什麼是模型？ 人工智慧建模和人腦分析建模的異同點 - towardsdatascience

維特根斯坦哲學
哲學家路德維希·維特根斯坦（Ludwig Wittgenstein）提出的《邏輯哲學論》（Tractatus Logico-Philosophicus）通常被認為是20世紀最重要的作品之一，該論文將邏輯，科學和哲學結合在一起，這是一部精美的作品，它列出了七個總體命題，這些命題基本上說明：

世界是有各種事情狀態或事實組成的，我們以邏輯命題的形式開發這些事實的表述，儘管從來不能真正顯式總結事實和事實的代表有什麼共同點，我們只能展示他們有什麼共同點：
例如，當我們需要同時正確地識別孩子臉和母親的臉時，我們究竟看到了什麼“共同點”？我們看到了家庭的相似之處，但是這些共同點我們無法準確說出，僅此而已。我們看到了我們無法說的東西，儘管我們知道那是真的，並試圖闡明共同性卻慘遭失敗。
即使我們試圖將這種活動落實到神經狀態：使用基於神經元的面部識別和特徵觸發。我們實際上也沒有使用真正行為還原論的方法：我們只是做。


這種形而上的區別遍及所有的人類活動，它是真理，根據維特根斯坦，我們的道德和宗教上的真理肯定遠離科學主義事實 原文。

 
（banq注：兩個臉很像這個事實雖然能夠說出，但是還是需要每個聽到這個提示的人自己去判斷，你無法將兩個臉很像的事實用書面語言或教程或考試來傳授給別人，如果一個臉盲症學習你這套知識體系就能區別兩個臉了，說明你真的可以還原事實，實際這是不可能的。）
 

人工智慧建模和人腦分析建模異同
回到模型（和重點）：模型就是這樣的表示！當使用scikit-learn線性迴歸模型做簡單的事情時，我們使用計算機的計算能力來模擬和編碼人腦驅動的同構isomorphism（兩個相同結構之間的結構對映)識別過程。
迴歸模型的係數是對某些特徵對某個目標變數相關意圖的影響的信念表達，通常是預測。

但是，關於這些模型的一個奇妙的認識是，儘管感覺Python模型只是一個1和0的序列，可以巧妙地捕獲梯度下降驅動的損失函式最小化，但是模型的構建過程與人類的預測和預測活動平行。 這說明：人腦，無論是進行數字化的心理估計，還是試圖表達對某種物理事件的記憶，或者試圖在幾秒鐘內識別一個老朋友的臉，都在其心理表徵中挑選出現的同構特徵。

人腦建模和Python電腦建模主要區別在於：Python模型缺乏感知力：它們仍然是需要人工理解才能有效操作的工具，並且我認為，這就是資料科學家的工作，不在於Python的模型構建或AWS的大規模分散式計算，而在於產生洞察力，視覺化以及擴充套件對領域的頂級理解的根本原因。

有趣的是，這也是資料科學如此廣泛的原因：模型構建的範圍是如此之大，因為要模擬人工任務。用於自然語言處理的詞嵌入，用於影像識別的卷積模型或用於數字預測的迴歸模型是世界子域的模型，在人類的大多數歷史中，這些子域都是人為產生的。

最終的資料科學模型類似於世界本身，我們建立模型是以可行的方式簡化世界，我相信任何資料科學家都將從這個角度受益。