“模型”术语引起了很多争议。这个词到处都是意义不清的地方。在维基百科页面显示了各种使用，包括统计数据，天文学，生物学，产品设计，艺术，以及概念模型。
模型的词源也很有趣，它通过法语和意大利语回到拉丁语的 “方法，节奏或方式”。
尽管如此，“概念模型”的定义在任何意义上都可以对词进行最广泛的解释，就像维基百科一样：
一个概念模型是一个系统的代表，用来帮助人们认识，了解，或者模仿的对象模型代表的概念组成的。
维特根斯坦哲学
哲学家路德维希·维特根斯坦（Ludwig Wittgenstein）提出的《逻辑哲学论》（Tractatus Logico-Philosophicus）通常被认为是20世纪最重要的作品之一，该论文将逻辑，科学和哲学结合在一起，这是一部精美的作品，它列出了七个总体命题，这些命题基本上说明：
世界是有各种事情状态或事实组成的，我们以逻辑命题的形式开发这些事实的表述，尽管从来不能真正显式总结事实和事实的代表有什么共同点，我们只能展示他们有什么共同点：
例如，当我们需要同时正确地识别孩子脸和母亲的脸时，我们究竟看到了什么“共同点”？我们看到了家庭的相似之处，但是这些共同点我们无法准确说出，仅此而已。我们看到了我们无法说的东西，尽管我们知道那是真的，并试图阐明共同性却惨遭失败。
即使我们试图将这种活动落实到神经状态：使用基于神经元的面部识别和特征触发。我们实际上也没有使用真正行为还原论的方法：我们只是做。
这种形而上的区别遍及所有的人类活动，它是真理，根据维特根斯坦，我们的道德和宗教上的真理肯定远离科学主义事实 原文。
（banq注：两个脸很像这个事实虽然能够说出，但是还是需要每个听到这个提示的人自己去判断，你无法将两个脸很像的事实用书面语言或教程或考试来传授给别人，如果一个脸盲症学习你这套知识体系就能区别两个脸了，说明你真的可以还原事实，实际这是不可能的。）
人工智能建模和人脑分析建模异同
回到模型（和重点）：模型就是这样的表示！当使用scikit-learn线性回归模型做简单的事情时，我们使用计算机的计算能力来模拟和编码人脑驱动的同构isomorphism（两个相同结构之间的结构映射)识别过程。
回归模型的系数是对某些特征对某个目标变量相关意图的影响的信念表达，通常是预测。
但是，关于这些模型的一个奇妙的认识是，尽管感觉Python模型只是一个1和0的序列，可以巧妙地捕获梯度下降驱动的损失函数最小化，但是模型的构建过程与人类的预测和预测活动平行。 这说明：人脑，无论是进行数字化的心理估计，还是试图表达对某种物理事件的记忆，或者试图在几秒钟内识别一个老朋友的脸，都在其心理表征中挑选出现的同构特征。
人脑建模和Python电脑建模主要区别在于：Python模型缺乏感知力：它们仍然是需要人工理解才能有效操作的工具，并且我认为，这就是数据科学家的工作，不在于Python的模型构建或AWS的大规模分布式计算，而在于产生洞察力，可视化以及扩展对领域的顶级理解的根本原因。
有趣的是，这也是数据科学如此广泛的原因：模型构建的范围是如此之大，因为要模拟人工任务。用于自然语言处理的词嵌入，用于图像识别的卷积模型或用于数字预测的回归模型是世界子域的模型，在人类的大多数历史中，这些子域都是人为产生的。
最终的数据科学模型类似于世界本身，我们建立模型是以可行的方式简化世界，我相信任何数据科学家都将从这个角度受益。