下面内容摘录自《用R探索医药数据科学》专栏文章的部分内容。栏目后续章节的文章将深入概括R语言在临床研究和新药创新领域的应用，填补了国内R教材中尚未广泛覆盖的部分内容。​​​​​​​1章2节：关于人工智能、机器学习、统计学 与 ChatGPT 的探究 (更新20240814)-CSDN博客文章浏览阅读1.1k次。在现代科技发展的浪潮中，人工智能（AI）、机器学习（ML）、统计学、R 编程语言以及大型语言模型（如 ChatGPT）已经成为推动创新和解决复杂问题的关键力量。这些技术之间不仅存在密切的联系和相互的作用，而且还存在一定的区别，本文一一探索。https://blog.csdn.net/2301_79425796/article/details/140560500?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22140560500%22%2C%22source%22%3A%222301_79425796%22%7D

欢迎订阅我们专栏

.......前面部分请点击上面链接看原文（原文5773字）

 一、人工智能

在过去的 60 年间，数据、事实以及信息呈现出爆发式的增长，特别是在人类基因编码领域中的数据，这一现象标志着一个全新时代的降临，即大数据时代。计算机技术能够将这个世界上浩如烟海的数据转化为知识、事实和信息。

 ........

 二、机器学习

机器学习（Machine Learning，ML）则是人工智能的一个分支，致力于开发能够从数据中学习和改进其性能的算法和统计模型。简而言之，机器学习让计算机通过分析大量数据自行“学习”并做出预测或决策，

 ........

 三、机器学习和传统统计学

机器学习和传统统计学是数据科学中相辅相成的两个重要分支。机器学习主要侧重于开发和使用算法来识别数据中的模式，并对未知事物进行预测和分类，它强调自动化和处理大规模数据的能力，通过训练模型从数据中进行学习，以实现高效的预测和识别任务。而传统统计学则注重对数据进行深入的推断分析，着重于因果关系的识别和结果的解释，强调理论基础和假设检验，通过严谨的方法论来推导出数据背后的规律和意义。两者在数据科学中都是不可或缺的，它们共同为我们提供了理解和利用数据的工具，既能帮助我们做出准确的预测，又能帮助我们揭示数据中潜在的因果关系。

特点	机器学习	传统统计学
重点	预测和识别未知事物	推断分析、因果识别和结果解释
目标	训练模型进行预测和分类	通过数据描述、估计模型参数，进行统计推断
方法	数据驱动的方法，使用大量数据进行模型训练	假设驱动的方法，通过样本数据推断总体特性
数据处理	能处理大规模数据集和高维数据	通常处理较小规模数据集和低维数据
模型复杂性	可使用复杂的非线性模型（如神经网络、SVM等）	通常使用较为简单的线性模型和假设检验
评估标准	关注模型在新数据上的预测性能和泛化能力	关注模型参数的估计精度和假设检验的显著性
应用场景	自动驾驶、语音识别、推荐系统、图像分类等	社会科学研究、医学研究、经济学分析等
训练和验证	通过交叉验证、训练集和测试集来评估模型	使用置信区间、p值等统计指标评估模型
处理不确定性	通过概率模型和正则化技术应对不确定性	通过假设检验和置信区间处理不确定性
优势	强大的预测能力和适应性，对新数据有良好表现	深入的解释能力和因果推断，提供数据背后的洞见

机器学习是人工智能研究的核心，也是实现人工智能的根本途径。

例如，人工智能的语言识别技术使计算机能够理解和处理人类语言，从而实现人与计算机之间的自然交流。这项技术在语音助手、翻译软件、客服系统等方面得到了广泛应用。例如，苹果的Siri、谷歌助手和亚马逊的Alexa等语音助手已经成为日常生活的一部分，它们能够回答问题、执行命令，甚至进行闲聊，大大提升了用户体验。图像识别技术使计算机能够“看见”并理解视觉信息。通过分析和处理图片或视频中的信息，计算机可以执行如面部识别、物体检测、图像分类等任务。这项技术在安全监控、医疗诊断、自动驾驶等领域发挥了重要作用。人工智能还可以通过分析生物医学数据和化学信息，AI能够发现潜在的药物靶点，预测药物的毒性和有效性，优化药物设计。此外，AI还可以帮助筛选已有药物库，发现新的药物用途，这在疫情等紧急情况下尤其重要。

R与ChatGPT

R语言也是机器学习的重要工具之一。基础R环境中包含许多机器学习算法，如R的基础包stats中就有线性回归模型、逻辑回归模型、聚类分析和k均值聚类等。此外，越来越多的机器学习R扩展包不断涌现，使得R用户能够方便地使用最新的机器学习技术。

ChatGPT，作为OpenAI开发的一种先进的自然语言处理模型，能够理解和生成类似人类的文本。通过将R语言与ChatGPT结合，用户可以实现更智能的文本分析和自然语言处理任务。例如，用户可以利用R语言的强大数据处理能力对文本数据进行预处理，然后使用ChatGPT生成上下文相关的文本回复，或进行文本分类、情感分析等任务。这种结合不仅提高了数据分析的效率，还拓展了R语言在自然语言处理领域的应用范围。​​​​​​​

上图，R语言中chatgpt包的详细指南，介绍了该包的基本功能、安装方法、技术细节、如何获取帮助以及相关资源。chatgpt包通过提供一个与GPT-3语言模型交互的界面，帮助R开发者生成对话风格的文本，并支持在R环境中进行高效的编码任务。网页还提供了包的作者信息、许可证类型、依赖关系等技术细节，并推荐了获取帮助的多种资源，包括内置帮助系统、包的专用网站、开发者支持以及在线课程和讨论论坛。

.......................

在这里，你学到的并非仅仅是 R 的某一个技巧，而是能够从零开始，深入且系统地学习 R 语言。此外，本专栏每周至少定期更新三篇文章，每篇文章篇幅均在 5000 字以上。而且，对于已经发表的知识点，我们也会根据新的技术或理解及时进行更新，这是纸质版图书无法做到的。为了让更多的忠实粉丝和同学们享受到实惠，本专栏采用折扣定价策略。随着章节的不断完成，折扣力度会逐渐减小。所以，现在正是订阅的最佳时机！

https://blog.csdn.net/2301_79425796/category_12729892.html?spm=1001.2014.3001.5482

​

第一章：认识数据科学和R

1章1节：数据科学的发展历程，何 R 备受青睐及我们专栏的独特之处（更新20240822）-CSDN博客

1章2节：关于人工智能、机器学习、统计学连和机器学习、R 与 ChatGPT 的探究 (更新20240814)-CSDN博客

1章3节：R 语言的产生与发展轨迹（更新2024/08/14）-CSDN博客

1章4节：数据可视化， R 语言的静态绘图和 Shiny 的交互可视化演示（更新20240814）-CSDN博客

第二章：R的安装和数据读取

2章1节：R和RStudio的下载和安装（Windows 和 Mac）_rst语言选择哪个镜像-CSDN博客

2章2节：RStudio 四大区应用全解，兼谈 R 的代码规范与相关文件展示_rstudio的console和terminal-CSDN博客

2章3节：RStudio的高效使用技巧，自定义RStudio环境（更新20240823）_rstudio如何使用-CSDN博客

2章4节：用RStudio做项目管理，静态图和动态图的演示，感受ggplot2的魅力-CSDN博客

2章5节：认识和安装R的扩展包，什么是模糊搜索安装，工作目录和空间的区别与设置（更新20240807 ）-CSDN博客

2章6节：R的数据集读取和利用，如何高效地直接复制黏贴数据到R（更新20240807 ）_r语言 复制数据集-CSDN博客

2章7节：读写RDS，CSV，TXT，Excel，SPSS、SAS、Stata、Minitab等的数据文件（更新20240807）_r语言读取rds文件-CSDN博客

2章8节：一文学会 R Markdown 的文档核心操作，切记文末有R资源的分享_r markdown文件(.rmd)-CSDN博客

2章9节：认识R与数据库连接和网络爬虫，学会在R中使用SQL语言_sql和r语言-CSDN博客

2章10节：用 R 直接下载并分析 NHANES 数据库的数据，文末示例自创便捷下载函数（更新20240807）_nhanes数据分析-CSDN博客

第三章：认识数据

3章1节：数据的基本概念以及 R 中的数据结构、向量与矩阵的创建及运算-CSDN博客

3章2节：继续讲R的数据结构，数组、数据框和列表-CSDN博客

3章3节：R的赋值操作与算术运算_r里面的赋值-CSDN博客

3章4节：R的逻辑运算和矩阵运算-CSDN博客

3章5节：R 语言的循环与遍历函数全解析-CSDN博客

第四章：数据的预处理

4章1节：全面了解 R 中的数据预处理，通过 R 基本函数实施数据查阅_r数据预处理-CSDN博客

4章2节：从排序到分组和筛选，通过 R 的 dplyr 扩展包来操作-CSDN博客

4章3节：处理医学类原始数据的重要技巧，R语言中的宽长数据转换，tidyr包的使用指南-CSDN博客

4章4节：临床数据科学中如何用R来进行缺失值的处理_临床生存分析缺失值r语言-CSDN博客

4章5节：数据科学中的缺失值的处理，删除和填补的选择，K最近邻填补法-CSDN博客

4章6节：R的多重填补法中随机回归填补法的应用，MICE包的实际应用和统计与可视化评估-CSDN博客

4章7节：用R做数据重塑，数据去重和数据的匹配-CSDN博客

4章8节：用R做数据重塑，行列命名和数据类型转换-CSDN博客

4章9节：用R做数据重塑，增加变量和赋值修改，和mutate()函数的复杂用法_r语言如何在数据集中添加变量-CSDN博客

4章10节：用R做数据重塑，变体函数应用详解和可视化的数据预处理介绍-CSDN博客

4章11节：用R做数据重塑，数据的特征缩放和特征可视化-CSDN博客

4章12节：R语言中字符串的处理，正则表达式的基础要点和特殊字符-CSDN博客

4章13节：R语言中Stringr扩展包进行字符串的查阅、大小转换和排序-CSDN博客

4章14节：R语言中字符串的处理，提取替换，分割连接和填充插值_r语言替换字符串-CSDN博客

4章15节：字符串处理，提取匹配的相关操作扩展，和Stringr包不同函数的重点介绍和举例-CSDN博客

4章16节：R 语言中日期时间数据的关键处理要点_r语言 时刻数据-CSDN博客

第五章：定量数据的统计描述

5章1节：用R语言进行定量数据的统计描述，文末有众数的自定义函数-CSDN博客

5章2节：离散趋势的描述，文末1个简单函数同时搞定20个结果-CSDN博客

5章3节：在R语言中，从实际应用的角度认识假设检验-CSDN博客

5章4节：从R语言的角度认识正态分布与正态性检验-CSDN博客

5章5节：认识方差和方差齐性检验（三种方法全覆盖）-CSDN博客

5章6节：R语言中的t检验，独立样本的t检验-CSDN博客

5章7节：单样本t检验和配对t检验-CSDN博客

5章8节：方差分析（ANOVA）及其应用-CSDN博客

5章9节：组间差异的非参数检验，Wilcoxon秩和检验和Kruskal-Wallis检验-CSDN博客

第六章：定性数据的统计描述 

6章1节：定性数据的统计描述之列联表，文末有优势比计算介绍-CSDN博客

6章2节：认识birthwt数据集，EpiDisplay和Gmodels扩展包的应用-CSDN博客

6章3节：独立性检验，卡方检验，费希尔精确概率检验和Cochran-Mantel-Haenszel检验-CSDN博客

6章4节：相关关系和连续型变量的Pearson相关分析-CSDN博客​​​​​​​

6章5节：分类型变量的Spearman相关分析，偏相关分析和相关图分析-CSDN博客

6章6节：相关图的GGally扩展包，和制表的Tableone扩展包-CSDN博客​​​​​​​

第七章：R的传统绘图

​​​​​​​7章1节：认识R的传统绘图系统，深度解析plot()函数和par()函数的使用-CSDN博客

7章2节：R基础绘图之散点图、直方图和概率密度图-CSDN博客

7章3节：R基础绘图之条形图和堆积条形图-CSDN博客

7章4节：饼图，箱线图和克利夫兰点图-CSDN博客

7章5节：散点矩阵图，与小提琴图、Cleveland 点图、马赛克图和等高图-CSDN博客

7章6节：用R进行图形的保存与导出，详细的高级图形输出，一文囊括大多数保存的各种问题，和如何批量保存不同情况的图形-CSDN博客

 第八章：R的进阶绘图

8章1节：认识 ggplot2 扩展包，深度解析 qplot() 函数的使用-CSDN博客

 8章2节：深度讲解 ggplot2 的绘图步骤，理解其核心逻辑， 和 ggplot()函数-CSDN博客

 8章3节：用R来绘制医学地理图，文末有具体完整代码-CSDN博客

 8章4节：维恩图的认识与应用，和使用UpSet图-CSDN博客

 8章5节：用R绘制平行坐标图-CSDN博客​​​​​​​

8章6节：雷达图及RadViz图-CSDN博客

8章7节：词云图，矩形树状图和三维散点图-CSDN博客

 ​​​​​​​8章8节：绘制自定义的高质量动态图和交互式动态图-CSDN博客

第九章：临床试验的统计

9章1节：初步认识临床试验（约7500字）-CSDN博客

9章2节：样本量估计的初步介绍-CSDN博客

9章3节：用R进行样本量估计的统计学参数-CSDN博客

9章4节：两组例数相同的均数比较的样本量估计和绘制功效曲线-CSDN博客

9章5节：两组的例数不等的均数比较的样本量估计和可视化-CSDN博客

9章6节：自身配对设计的均数比较临床试验的样本量估计和可视化-CSDN博客

9章7节：与总体均数比较的样本量估计和可视化-CSDN博客

9章8节： 两、三组试验组率比较的样本量估算和可视化-CSDN博客

9章9节：试验的随机分组认识，用R做简单随机化-CSDN博客​​​​​​​

9章10节：用R实现分层随机化-CSDN博客

9章11节：用R实现区组随机化和置换区组随机化-CSDN博客

​​