問3：市面上的計量和統(tǒng)計軟件可謂十分多，能否結(jié)合您的學(xué)習(xí)旅途和習(xí)得的經(jīng)驗，為大家做一個系統(tǒng)的梳理呢？包括各類軟件的適用性、優(yōu)缺點等等？

答：計量統(tǒng)計的軟件很多，不同軟件都有自己的側(cè)重點和所長，我們可以根據(jù)實際情況靈活使用：

（1）問卷、多元回歸分析-----SPSS大家都知道是市場調(diào)查專用，這里簡單介紹一下最新版本的spss25.0，新加了高級統(tǒng)計模塊中貝葉斯統(tǒng)計執(zhí)行新的貝葉斯統(tǒng)計函數(shù)，包括回歸、方差分析和t檢驗。 新圖表模板，可實現(xiàn)word等微軟家族中編輯，這個新功能，通俗的說，就是SPSS輸出的圖表，你可以不用在原始的輸出界面進(jìn)行編輯修改，可以直接保存到word等里面，再進(jìn)行修改。將高級統(tǒng)計分析擴(kuò)展到混合、genlin混合、GLM和UNIANOVA， 變得更加精致。

（2）結(jié)構(gòu)方程與路徑分析------AMOS，主要是用于對結(jié)構(gòu)方程模型（SEM）的建立和檢驗，不過也有使用liserl和mplus做SEM的，從使用來看，繼承了IBM的一貫流程化風(fēng)格，比較容易上手，一些流程都是拖拽式的，潛變量與結(jié)構(gòu)變量之間的連接比較規(guī)范，驗證性分析必備。

（3）金融方向的挖掘與分析------SAS，銀行、券商的最愛，因為比較安全，有商業(yè)保障，比較主流；

（4）時間序列與面板------eviews和stata，eviews特別是新版本有很多高端的時序模型，分位數(shù)回歸、門限回歸、面板協(xié)整、馬爾科夫轉(zhuǎn)換回歸、結(jié)構(gòu)突變點檢驗、指數(shù)平滑狀態(tài)空間模型、Heckman選擇模型，且x12、x11等季節(jié)調(diào)整模型也很多，總之時序eviews能做的很多，而且每年都在更新新的模組，比較適合經(jīng)濟(jì)學(xué)者入門，關(guān)于以上新版本的更新可以看帖子：[Eviews] 〖素質(zhì)筆記〗Eviews 8新功能之四——Heckman選擇模型（http://bbs./thread-3880845-1-1.html）

stata在高級的面板模型上走的很多，面板向量自回歸等，還可以做Logit、多元Logit、雙邊隨機邊界分析 (two-tier StochasticFrontier Analysis)、異質(zhì)性隨機邊界分析、面板VAR模型、GMM、傾向得分匹配分析、非線性最小二乘法（NLOLS）等，主要是需要編寫代碼，所以可以自己組合一些方式方法出來，比較靈活，適合高階晉級的經(jīng)濟(jì)學(xué)者。

（5）數(shù)據(jù)挖掘萬靈藥------界面化的spss modeler、matlab、R、python，R+python 在機器學(xué)習(xí)、人工智能到來之際，已經(jīng)火的一塌涂地了，spss modeler相對來說，就不顯得那么有光芒了。但是，對于機器學(xué)習(xí)入門來說，spss modeler絕對很好掌握，跟spss一樣流程式，下面是一些流程組件，可以任意拼接，比較符合數(shù)據(jù)分析的流程：數(shù)據(jù)預(yù)處理-建模-展示。

（6）數(shù)據(jù)可視化/拖拽式界面------tableau、JMP（SAS旗下），都是比較適合數(shù)據(jù)可視化的軟件，tableau可謂大名鼎鼎，炫技術(shù)的神器，經(jīng)常有tableau比賽，而且社區(qū)經(jīng)常有聚會以及巡回演講，可以目睹可視化屆的黑科技，線上做的圖可以移動端查看：

JMP也有類似的功能，JMP是SAS推出的一種交互式可視化統(tǒng)計發(fā)現(xiàn)軟件系列， 這本書《JMP 統(tǒng)計分析教程 楊重法（著）》里面有比較詳細(xì)地介紹，拖拽式的界面比較容易理解與讓分析師進(jìn)行任意數(shù)據(jù)的組合、交叉。

（7）還有一些數(shù)值運算小眾的------gauss矩陣語言軟件包， 它可以十分方便地編制矩陣計算程序、winbugs（貝葉斯分析）

問4：作為一名統(tǒng)計學(xué)科班出身的經(jīng)管人，您畢業(yè)后的第一份工作是AI算法工程師-----AI目前是整個時代的風(fēng)口，您的成長路徑也可以說是“非典型”的，能否為大家分享一下經(jīng)濟(jì)人轉(zhuǎn)行做AI的一些歷程與走來的想法？從文本挖掘、圖像目標(biāo)識別到深度學(xué)習(xí)、算法等方面，您都有哪些心得和感受呢？

答：對我來說，研三是一個轉(zhuǎn)折期，因為不打算繼續(xù)讀博，計量統(tǒng)計的知識出來做數(shù)據(jù)分析工作還差了一點，所以不得不補一些機器學(xué)習(xí)、文本挖掘方面的知識。補著補著發(fā)現(xiàn)，深度學(xué)習(xí)這陣風(fēng)刮來了，趕緊抱緊大腿又惡補了很久，差不多惡補了一年，總算在畢業(yè)的時候留任在實習(xí)的公司，正式從經(jīng)濟(jì)學(xué)人成功轉(zhuǎn)型碼農(nóng)（/掩臉）。畢竟碼農(nóng)好就業(yè)，這點...（/嘆氣）

深度學(xué)習(xí)外來入侵了很多領(lǐng)域，打破了很多領(lǐng)域的研究上限，讓大家看到了無限可能性，對于我們經(jīng)濟(jì)學(xué)來說，時間序列預(yù)測較多模型都是以線性為主，非線性的、針對金融的模型復(fù)雜度都較高，理論較為繁雜。而深度學(xué)習(xí)用一個黑箱子把這些復(fù)雜都藏起來，讓本來就復(fù)雜的現(xiàn)象交給復(fù)雜的系統(tǒng)去處理。壞處是，可解釋性很差（不像回歸還有系數(shù)T檢驗、R方、F值檢驗），好處是逼近真實，預(yù)測準(zhǔn)確率極高。本著知己知彼的心態(tài)，不自己了解一下入侵者，肯定不知道如何應(yīng)對。

人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)三者的關(guān)系就如圖所示這樣，人工智能范圍很大，囊括的內(nèi)容也很多，把人工智能比作一個人，深度學(xué)習(xí)則是這人的大腦。

深度學(xué)習(xí)模型的一些基本架構(gòu)相對國人來說，絕對沒的說，很好理解，學(xué)過高數(shù)的基本都能夠理解反向傳播的機制，也就知道模型是在干什么，困擾實踐的更多會是如何通過軟件來實現(xiàn)，近幾年屬于深度學(xué)習(xí)爆發(fā)的階段，之前比較麻煩的一點就是，算法更新迭代速度快到超乎想象，剛剛掌握的新技術(shù)，說不定幾周內(nèi)就更新了一個版本，算法里面調(diào)用的函數(shù)連名字都換掉了，各類教程剛剛寫出來馬上又過時，所以入門難。但經(jīng)過了前期的爆發(fā)式增長，現(xiàn)在很多編程算法函數(shù)已經(jīng)趨于穩(wěn)定，也就非常適合入門。

當(dāng)然， 一般來說，經(jīng)管專業(yè)對深度學(xué)習(xí)的理論理解絕對沒問題，網(wǎng)上教學(xué)資源豐富，聽著老師的講解以及一些教材絕對能聽懂，但是呢，動手寫代碼對經(jīng)管人來說就比較困難了，而且一般經(jīng)管都是用R，python用的倒不多。編碼能力這點，就跟學(xué)語言一樣，一定要多加練習(xí)才能學(xué)會，網(wǎng)上能夠找到一些教程，用jupyter notebook或R markdown寫的內(nèi)容，可讀性都比較強，一段代碼一段顯示，讓你了解每個函數(shù)的輸入、輸出、參數(shù)設(shè)置等，所以勤加練習(xí)編碼這關(guān)還是可以順利通過的。

深度學(xué)習(xí)一些框架對新手來說比較麻煩，這邊推薦可以看看騰訊開發(fā)者實驗室以及IBM的公益項目：supervessel，里面已經(jīng)裝好了環(huán)境可以直接測試。

問5：隨著大數(shù)據(jù)、云計算等技術(shù)的日趨成熟，人工智能的發(fā)展也在不斷突破，生態(tài)也逐步形成------我們注意到在美股市場上，以英偉達(dá)、谷歌、FACEBOOK為代表的一批企業(yè)都在加速在AI領(lǐng)域的布局，其股價也屢屢創(chuàng)出新高。技術(shù)的進(jìn)步與融合，讓各個學(xué)科的發(fā)展都滾滾向前，新的概念頻出，新的趨勢也不斷確立。

您如何看待經(jīng)濟(jì)學(xué)與人工智能的關(guān)系？之前與您的交流中，您提及“計量統(tǒng)計的未來或許會涉及到如何接地氣、非結(jié)構(gòu)化數(shù)據(jù)的整合“，能否就這個見解進(jìn)一步分享和展開呢？

答：深度學(xué)習(xí)會像計量一樣，作為一種強有力的工具來幫助經(jīng)濟(jì)人了解經(jīng)濟(jì)現(xiàn)象，未來的實證可能會有更多的深度學(xué)習(xí)方式來進(jìn)行說理。對于經(jīng)濟(jì)學(xué)的影響，我認(rèn)為主要來自于兩個方面： 非結(jié)構(gòu)化數(shù)據(jù)的解讀能力+解讀復(fù)雜現(xiàn)象的模型 。

非結(jié)構(gòu)化數(shù)據(jù)的解讀能力。深度學(xué)習(xí)拓寬了可分析的領(lǐng)域，常規(guī)來看，之前經(jīng)濟(jì)期刊實證發(fā)文，較多就是宏觀經(jīng)濟(jì)數(shù)據(jù)、微觀調(diào)查數(shù)據(jù)，而深度學(xué)習(xí)作為可以解讀非結(jié)構(gòu)化數(shù)據(jù)的方式，可以更好地全面了解現(xiàn)象的發(fā)生。

譬如圖像、文本、聲音、視頻等一些非結(jié)構(gòu)化的數(shù)據(jù)經(jīng)過提取都可以成為一些變量加入到整個模型之中。其中輿情方面的研究都較為有趣，比如twitter中的輿情預(yù)測股價、預(yù)測總統(tǒng)選舉、預(yù)測用戶情緒等。

舉一個現(xiàn)在流行的模型——卷積神經(jīng)網(wǎng)絡(luò)，CNN目前用來看圖，確切來說，用來解讀數(shù)字矩陣，因為一張圖片一般解讀成RGB的三維數(shù)組矩陣，把非結(jié)構(gòu)的大小變成數(shù)字，而且還是矩陣，那就有的數(shù)學(xué)家玩兒了~矩陣數(shù)值可以理解為像素點，數(shù)值 1 是白色，256 是最深的綠色。在算法眼里圖像張下面這樣：

卷積層就有點像是統(tǒng)計里綜合評價中的各個指標(biāo)加權(quán)得到得分，只不過現(xiàn)在是在一個3*3的小區(qū)域里面算權(quán)重得分，如下：

具體的解讀比較淺顯的解讀素質(zhì)推薦一篇用excel來解讀卷積的長文：《機器視角：長文揭秘圖像處理和卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)》。

提供了解讀復(fù)雜現(xiàn)象的模型，物理學(xué)家，諾獎得主Philip Anderson的一句普世名言：more is different！線性模型在宏觀趨勢上的解讀能力很強，但是預(yù)測微觀現(xiàn)象的能力要遜色很多，而深度學(xué)習(xí)在高維數(shù)據(jù)中抽絲剝繭，降維關(guān)鍵信息，憑借強大的計算資源，可以擁有成千上萬個參數(shù)，學(xué)術(shù)界試圖模仿人腦的“神經(jīng)網(wǎng)絡(luò)“建立一個類似的學(xué)習(xí)策略，也取名為”神經(jīng)網(wǎng)絡(luò)“，由于到目前，還無法知道人腦工作的復(fù)雜性，所以這兩個神經(jīng)網(wǎng)絡(luò)也只能是形似而已。但這在常規(guī)經(jīng)濟(jì)學(xué)模型來看，已經(jīng)很可怕，就像大腦中神經(jīng)傳輸、觸發(fā)一樣。

總的來說，深度學(xué)習(xí)可以很好地控制預(yù)測成本，可以提供給經(jīng)濟(jì)學(xué)人更多非結(jié)構(gòu)化數(shù)據(jù)的解讀，以及強有力的應(yīng)付復(fù)雜現(xiàn)象的模型。

一些算法的學(xué)習(xí)與實踐，素質(zhì)還是跟之前學(xué)習(xí)計量一樣，從工具入手再去回顧理論，那么深度學(xué)習(xí)一般工具的載體就是python或R，python的入門紙質(zhì)書很多，網(wǎng)上資源可以看廖雪峰python教程，一些packages入門可以直接看packages的介紹文檔：TensorFlow 官方文檔中文版、keras官方文檔中文版、Mxnet文檔等。

AI社區(qū)同樣非?；钴S，很多高質(zhì)量的論文都會在一些社群里面討論，微信群有：PaperWeekly微信群、將門微信群；公眾號有：機器之心、智能立方、Paperweekly、哈工大scir、將門創(chuàng)投、煉丹實驗室、機器學(xué)習(xí)研究會、AI科技評論、全球人工智能、深度學(xué)習(xí)大講堂；知乎專欄有：煉丹實驗室、機器之心、超智能體、PaperWeekly、深度學(xué)習(xí)：從入門到放棄、智能單元、深度學(xué)習(xí)大講堂等。當(dāng)然了，統(tǒng)計之都也有非常多的接地氣的文獻(xiàn)：

問6：近年來，經(jīng)管領(lǐng)域的計量、統(tǒng)計已經(jīng)快速與AI融合起來，您覺得AI所涉及的知識結(jié)構(gòu)和知識全景是怎樣的呢？或者說，AI大圈子背后全專業(yè)領(lǐng)域的匯合是一幅怎樣的全貌呢？AI如何做預(yù)測與計量預(yù)測？AI做原因分析與傳統(tǒng)統(tǒng)計做原因分析有哪些異同呢？

答：深度學(xué)習(xí)與AI現(xiàn)在國內(nèi)非常熱，從各大頂級期刊來看華人稿子很多，仰賴全民從小數(shù)理化，基本數(shù)理知識扎實，入門學(xué)習(xí)比較容易。而且，受線上教育的紅利，有非常多的頂級、免費的公開課可以供大家學(xué)習(xí)，讓名校的知識教育流傳開來，比如吳恩達(dá)的deeplearning.ai，這個在網(wǎng)易云課堂有中文字幕版的（http://mooc.study.163.com/smartSpec/detail/1001319001.htm ）。經(jīng)典的cs231n，官網(wǎng)鏈接（http://cs231n./ ），cs231n是有筆記的（https://cs231n./ ），當(dāng)然，知乎上的一些大神對這個筆記進(jìn)行了翻譯---鏈接（https://zhuanlan.zhihu.com/p/21930884 ）。李飛飛老師的網(wǎng)易云課堂的公開課。

對于深度學(xué)習(xí)與AI整體框架來說，網(wǎng)上盜圖一張，供大家參考：

上圖比較籠統(tǒng)（來源文獻(xiàn):《人工智能產(chǎn)品經(jīng)理的新起點》），能掌握一部分已然很不錯，一些基本的知識點有:

基本模型結(jié)構(gòu)卷積層、激活函數(shù)、池化層、歸一化層、softmax，參數(shù)初始化gaussian/xavier/bilinear，激活函數(shù)：sigmoid、tanh、relu、selu等，損失函數(shù)：log loss/hinge loss/zero-one loss等，優(yōu)化方式：sgd/adagred/adam等，各種訓(xùn)練技巧：dropout/batch normalization /正則/attention等，一些理論知識點：梯度爆炸、梯度彌散、調(diào)參、微調(diào)等，一看這么多專業(yè)名詞瞬間蒙X了，別著急，其實... 這也只是剛剛?cè)腴T...。

深度學(xué)習(xí)做預(yù)測與計量做預(yù)測模式有很多相似之處，首先需要喂給模型一些數(shù)據(jù)，然后模型學(xué)習(xí)到這些數(shù)據(jù)的模式，再進(jìn)行相關(guān)預(yù)測。不同之處在于處理非線性的能力，以RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）為例：

RNN中，x是輸入，y是輸出，h可以對序列形的數(shù)據(jù)提取特征，接著再轉(zhuǎn)換為輸出。

外來入侵的深度學(xué)習(xí)解釋性不強代表著其理論根基還不透徹，特別是統(tǒng)計學(xué)中變量有兩類連續(xù)變量和離散變量，連續(xù)時間變量的理論基礎(chǔ)是其服從某些分布，從而可以開展相關(guān)的分析，但RNN給出了連續(xù)時間變量不一樣的解讀方式，即可以看成一個在時間上傳遞的神經(jīng)網(wǎng)絡(luò)，它的深度是時間的長度，這種對時間的解讀與常規(guī)線性回歸解讀方式差異很大，極有意思。

問7：從一位經(jīng)管人到AI工程師，其實我們相信底層的知識的遷移，以及對工作崗位的快速學(xué)習(xí)和適應(yīng)，都十分重要。在這個過程中，能否和我們分享一下，您從AI入門到開始AI項目的歷程呢？您覺得作為一個職業(yè)新人，應(yīng)該如何去快速適應(yīng)自己的新工作呢？工作以來，最大的感受是什么？

答：來看一張AI界大牛整理的一張AI產(chǎn)品：

也就是現(xiàn)在AI并不是一個算法、一個模型、一個專利技術(shù)、一個人能解決的，AI需要整體解決方案，所以需要很多專業(yè)內(nèi)容匯聚在一起來共同解決同一問題。新的行業(yè)的誕生，必然也會有非常多新的崗位添加進(jìn)來，涌現(xiàn)出一些比較有意思的崗位：機器人暴力評估師、訓(xùn)機師（雇傭詩人、喜劇演員幫助機器人設(shè)計對話）等，從上圖所調(diào)用的資源與能夠達(dá)到的效果，AI產(chǎn)品可以很快地打破垂直領(lǐng)域一些產(chǎn)品，以一個“顛覆者”的姿態(tài)，譬如翻譯員、司機（雖然無人駕駛還很遙遠(yuǎn)...）、客服等。當(dāng)然，這里也可以開個腦洞，解放生產(chǎn)力之后，讓大家有更多閑置時間，那么娛樂、游戲等一些偏休閑的方向也會迅速崛起。

深度學(xué)習(xí)、AI是一個嶄新的方向，做AI項目需要調(diào)動的資源比想象中要多得多，AI產(chǎn)品需要有很多高質(zhì)量的標(biāo)注數(shù)據(jù)，硬件資源也尤其重要，比如計算機一定需要質(zhì)量比較高的GPU，而高質(zhì)量GPU通常價格不菲。工程師是AI產(chǎn)品的靈魂，AI就像學(xué)舌鸚鵡，你教她說什么，她只會說你教的，而且你一下子教她很多，她有很大概率一句都學(xué)不會，所以是一個互相適應(yīng)、互相學(xué)習(xí)的過程。還有，模型需要大量的訓(xùn)練數(shù)據(jù)，才能展現(xiàn)出神奇的效果，但現(xiàn)實生活中往往會遇到小樣本問題，此時深度學(xué)習(xí)方法無法入手；有些領(lǐng)域，采用傳統(tǒng)的簡單的機器學(xué)習(xí)方法，可以很好地解決了，沒必要非得用復(fù)雜的深度學(xué)習(xí)方法，千萬不要掉進(jìn)模型怪圈。

作為一枚初入職場的小白，特別還是AI方向的，需要花更多時間去讓自己充電，AI所需的知識是方方面面，她把很多領(lǐng)域的知識融合進(jìn)來，所以為了了解她，需要去不斷學(xué)習(xí)、理解、磨合、適應(yīng)，其發(fā)展也是指數(shù)級，可能每周都有新的方式方法超越，成為state-of-the-art，要有“Stay foolish,stay hungry”的精神！

問8：在剛才的采訪中，我們提了許多問題，最后一個問題，我們希望是開放式的，也希望您能盡情發(fā)揮。在訪談的最后，能否就您擅長的領(lǐng)域或感興趣的領(lǐng)域，為我們分享一段精彩的評論或觀點或寄語呢？ 

答：之前了解過量化大師西蒙斯的團(tuán)隊結(jié)構(gòu)，他從來不雇傭經(jīng)濟(jì)學(xué)家及華爾街專業(yè)人士，而卻將計算機科學(xué)家、物理學(xué)家以及天文學(xué)家都納入團(tuán)隊，甚至雇用了一些語音學(xué)家。他認(rèn)為股票市場就是一個數(shù)學(xué)難題，與實體經(jīng)濟(jì)的構(gòu)造組成沒有關(guān)系。他曾說：“我們不雇用數(shù)理邏輯不好的學(xué)生?！?/span>

受他這種天馬行空的研究模式啟發(fā)，我認(rèn)為經(jīng)濟(jì)現(xiàn)象也并非只能從調(diào)查、年鑒、數(shù)據(jù)庫中去探索蛛絲馬跡，還可以從很多非結(jié)構(gòu)化的內(nèi)容入手研究。而深度學(xué)習(xí)對非結(jié)構(gòu)化數(shù)據(jù)的解讀可以極大幫助經(jīng)濟(jì)學(xué)人去理解經(jīng)濟(jì)現(xiàn)象，擁抱更多元、全領(lǐng)域、多模態(tài)的分析模式。