってるa症状、ひどい肝臓失敗
それできる発生するの上のICU。
とこれはa CT結果、
エリアの連結それできるなれ見たの上のCTのの肺。
わかった、それで今私たちそれは準備
と私たちそれは実際に行きますに分析するのモデル。
そう私行くに分析、FそれMオデル。
私取ったの過去知られている状態。
それはどうして私投げるのすべてのそうしないとなので要素
と私行くに全般的回帰
どれのは行きますに実行のなげなわ回帰。
君はできる見るここそれのなげなわ推定方法
はすでにあらかじめ選択されています。
そうもしも私クリックの上行け、の手順はすでに終了した。
これはとても速い、とこれはの結果。
これはのスクリーンショットそれあなた鋸すでにの上の滑り台。
今、私はいいえ行きますに仕事とこれモデル為にの続く理由。
もしも私行くここ上にのモデル C比較セクション、
私見るそれ私持ってる30パラメーターのこれモデル。
そうこれモデルはまだとても大きい。
もしも私行く戻る下ここ、
私できる見るそれ私のAICしません変化するa多くもしも私置くそれさらに遠くにの左。
その代わりのやっているこれ手動で、何私は行きますに行う
は私は行きますに変化するの設定のJMP
それでそれそれしません取ったの一番-フィット、の最小限のAIC、
しかし代わりはの最小内部の黄色ゾーン。
そうこれはなにか私できる行うここののモデル発売。
そう私取ったの上級C制御
と私変化する一番フィットSへ最も小さいYでイエローZ 1。
私クリックの上行け。
と今、実際に私持ってるaとても良いモデルと16パラメーター。
今、これはのモデル私は行きますに使用する。
とになれできるに見せるあなた何要因それはのこれモデル、
私はただ行きますに選択する彼ら、選択する非ゼロ条項。
今、私持ってるこれらは16選択された、
と私できる置く彼らのa物流回帰
と活性化のオッズ比率。
そうの上の上、私たち見るの16効果の私たちのモデル。
と下、私たちできる見るのオッズ比率。
そう為に例、のオッズ比の年は1.07。
もしもあなた取ったこれにのパワー10、それ意思与えるあなただいたいa価値の2、
どれの意味それと10年もっと、
だいたい、約君のオッズ比ダブルス。
君の機会の死んでいるは二回なので高いなので前。
とそれから下ここ、
私たち持ってるのオッズ比率為にの教育的な変数。
そう為に例、
冠状心臓血管疾患もっているを奇数比の1.62。
今、私だろうお気に入りに点アウトいくつかのこれらは結果。
そうしましょう最初見るで要因
それそれは良い-知られているからの全般的人口。
そうここ、あなた見るの依存のの過去知られている状態対年。
とあなたできる見るどうやってこれ増加している年
増加君の機会の死んでいるとても大幅。
として私言った前、のオッズ比の10年はだいたいダブル。
の上の左側、
あなた見る肺疾患と心臓血管疾患
それ両方また持ってるa重要効果の上の危険の死んでいるからCOVID- 19.
とこれらは要因はまた有効のの全般的人口。
今、もっと興味深いことに、
私たち探すこれらは三要因いいえになれの私たちのモデル。
そう性別、 BMI、と高血圧それはいいえ部の私たちのモデル。
そうどうやってはそれ可能？
良い、これは致命的に覚えて
それ私たちの人口成っているのICU忍耐。
彼らそれはすでに批判的に病気。
そう私たち持ってる72パーセントの男忍耐、
私たち持ってるほとんど80パーセントそれ持ってるa BMI以上26,
と3分の2それは高血圧。
そうこれらは要因意思実際に非常に増加君の危険
のクリティカル原因ののCOVID- 19疾患。
しかし一度あなたそれは批判的に病気、でそれ点、彼らしないでください案件もう。
そうそれだったaとても重要結果為に我ら。
どれの要因運ぶ以上からの全般的人口
とどれの要因消えるの彼らの重要性
一度あなたそれはすでに危篤？
ついに、私だろうお気に入りに点アウト1もっと側面どれのはスタチン。
スタチンそうだった全体的に取るに足らない。
君は見るのP価値ここの25パーセント一度あなた見えたで彼ら一変的に。
しかしの私たちのマルチ階乗モデル、彼らそうだった非常に重要。
となのであなたできる見るここ、のオッズ比は下1、
減らすの危険の死亡。
そうこれはaとても重要レッスン。
時々、人選ぶ危険要因最初の大きいデータセット
に見ているで彼ら一変的に。
ともしもあなたやりましたそれ、あなただろうと保証
持ってる逃したスタチン、
なぜなら一変的に、これは完全に無関係。
しかしの私たちの多元的なモデル、
私たちできる見せるそれスタチン持ってるa保護効果
に対して死んでいるからCOVID-19（新型コロナウイルス感染症）一度あなたそれは批判的に病気。
これ発見もっているその間後で確認済みにその他。
とただなのでを例、
私含まれているaメタ分析から9月21
それ確かに確認するそれスタチン減らすの死亡の忍耐
のaとても大きいメタ分析とほとんど150,000忍耐。
もしもあなたは興味があるのもっと詳細、
私たち公開された私たちの仕事ののジャーナルの臨床薬。
私だろうお気に入りに取ったの機会に感謝私の共著者、
の特に、ステファンボルグマンとマルティナノワク～マッヘン
からの診療所のインゴルシュタット。
と私だろうまたお気に入りに感謝あなたとても多くの為に君の注意、
と私は見ている前方に君の質問。
感謝あなたとても多くの。
