協整檢驗的目的是什麼

人工智慧已經經歷了從模擬（從錄影識別到影象識別）再到機器學習（從簡單的直方圖歸一化到深度學習）最後到自然語言處理（從nlp到推薦系統）的發展，現在人工智慧已經走向了真正的產業應用。

隨著人工智慧從學術界走向產業界，尤其是在it、通訊、金融等領域的落地，很多人都認為，在當前人工智慧發展最快的方向：應用這個領域中，除了像谷歌、facebook這樣的公司（參見從網際網路泡沫到再未來網際網路時代）之外，還有一個聲音認為會有一個時代過渡，人工智慧公司將由於應用、技術體系的出現，人工智慧在創業、投資市場將會迎來一個春天。

對於這個論點，我也曾做過詳細的分析，為此，我特意梳理了近年來看到的不同語言、技術體系的ai創業和投資案例。“將彼此深入認識，兩個面對面對話的時代，就這樣加速而去了。”統計學統計學的主要關注是如何從資料中挖掘資料的變化，找到資料背後的因果關係，這些依賴統計學家對於資料的分析，這在網際網路公司非常常見。

按照統計學的技術體系分成兩個部分：統計學概念體系和統計分析體系。統計學概念體系簡單來說包括描述統計（比如一個數字，一組數字）和推斷統計（比如尋找數字和其他統計變數之間的關係，進而預測未來資料）。

統計分析體系就是經常聽到的機器學習和深度學習。統計學概念體系有時也被稱為假設檢驗部分。例如，使用最小二乘法進行迴歸。而現在又有了協整檢驗（大資料下的部分模型）、收斂檢驗（大量普通，規律相似的資料）、t檢驗（異方差資料）等技術。

計算機科學技術經濟學的研究主要是從供需方面來考慮問題。而以大資料研究機器學習主要依賴於供需問題，使用新的資料處理方法和深度學習方法解決這些問題，既依賴於大資料統計方法又依賴於深度學習演算法。

在這兩方面學習人工智慧相關知識的人可能會更加關注統計學。如果不想做特定方向的研究，學習人工智慧相關技術也可以從統計學和計算機科學入手。人工智慧與機器學習既然知道機器學習相關方向有很多，那麼在選擇方向時你可以有兩種選擇，從兩個方向入手做研究：從資料生成方向入手進行研究，從計算方向入手進行研究。

研究這兩個方向往往會出現不同學科交叉的現象，比如可以利用數學+資料科學來做大資料，也可以從計算機科學來做大資料，計算機方向的公司很多做資料探勘和資料分析。資料生成方向的創業者需要有紮實的數學和統計基礎，相應的商業應用的落地是基於大資料應用。計算方向的創業者需要選擇前沿的人工智慧技術。