你好每個人。
謝謝為了調音在到我的講話。
我是大衛梅因特魯普,
教授在因戈爾施塔特大學的應用科學。
和今天，我將要演講關於A套索R流出到檢測R磁碟F演員
為了致命O結果在病危新冠肺炎患者。
超過這最後的二年，
某物開始了到日益打擾我，
和它是不是什麼你大概思考現在，的p貧血症,
或者在至少不是僅有的。
這話題是連接的到這。
這是我給予A演講在深的學習和人造的智力
在這發現首腦2019年在這精彩的城市的哥本哈根。
和自從然後，
它看起來喜歡人工智慧有變得這普遍的工具為了一切，
所以讓我給你一個例子。
在可能2021年，
這一般的導演的這世界健康組織
說這下列的：
「一的這教訓的新冠肺炎
是那這世界需要A重要的飛躍向前
在數據分析。
這需要駕馭這潛在的的先進的科技
這樣的作為人造的智力。”
所以到我，這感覺喜歡A位元,忘記關於這科學的方法
定義這目標，指定這工具，陳述這假設，等等等，
只是降低這魔法單字人造的智力
和你是在這好的邊。
所以所以，我決定到給這演講在這形式的A對話
之間一個人工智慧愛好者在這左邊邊和A統計員在這正確的邊。
和我是去到演講A位元更多的具體來說在統計楷模，
人造的智力，和受到懲罰的回歸。
和然後在這第二部分的這講話，我是實際上去到展示
案子學習關於這批判地患病的新冠肺炎患者。
所以讓我們得到開始了。
這是這第一的問題從我們的人工智慧愛好者。
在這時代的人造的智力和深的學習，
世界衛生組織需要統計回歸楷模？
這是我的短的回答那我借來的從胡安拉夫伊斯塔,
副總統在微軟。
「什麼時候我們增加錢，它是人工智慧,什麼時候我們聘請，它是機器學習，
和什麼時候我們做這工作，它是物流回歸」。
所以我愛這鳴叫因為在我的觀點在至少，
它凝結A很多的真相在A非常短的陳述。
人工智慧有變得A普遍的行銷工具。
但為了這真實的問題，我們仍然使用傳統的先進的統計方法。
A小的位元更長回答可以是這下列的。
如果我看在這典型的任務的工程師和科學家們，
他們包括創新，理解，提升，和預測。
和深的學習和人造的智力
是主要是A預言工具。
為了一切別的，
我們仍然需要先進的統計方法喜歡傳統的機器學習，
統計造型，和設計的實驗。
好的，但你有到承認
那那裡是非常成功的應用的人工智慧和深的學習。
出色地，有絕對地不懷疑關於那。
為了例子，
預測這下一個移動在A遊戲喜歡棋和去。
這深的-學習演算法做這方式更好的比任何人類存在。
或者我會喜歡到介紹我的最喜歡的人造的智力應用，
哪個是解決這蛋白質折疊式的問題。
這蛋白質折疊式的問題有著名地到過介紹1972年
經過這諾貝爾獎獎優勝者，基督教安芬森,
世界衛生組織說在他的驗收演講
那A蛋白質的氨基酸順序應該完全決定它是3D結構。
和超過這最後的50年，這問題有基本上到過未解決。
和那裡曾是非常小的進步
直到深度思維經過Google發達一個人工智慧-基於演算法被稱為阿爾法F老的
那到A非常大的程度解決了這蛋白質折疊式的問題。
和你看二例子的這在這正確的邊。
這是非常感人的和美麗的工作。
和我包括它這裡因為我通緝到闡明
那這是這完美的深的-學習人工智慧問題。
我們有A廣闊的數量的數據，
我們有A組合的霹靂的選項，
和這結果我們是看著為了是A預言，
這實際的3D結構的這蛋白質。
所以為了預測，我們應該總是使用人工智慧.
不是在全部。
為了例子，在這數據集那我將要展示
關於這批判地患病的新冠肺炎患者，
我們想這模型到預測如果這病人將要存活或者將要死。
但這純的預言不真的幫助。
如果你知道某人是去到死，什麼你想是你想到對待，
你想到防止，你想到知道這風險因素，
你想到是有能力的到行為
和不是只是簡單地預測死亡或者生存。
所以什麼我們需要是A真的可解釋的模型
那將要暗示這些事物那我們需要
喜歡治療，預防，和風險因素。
其他方式的看著在它，
讓我們有A看在典型的數據-驅動的造型策略。
什麼是非常通常完畢在深的-學習人工智慧環境
是那你拿全部可用的數據，
你丟它在這深的-學習人工智慧演算法.
和它可能預測非常出色地這結果那你是看著為了，
但你是得到A完全不可解釋的模型。
什麼是一個選擇？
一個選擇是到已經在這數據收藏過程
思考小心什麼數據做你需要和先進的統計方法。
然後申請A統計模型，
和作為A結果，你得到A完全可解釋的模型。
好的，說我們的人工智慧愛好者，
但你是遺失的一個重要的觀點這裡。
統計楷模可能是好的為了小的數據套，
但為了大的數據，他們不能是用過的，正確的？
出色地，不。
為了大的數據套，那裡是一些聰明的方法
到減少這維數
前你開始和這配件過程的這模型。
和我會喜歡到介紹，在至少不久，
三的這些聰明的方法到減少這模型維度。
數位一，冗餘分析，某物你可能有聽到關於。
如果你有A大的數據放，
這價格你支付是通常那這因素是高度相關的
和你能措施這數量的相關性之內這放的因素
經過這價值那是被稱為變異數通貨膨脹因素。
和然後你能實際上排除這因素
和這最高變異數通貨膨脹因素。
為什麼？
因為他們不添加額外的資訊
到這放的因素那你是已經看著在。
所以這是一經典的方式的減少這維數的你的數據。
如果你有絕對的數據，為了例子，
你看在一個X-射線的這肺和你能看不同的症狀。
然後你能有變數那描述，
這症狀曾是那裡，這症狀曾是那裡，
或其他症狀曾是那裡， X 1、 X 2、 X 3.
或許為了你的分析，
它是足夠的到區分一個正常的——看著肺
和A肺那有一些症狀某處。
在其他字，你轉變A排僅有的和零點到A零。
和如果有在至少一一，你改變它到A一，
和你創造A新的多變的捕捉這資訊.
或者到給你一個選擇，你可以和X 1、 X 2、和X 3、
和數數這數位的症狀那你看在一個X-射線。
這程式是被稱為得分
和是A非常高效率的方式的減少維度。
主要的成分分析有確切地這相同的精神。
它重組連續的變數。
它需要A線性組合的連續的變數
和這主意的捕捉這變化在一新已創建多變的。
我稱呼這些維數減少方法聰明的，
因為什麼時候你申請他們，
你已經學習某物關於你的數據。
和那是這所有的目的的統計數據，不是它？
學習事物從你的數據。
所以讓我總結這優點的統計楷模。
第一的，他們能是用過的為了全部種類的任務，
不是僅有的為了預測。
第二，這模型本身是有用和完全可解釋的。
和第三，
你能開始在A大的數據集和聰明的維數減少
前你實際上合身這模型。
我是仍然不是確信。
能你給我一個例子的A統計模型
那你應用到A大的數據集？
好的，所以讓我們介紹物流套索回歸。
套索是一個縮寫
為了至少絕對收縮和選擇操作員，
和為什麼它是被稱為喜歡那，我將要解釋在A很少時刻。
讓我們介紹這套索回歸在四腳步。
步數位一是到提醒我們自己的這物流回歸模型。
在A物流回歸模型，我們有A絕對的，
在這最簡單的案件，二-等級因素...
抱歉，一個絕對的回覆和二水平，
和我們有A目標到模型這發生可能性的這事件。
這是通常完畢和這S-成形功能
那對應到這可能性的這事件實際上發生。
這功能性的學期是給定這裡到這左邊，
但這好的訊息是那
和一個簡單的轉型那是被稱為對數轉型，
你能轉動這原來的價值觀進入紀錄它的價值，
和然後這結果是A簡單的線性回歸
在這對數值。
所以這底部線是物流回歸，
是簡單地線性回歸在對數價值觀。
步數位二。
這是A經典的情況的A二-因素線性回歸模型。
和如何做我們合身這到A數據雲？
出色地，我們做這和這幫助的A損失功能。
為了例子，我們拿這和的平方錯誤，
和然後我們看為了這最低限度的這功能。
這是這非常著名的和標準普通的方塊估計器
那是這結果的最小化具體來說這損失功能
給定經過這和的平方錯誤。
第三，某物那是或許較少的已知，
我會喜歡到介紹概念F羅曼數學
這規範的A向量那是實際上只是A表示
的這概念的這距離的A長度的A向量。
讓我們看在三例子。
這第一的一那你看這裡在這中間
是這經典的距離那你全部知道和使用。
這是這歐幾裡得距離。
它是計算出的經過採取這方塊的這座標
和然後採取這方塊根。
這單元圓圈作為你知道代表全部點
那有A距離一，從這中心。
這是這經典的歐幾裡得規範。
我們能簡化這計算經過簡單地採取這和的絕對價值觀。
所以反而的採取A方塊和採取A方塊根，
我們簡單地和這絕對價值觀。
這是被稱為這L_1規範。
和什麼你看這裡，這鑽石是這表示
的這單元圓圈的這L_1規範。
在其他字，全部這點這裡在這鑽石有距離一,
如果你措施距離和這L _1規範。
最後，這所以-被稱為最大限度規範在哪裡你繼續到簡化。
你只是拿這更大價值的這二絕對價值觀， x1和x2 。
如果你思考關於什麼這單元圓圈是在這案件，
它將要實際上轉動進入A正方形。
這方塊是這單元圓圈為了這最大限度價值。
所以在概括，我們能措施距離在不同的方法在數學，
和什麼你看這裡，這鑽石，這實際的圓圈或者方塊
是單元界。
所以點和距離一，只是測量的和三不同的規範，
三距離，
三不同的觀念的什麼A長度是。
最後，讓我們結合一切我們已經完畢所以遠的。
所以我們開始和這物流回歸模型。
我們添加這損失功能。
和現在，反而的採取這普通的平方損失功能，
我們添加額外的學期。
和這學期包括基本上的這L_1規範的這範圍。
你看那我們添加這絕對價值觀，測試版_1和測試版_2？
所以這是這L_1規範的這參數
那我們添加到這損失功能。
的課程，這是只是一選擇。
你可以也方塊這些。
然後，你會得到什麼是被稱為A嶺回歸
如果你拿這方塊的這參數。
這第一的一這裡，
這頂部一那我們是去到繼續到使用
是被稱為這套索或者L_1回歸
因為這學期這裡是簡單地這L_1範數的這貝塔，
的這範圍向量。
現在，全面的，什麼這方法是那你懲治這損失功能
為了選擇大的貝塔價值觀。
和這是為什麼這懲罰那你介紹
線索到這學期受到懲罰的損失功能。
所以如果你有A懲罰，處罰為了大的貝塔向量，
然後反而的正在做普通的至少正方形，
你做A受到懲罰的回歸。
現在，讓我們看A小的位元更近到這影響那懲罰性的有。
所以這是一次再次這受到懲罰的損失功能
和這額外的學期這裡。
現在，這圖形那你看這裡
是獨立的的這所以-被稱為調音範圍，拉姆達。
這更大拉姆達是，這更多的重量這學期有，
和這更多的它將要力量這貝塔值到是小的。
這是為什麼你看那這參數收縮。
和這是為什麼這所有的程式是被稱為絕對收縮。
第二，在這圖形，你能考慮這區域這裡，
這鑽石作為這預算那你有
為了這和的這絕對價值觀的貝塔。
和在這些橢圓形，這剩餘的和的方塊是持續的。
所以你是看著為了這最小的剩餘的和的方塊
之內這預算。
這在這案件畫這裡線索到這觀點這裡。
和到期的到這形狀的這鑽石，
這些二將要通常連接在A角落的這鑽石。
和什麼這方法是那這相應的範圍
是放恰恰到零。
和這是為什麼這方法是也好的為了選擇
因為環境這範圍零方法沒有什麼別的
比踢它出去的這模型。
所以這是在概括為什麼我們稱呼這L _1回歸套索。
它有A收縮元素和A選擇元素
到期的到這些二描述特徵。
一最後的實際的方面的套索回歸
是關於這調音範圍，這拉姆達這裡。
如何做你選擇它？
出色地，一非常常見的方法是這下列的：
你使用A驗證方法
喜歡為了例子，赤池資訊標準，
和你陰謀這依賴性的這航空工業協會的拉姆達。
和然後你能挑選A拉姆達價值
那給出你A最小的AIC。
在這左邊邊，你看如何這參數收縮
和你能看這藍色的線那對應到這參數
那是實際上非零
儘管這其他那些是已經被迫到是零。
我是仍然不是確信。
能你展示我A具體的案件學習？
的課程。
所以數據那我是去到展示這裡
包括的第739章病危重症監護室患者和新冠肺炎
那曾是集在這開始的這大流行
之間行進和十月2020.
我們有一二進位回覆
那包括的這等級恢復了並且死了，
和我們有43因素：
實驗室價值觀，命脈，預現存的狀況，等等。
這是這數據那我們是去到分析現在。
所以這裡，你看這數據集。
它有44列，作為你能看向下這裡。
和第739章患者。
現在，讓我們開始熟悉A小的位元這裡和這數據。
我們有這最後的已知的地位，恢復了並且死了，
年齡、性別、和體重指數。
和然後我們有額外的基線價值觀，
合併症，生命體徵，l ab價值觀，症狀，和CT結果。
讓我們看在一些分佈。
所以這是這分配的這最後的已知的地位。
所以你能看那很遺憾46%的這些患者死了。
我們看這裡這傾斜的年齡分配和一個強調這裡多於60.
和你能看那大致70%的這患者是男性。
有A看在這額外的基線價值觀。
你能看這裡這身體大量的指數，
和你將要注意那我們有A趨勢的高身體大量的指數
多於25.
我們有相當A很多的高手和在抑制劑,
和也的他汀類藥物，所以治療為了膽固醇
和為了血壓力和一些免疫抑制。
下一個，合併症。
你看那幾乎三分之二是高血壓,
和我們有相當A重要的數量的心血管疾病,
的肺部的疾病,
和關於30%的我們的患者有糖尿病。
現在，為了這其餘的四團體，生命體徵，l ab價值觀，症狀，和電腦斷層掃描，
我是去到展示你一代表從每個
所以那你能得到A感覺的如何這些價值觀是分散式。
這是這呼吸系統速度。
這些是這數位的淋巴細胞。
所以這是A必不可少的範圍， A實驗室範圍。
這裡，你有A症狀，劇烈肝失敗
那能發生在這重症監護病房。
和這是A CT結果，
地區的合併那能是見過在這CT的這肺.
好的，所以現在我們是準備好
和我們是實際上去到分析這模型。
所以我去到分析一下，F它M奧德爾。
我拿這最後的已知的地位。
那是為什麼我丟在一切別的作為因素
和我去到一般的回歸
哪個是去到執行這套索回歸。
你能看這裡那這套索估計方法
是已經預選的。
所以如果我點選在去，這程式是已經完成的。
它是非常快速地，和這是這結果。
這是這螢幕截圖那你鋸已經在這滑動。
現在，我是不是去到工作和這模型為了這下列的原因。
如果我去這裡向上到這C型比較部分，
我看那我有30參數在這模型。
所以這模型是仍然非常大的。
如果我去後退向下這裡，
我能看那我的航空工業協會不改變A很多如果我放它更遠到這左邊。
反而的正在做這手動，什麼我是去到做
是我是去到改變這設定的聯合管理計劃
所以那它不拿這最好的-合身，這最小的工商局,
但反而這最小的之內這黃色的區。
所以這是某物我能做這裡在這模型發射。
所以我拿這高階C語言控制
和我改變最好的合身至 S馬萊斯特在 Y黃色Z一。
我點選在去。
和現在，實際上我有A非常好的模型和16參數。
現在，這是這模型我是去到使用。
和到是有能力的到展示你什麼因素是在這模型，
我是只是去到選擇他們，選擇非零條款。
現在，我有這些16選定的，
和我能放他們在A物流回歸
和啟用這賠率比率。
所以在這頂部，我們看這16效果在我們的模型。
和以下，我們能看這賠率比率。
所以為了例子，這賠率比率的年齡是1.07。
如果你拿這到這力量10、它將要給你大致A價值的二，
哪個方法那和10年更多的，
大致，大約你的賠率比率雙打。
你的機會的垂死是兩次作為高的作為前。
和然後以下這裡，
我們有這賠率比率為了這教學的變數。
所以為了例子，
冠狀動脈心血管疾病有一個奇怪的比率的1.62。
現在，我會喜歡到觀點出去一些的這些結果。
所以讓我們第一的看在因素
那是出色地-已知的從這一般的人口。
所以這裡，你看這依賴性的這最後的已知的地位相對年齡。
和你能看如何這增加年齡
增加你的機會的垂死非常顯著地。
作為我說前，這賠率比率的10年是大致雙倍的。
在這左邊邊，
你看肺部的疾病和心血管疾病
那兩個都也有A重要的影響在這風險的垂死從嚴重特殊傳染性肺炎- 19.
和這些因素是也有效的在這一般的人口。
現在，更多的有趣的是，
我們尋找這些三因素不是到是在我們的模型。
所以性別，體重指數，和高血壓是不是部分的我們的模型。
所以如何是那可能的？
出色地，它是批判的到記住
那我們的人口包括的重症監護室患者。
他們是已經批判地患病的。
所以我們有72%的男性患者，
我們有幾乎80%那有A體重指數超過26、
和三分之二是高血壓。
所以這些因素將要實際上高度增加你的風險
的批評的原因的這嚴重特殊傳染性肺炎- 19疾病.
但一次你是批判地患病的，在那觀點，他們不事不再了。
所以那曾是A非常重要的結果為了我們。
哪個因素攜帶超過從這一般的人口
和哪個因素消失在他們的重要性
一次你是已經病危？
最後，我會喜歡到觀點出去一更多的方面哪個是他汀類藥物。
他汀類藥物是完全微不足道。
你看這磷價值這裡的25%一次你看起來在他們單變數。
但在我們的多階乘模型，他們是高度重要的。
和作為你能看這裡，這賠率比率是以下一，
減少這風險的死亡。
所以這是A非常重要的課。
有時，人們選擇風險因素第一的在大的數據集
經過看著在他們單變數。
和如果你做過那，你會和保證
有錯過了他汀類藥物，
因為單變數，它是完全地無關緊要。
但在我們的多因素的模型，
我們可以展示那他汀類藥物有A保護的影響
反對垂死從新冠肺炎一次你是批判地患病的。
這發現有到過之後確認的經過其他的。
和只是作為一個例子，
我包括A元-分析從九月21
那的確證實那他汀類藥物減少這死亡的患者
在A非常大的元-分析和幾乎150,000患者。
如果你是有興趣的在更多的細節，
我們發表我們的工作在這雜誌的臨床藥物.
我會喜歡到拿這機會到感謝我的共同作者，
在特別的，斯特凡博格曼和瑪蒂娜諾瓦克-梅欽
從這診所在因戈爾施塔特。
和我會也喜歡到感謝你非常很多為了你的注意力，
和我是看著向前到你的問題。
感謝你非常很多。
