人工智能 - 阿尔法狗背后的简单原理:贝叶斯公

发布时间:2019-03-09 13:34 来源:未知 作者:v0FRSLVP 编辑:admin
更多
.wqpc_wechat_view * {max-width: 100%!important; box-sizing: border-box!important; -webkit-box-sizing: border-box!important;自动换行: break-word!important;}

微信号

功能介绍

AlphaGo所代表的人工智能完全击败了人类国际象棋大师,震惊了整个世界。人工智能背后有什么样的技术?本文是关于人工智能——贝叶斯公式背后的简单原理。

人工智能,无人驾驶,语音图片识别和大数据之间有什么关系?如何搜救沉船?如何识别垃圾邮件和垃圾邮件?这些区域之间的联系似乎彼此无关?答案是他们都使用相同的数学公式——贝叶斯公式。虽然它看起来简单而不起眼,但它具有深刻的内涵。那么贝叶斯公式如何被广泛使用并且无所不知呢?让我们看看两个经典的例子。

1.搜寻和救援天宇核潜艇

2014年初,马来西亚航空公司MH370航班失去联系,大家密切关注搜索和救援的进展。那么我们用什么方法在浩瀚的大海中找到丢失的飞机或轮船呢?这是从天宇核潜艇开始的。

1968年5月,美国海军的天蝎座核潜艇突然消失在大西洋的亚速海。潜艇和船上的99名海军官兵都没有消息。根据事后调查报告,罪魁祸首是潜艇上的一枚奇怪的鱼雷。发布之后,结果是反对我。他转过头,自己开枪,导致潜艇爆炸。

为了找到天蝎座的位置,美国政府动员了一支搜索部队,其中包括一些来自该国的专家到现场,其中包括一位名叫约翰克雷文的数学家,他的头衔是“美国海军特别规划部首席科学家。 “在搜索潜艇时,克雷文提出了上面提到的贝叶斯公式。他召集了数学家,潜艇专家和海上搜救等各个领域的专家。每个专家都有自己的专业领域,但不是通才。没有专家能够准确估计潜艇事故发生前后发生的事情。有趣的是,克雷文不遵循通常的想法,要求团队成员互相协商以寻求共识。相反,让专家写出各种可能的“脚本”,以便他们可以按照自己的知识和经验的方向。开发以进行猜测并评估每种情况发生的可能性。据说,为了给无聊的工作增添一些乐趣,克雷文还准备了威士忌作为“投注”的正确奖品。

因为在Craven的计划中,许多结果是通过猜测,投票甚至赌博获得的。无法保证所有结果的准确性。他的做法受到许多同行的质疑。然而,克雷文的方法是一个可行的选择,因为搜索潜艇的紧迫性和缺乏时间进行精确的实验和建立完整和可靠的理论。

由于潜艇航行的速度,驾驶方向,爆炸的影响以及潜艇在撞击过程中方向舵的方向,尚不得而知。即使已知潜艇爆炸,也很难确定潜艇残骸最终被海水冲刷的位置。克雷文粗略估计,半径为20英里的圆形地下数千英尺的海底是天蝎座核潜艇可能睡觉的地方。在如此大的区域内如此深的海床上找到潜艇几乎是不可能的。任务。

克雷文汇集了专家的意见,得到了20英里海的概率图。整个海域分为若干小方块。每个小方块具有两个概率值p和q。 p是潜艇位于此广场的概率。 q是如果潜艇在此网格中,则搜索它的概率。 。根据经验,第二概率值主要与海域的水深有关。它更有可能在深海区域寻找潜艇的“潜行网”。如果搜索网格并且没有找到潜艇的痕迹,那么根据贝叶斯公式,格子潜艇的存在概率会降低:

由于所有晶格概率之和为1,因此其他晶格潜艇的概率值将上升:

对于每次搜索,首先选择整个区域中潜艇存在概率最高的网格进行搜索。如果没有找到,概率分布图将被“洗牌”一次,搜索船将驶向新的“最可疑网格”。搜索,继续前行,直到找到蝎子。

搜救开始时,海军人员嘲笑克雷文及其团队的建议。他们凭经验估计潜艇位于爆炸的东侧。但经过几个月的搜索,他们不得不按照克雷文的建议去寻找爆炸西侧的概率图。经过几次搜索,潜艇被发现在爆炸西南的海底。

由于这种基于贝叶斯公式的方法已成功应用于许多后续的搜索和救援实践中,因此它已成为沉船事故的常见做法。

2009年法国空难救援后验概率分布图:

2014年马来西亚航空MH370失去联系搜索区域:

2.联邦党的作者档案选集

1787年5月,美国各州(当时13岁)的代表在费城举行了宪法会议; 1787年9月,美国宪法草案分发给各州讨论。一群反对派以化名“反联邦主义者”发表了大量批评该草案的文章。宪法起草人之一亚历山大·汉密尔顿匆忙。他找到了前外交大臣(后来的国务卿)和纽约市议员麦迪逊的约翰杰伊,以及普鲁利乌斯的化名。发表文章向公众解释美国为何需要宪法。他们飞来飞去,通常会在一周内发布3-4条新评论。在1788年,他们写的85篇文章被发表,这是美国历史上着名的《联邦党人文集》。

《联邦党人文集》在出版时,汉密尔顿坚持不愿透露姓名,因此这些文章的作者成了一个公开案例。 1810年,汉密尔顿接受了一个政治敌人的决斗挑战,但出于基督教的宗教信仰,他决定不互相射击。在决斗前几天,汉密尔顿知道没有多少时间。他列出了《联邦党人文集》作者的名单。 1818年,麦迪逊提出了另一份作者名单。这两个列表并不一致。在85篇文章中,73篇是具有更清晰身份的作者,其余12篇是有争议的。

1955年,哈佛大学(Harvard University)统计学教授弗雷德里克•莫斯特勒(Fredrick Mosteller)找到了芝加哥大学年轻统计学家大卫•沃伦斯(David Wallance),他建议他在一个小题目中与自己合作。他想用统计方法来识别《联邦党人文集》的作者。

但这根本不是一个小问题。汉密尔顿和麦迪逊都是这篇文章的主人,他们的风格非常接近。从确定了作者身份的文本部分开始,汉密尔顿写了94,000个单词,麦迪逊写了114,000个单词。汉密尔顿每句话的平均长度为34.55个单词,而麦迪逊则为34.59个单词。就写作风格而言,汉密尔顿和麦迪逊只是双胞胎。汉密尔顿和麦迪逊花了大约一年的时间来撰写这些文章,而Mosteller和Wallance花了10多年时间才将自己定位为作者。

如何区分两个人的写作风格的细微差别,并判断每篇文章的作者是问题的关键。他们使用的方法是基于贝叶斯公式的两个类别的分类算法。首先选择一些反映作者写作风格的词汇。在作者的文本中,计算这些特征词汇的出现频率,然后计算这些词汇在这些不确定作者的文本中的出现频率。差异是从作者的归属推断出来的。这实际上与我们今天使用的垃圾邮件过滤器的原理相同。

他们在没有计算机帮助的情况下使用“大数据”的手动处理。这个项目的时间和精力是可以想象的。近100名哈佛学生帮助他们处理数据。以最原始的方式,学生用打字机键入《联邦党人文集》的文本,然后剪切每个单词并按字母顺序将单词放在一起。其中一个学生累了,伸了个懒腰,长长的一口气。他在这种语气中使用了太多的力量,然后突然吹出刚刚像柳絮一样放置的单词条。一个房间的学生瞬间吓呆了。据估计,很多人甚至摧毁了他的心脏。这只是手动大数据时代的日常工作。

Mosteller和Wallance正在寻找干草中的刺绣针。他们首先删除未使用的单词。例如,《联邦党人文集》经常谈论“战争”,“立法权力”,“行政权力”等。这些词语因主题而出现,并不反映不同作者的写作风格。只有诸如“in”,“an”,“of”,“on”,连词等介词可以显示作者风格的细微差别。一位历史学家亲切地告诉他们,1916年的一篇论文提到汉密尔顿总是使用“while”,而麦迪逊总是使用“while”。但仅仅有这个线索是不够的。 “while”和“while”出现在12篇待作者身份的文章中。此外,汉密尔顿和麦迪逊有时写一篇文章,他们不会互相改变。如果汉密尔顿将麦迪逊的“同时”改为“同时”?

当学生们对每个单词的小音符进行分类和粘贴时,他们发现在汉密尔顿的文章中,平均而言,每一页纸都出现了两次,而麦迪逊几乎只使用过一次。汉密尔顿更喜欢使用“足够”而麦迪逊很少使用它。其他有用的术语包括:“那里”,“开启”等。 1964年,Mosteller和Wallance发表了他们的研究成果。他们的结论是这12篇文章的作者很可能是麦迪逊。其中最不准确的是第55位。麦迪逊是作者的概率是240:1。

这项研究引起了极大的轰动,但最震惊的不是宪法研究者,而是统计学家。 Mosteller和Wallance的研究发布了贝叶斯公式,这是一种被瓶子统计200年的禁令。

1.什么是贝叶斯公式

在18世纪,英国业余数学家托马斯贝叶斯提出了一个看似明显的观点:“在用客观的新信息更新我们对某事物的原始信念之后,我们将获得一个新的和改进的信仰。信仰。”这项研究的结果简单明了直到1763年去世两年后,他的朋友理查德·普莱斯帮助他。其数学原理很容易理解。简而言之,如果你看到一个人总能做一些好事,他会推断这个人可能是一个人。好的人。也就是说,当你无法准确地理解事物的本质时,你可以依靠与事物的特定性质相关的事件的数量来判断其本质属性的概率。用数学表达语言:支持属性的事件越多,建立属性的可能性就越大。与其他统计方法不同,贝叶斯方法基于主观判断。您可以估计首先是价值,然后根据客观事实不断纠正它。

1774年,法国数学家皮埃尔 - 西蒙拉普拉斯再次独立地发现了贝叶斯公式。 Laplac关心的问题是:当有大量数据时我们如何找到真正的法则,但数据可能有各种错误和遗漏。拉普拉斯研究了男孩和女孩的出生率。据观察,男孩的出生似乎比女孩多。这个假设没有建立吗?拉普拉斯不断收集新的出生记录并使用它们来推断原始概率是否准确。每个新记录都会减少不确定性的范围。拉普拉斯给出了我们现在使用的贝叶斯公式的表达式:

P(A/B)=P(B/A)* P(A)/P(B),

该公式表示在B事件发生的条件下发生A事件的条件概率,其等于B事件发生的概率乘以A事件的事件,以及发生的概率。 B事件。在公式中,P(A)也称为先验概率,P(A/B)称为后验概率。严格地说,贝叶斯公式至少应该被称为“贝叶斯 - 拉普拉斯公式”。

第二,默默无闻200年

贝叶斯公式现在非常流行,即使在流行的美国戏剧《生活大爆炸》中,耳朵也会显示出来。然而,在过去的二三十年里,它已经被人们所关注和广泛使用,在此期间它被埋葬了200多年。为什么是这样?原因是我们有另一个数学工具,——经典统计或频率统计(我们主要在学校学习),这已经做了200多年。从理论上讲,它可以揭示所有现象的原因。它不需要构建模型或默认条件。只要有足够的测量值,数据背后的原因就会自动揭开。

在经典统计学中,科学是对客观事实的研究。我们只需要反复观察可重复的现象,直到我们积累了足够的数据来推断有意义的规律。贝叶斯方法要求科学家从算命先生这样的主观猜测开始,这显然不符合科学精神。甚至拉普拉斯后来放弃了贝叶斯方法的思想,转向经典统计学。因为他发现如果数据量足够大,人们可以通过直接研究这些样本来完全推断出一般规律。

让我们用一个类比来帮助我们理解这两种统计方法之间的区别。如果我们想知道某个区域的最低海拔高度,经典的统计方法是首先观察该区域不同地方的海拔高度数据,然后找出最低点。这一数据量必须足以反映该地区地形的特征,以便我们可以相信找到实际的最低点。贝叶斯方法是我不在乎它最低的地方,只是随意选择一个地方开始,每一步都下降,虽然中间可能有一些曲折,但我相信这迟早会达到最低点。可以看出,贝叶斯方法的关键问题是最终的低点可能不是真正的最低点,而是一个相对较低的点,可能是该区域的地形(碗,马鞍等),最初是我们主观选择的出发点是依赖性。如果问题域是碗状,我们到达最低点;但如果它是马鞍或其他复杂的表面,那么我们可能会到达几个相对较低的点(极点)中的一个而不是真正的最低点。这就是为什么贝叶斯方法是经典统计方法最受批评的原因,这就是为什么它被隐藏了200多年的原因。

贝叶斯方法的示意图:

三,初始权力

很长一段时间,虽然贝叶斯方法尚未得到主流学者的认可,但事实上,我们经常无意识地使用贝叶斯方法做出决策,而且非常有效。例如,炮兵在射击时将使用贝叶斯方法进行瞄准。弹丸与子弹不同。它的飞行路径是抛物线,瞄准更难。因此,他们将首先根据计算和经验将枪管调整到可能的击球角度(先验概率),然后根据弹丸的实际下降。调整该点(后验概率),以便在2-3次射击和调整后,炮弹可以击中目标。

在日常生活中,我们也经常使用贝叶斯方法进行决策。例如,如果您不知道哪个餐厅在一个陌生的地方是好的,那么您似乎只能随机选择,但事实并非如此。我们将利用积累的经验提供基于贝叶斯方法的线索。经验告诉我们,满载客人的餐厅的食物通常更美味,那些被顾客粉碎的餐馆可能不太好,可能会被屠宰。通过这种方式,我们经常通过观察餐厅的出勤率来选择餐馆吃饭。这是我们基于先验知识的主观判断。吃完之后,我们对这家餐厅有了更实际的了解,以后会更容易选择。因此,在我们知道事情不全面的情况下,贝叶斯方法是一种利用经验来帮助做出更合理判断的好方法。

它是天蝎座核潜艇搜救和联邦党作者的作者,两个具有里程碑意义的事件在学术界发挥了重要作用,开始关注贝叶斯方法。

与计算机的结合进一步体现了贝叶斯公式的巨大实用价值。它不仅为我们提供了解决问题的新途径,也为工具和思想带来了革命性的变化,甚至可能是人脑本身的认知和构建。方式。

在联邦党的文集收集作者和天柱核潜艇搜救后,贝叶斯公式开始引起学术界的关注和关注,并且它在20世纪80年代在自然语言处理领域的成功向我们展示了一个新的问题解决方案路径。不断增加的计算能力和大数据的出现使其力量日益明显,并且正在发生激烈的“贝叶斯革命”。

四,真正的突破

自然语言处理是让计算机取代人们翻译语言,识别语音,识别单词并自动检索大量文档。但人类语言可以说是信息中最复杂和最有活力的部分。人们想到的原始方法是一种语言学方法,允许计算机学习人类语法,分析句子等。特别是在乔姆斯基(有史以来最伟大的语言学家)提出“形式语言”之后,人们已经加强了他们对使用语法规则进行文字处理的信念。令人遗憾的是,几十年过去了,在计算机语言处理领域,基于这种语法规则的方法几乎没有突破。

事实上,早在几十年前,数学家和信息祖先克劳德·香农就提出了使用数学方法处理自然语言的想法。不幸的是,当时的计算机无法满足大量信息处理的需要,因此他的想法没有引起人们的注意。

成功使用数学方法解决自然语言处理问题的第一个是语音和语言处理大师Fred Jelinek。他介绍了一种新观点,认为语音识别是基于接收到的一系列信号来推断信号的实际序列(说)以及由说话者表达的意义。这将语音识别问题转化为通信问题,并且可以进一步简化为用贝叶斯公式处理的数学问题。

通常,句子中的每个字符都与其前面的所有字符相关,因此公式中的条件概率计算非常复杂且难以实现。为了简化问题,他做了两个假设:

1.说话者说的句子是马尔可夫链,即句子中的每个字符只由其前一个字符决定; 2.独立输入假设是每个接受的字符信号仅由相应的发送字符确定。

这种简化似乎有点简单和粗鲁。每个字符在语义上与本文的其余部分相关。它怎么只与它以前的角色有关?很多人不相信这种简单的数学模型可以解决复杂的语音识别,机器翻译等问题。事实上,不仅普通人,而且许多语言学家质疑这种方法的有效性。但事实证明,这种基于贝叶斯公式的统计语言模型比当时已知的某些规则更有效。在20世纪70年代,Jarinick和Baker独立提出将该模型用于语音识别。在20世纪80年代,微软成功开发出第一个大型词汇连续语音识别系统。现在,我们手机上的语音识别和语音输入功能非常成熟,易于使用。

更有价值的是,这种语音识别系统不仅可识别静态词库,而且对词汇的动态变化具有良好的适应性。即使它是一个新的词汇表,只要每个人都使用过这个词,它就会被使用。受过训练的数据量足够,系统可以正确识别它。这反映了贝叶斯公式对现实世界变化的高度敏感性及其适应增量信息的能力。

自然语言处理的成功为解决问题开辟了一条全新的道路:

似乎非常复杂的问题可以用贝叶斯公式转化为简单的数学问题; 2,贝叶斯公式和马尔可夫链可以结合起来简化问题,使计算机可以轻松解决;虽然我们不完全理解为什么这种看似简单化的简化不会影响我们的研究过程,但是从实践中它是非常有效的; 3.将大量观测数据输入到模型中进行迭代——即,训练模型,我们可以得到所需的结果。

随着计算能力的不断提高和大数据技术的发展,原始难以置信的模型训练在人工条件下的巨大工作量已经变得非常容易实现,这使得贝叶斯公式具有巨大的实用价值。

五,经典统计和贝叶斯革命的难度

1.经典统计学的困难

虽然贝叶斯方法在实际应用中继续证明自己,但经典统计遇到了困难。经典统计更适合解决小问题,这种方法要求我们获得足够的样本数据,并要求这些样本代表数据的整体特征。在处理涉及多个参数的问题时,它可以很方便。但是,如果我们只有少量与问题复杂性相关的信息,那么经典统计数据将无效。原因是数据稀疏。

在大数据时代,还存在数据稀疏性问题吗?答案是肯定的。具体地,依赖于n个参数并且每个参数仅具有两个表示(0或1)的系统具有总共2个n度。如果100个基因参与某种癌症的发展(实际上非常保守,人类中有数万个基因),那么它有2种可能的100种基因模式;通过采样定理估计经典统计方法需要至少1%-10%的样本来确定原因,这就需要产生数万亿的疾病患者的遗传图谱!这不可操作。因此,经典的统计方法无法解释由相互关联和错综复杂的原因(相关参数)引起的现象。

2.贝叶斯网络带来了工具革命

目前的情况是,相对简单的问题已经解决,其余的问题非常复杂。龙卷风的形成,星系的起源,疾病的基因,大脑的工作机制等,揭示这些问题背后的规律,我们必须了解其网络的原因并梳理出复杂的事件。由于经典统计学的失败,科学家别无选择。他们必须选择一些可能有效的规则,并建立一个基于它们的理论模型。为了能够做出这样的选择,为了能够在许多可能性中确定他们认为最合适的选择,过去科学家依靠直觉来弥补数据和差距的不足。贝叶斯公式帮助他们以严格的数学形式实现这一目标。通过用现有知识和观察结果将所有假设代入贝叶斯公式,科学家可以获得清晰的概率值。要解读某些现象的网络,只需将公式本身放入网络中,即shell!叶!姐姐!网络!网络!它是贝叶斯公式和图论相结合的产物,是一种新的科学有效的工具。

网络化思想的想法并不简单。直到20世纪80年代,美国数学家朱迪亚·珍珠才证明贝叶斯网络的使用应该揭示复杂现象背后的原因。操作原则是:如果我们不知道现象的原因,我们首先根据我们认为最可能的原因建立一个模型;然后根据现有知识将每个可能的原因连接为网络中的节点,我们的预判或专家意见为每个连接分配概率值。接下来,我们只需要将观测数据替换为该模型,并通过网络节点之间的贝叶斯公式重新计算概率值。对每个新数据,每个连接重复此计算,直到形成网络图,并且给出任何两个原因之间的连接准确的概率值,并且您已完成。即使实验数据是空白的或充满噪声和干扰信息,不断追求各种现象原因的贝叶斯网络仍然可以构建各种复杂现象的模型。贝叶斯公式的值是当观测数据不足时,它可以综合专家意见和原始数据来弥补测量中的不足。我们的认知缺陷越大,贝叶斯公式的价值就越大。

贝叶斯心血管疾病网络

类似于前面提到的马尔可夫链,我们可以假设贝叶斯网络中每个节点的状态值取决于它前面的有限状态。不同之处在于贝叶斯网络比马尔可夫链更灵活,并且它不受马尔可夫链的链结构的约束,因此可以更准确地描述事件之间的相关性。可以说马尔可夫链是贝叶斯网络的一个特例,贝叶斯网络是马尔可夫链的推广,它为复杂问题提供了通用的解决方案框架。

为了确定节点之间的相关性,有必要用已知数据迭代和训练贝叶斯网络。由于网络结构的复杂性,从理论上讲,现有的计算机是不可估量的(基于冯诺依曼结构的计算机不能解决这个NP复杂性问题,NP(非确定性多项式)指的是非确定性机器的使用。可以在多项式时间内求解的问题类)。然而,对于某些特定应用,可以根据实际情况简化网络结构(使用网络拓扑的图形同构技术)和训练过程,使其在计算上可行。如果量子计算机成功开发,它将能够完全解决其计算问题。通过这种方式,贝叶斯公式为科学家们开辟了一条新的道路。

今天,正在发生一场轰轰烈烈的“贝叶斯革命”:生物家族贝叶斯公式研究基因的发病机制;基金经理使用贝叶斯公式寻找投资策略;互联网公司使用贝叶斯公式来改进搜索功能,帮助用户过滤垃圾邮件;贝叶斯公式广泛用于大数据,人工智能和自然语言处理。既然我们无法预测当今贝叶斯公式与人工时代计算机相结合的力量,我们怎能忽视贝叶斯网络和量子计算机可能具有的巨大潜力呢?

3.人脑是如何建造的?

贝叶斯公式不仅彻底改变了自然科学,而且其应用范围也扩展到人类行为和人类大脑活动的研究领域。教育工作者突然意识到学生的学习过程实际上是贝叶斯公式的应用;心理学家已经证明,贝叶斯方法是儿童唯一的思维方式,其他方法似乎完全没有。此外,心理学研究的结果使科学家们思考人类大脑结构是否是贝叶斯网络。这个公式不仅是研究人类思维的工具,也可能是大脑本身的构建方式。这种观点非常大胆,但它正在获得越来越多的认可。因为当我们没有足够或准确的信息时,贝叶斯公式是最优推理结构,所以进化将演变为该模型以提高生存效率。贝叶斯公式突然渗透到所有科学领域,并提供了一个非常罕见的普遍研究框架。

人工智能近年来取得了很大进步,但目前的人工智能通常需要从大量数据中学习(需要大数据的支持),人类有能力“仅从少数情况下进行概念化”。它们之间存在巨大差距。例如,虽然你生活中只看到了菠萝,但你可以一眼看到菠萝的特征,你很快就会从一堆水果中认出菠萝,甚至在纸上画出一个菠萝棒图。目前的人工智能算法必须查看成千上万个菠萝的图片。最典型的人工智能代表AlphaGo也是基于10场甚至数十亿场Go游戏。它还需要大数据的支持。类似地,还建立了当前的语音识别,文本识别和图像识别。基于大数据。

但是,这种情况可能已经开始发生变化。 2015年底,在《科学》杂志的封面上发表了一篇人工智能论文,在人工智能领域取得了重大突破:来自麻省理工学院,纽约大学和多伦多大学的三位研究人员开发出来一种“一目了然”的计算机系统。只需从一个奇怪的文本系统中显示系统中的一个字符,它就会快速学习本质,像人类一样编写,甚至可以写出其他类似的文本——。更重要的是,它也通过了图灵测试,很难区分下图中的人物是人还是机器。该系统中使用的方法是贝叶斯程序学习——一种基于贝叶斯公式的方法。这不仅是人工智能领域的重大突破,也为我们理解人脑学习机制提供了重要参考。

人机工作比较(来源:科学)

第六,思想革命

这不仅是科学的革命,也是思想的革命。当科学不断强调其对世界理解的客观性时,贝叶斯公式包含了主观因素:它不向我们表达世界,而是表达我们所拥有的知识和经验。这些与观察者个人因素有关的知识与研究现象本身是分开的;虽然它描述了我们的外部现实世界,但它也描述了观察者对现实感知的缺点。更重要的是,它迫使我们认识到科学理论和科学模型反映了现实的心理形象,而不是现实本身。现实为我们提供了数据,以确保现实的形象与现实并无太远。在寻找各种现象的原因时,它也在调节我们的思维。

七,贝叶斯公式是如此牛,我该怎么办?

当信息不充分或不准确时,我们经常需要做出判断和决定。街上哪家餐厅最可靠?是否有男朋友在书房感到惊讶?在她丈夫的公文包里发现了口红。他出轨了吗?新开发的应用程序应该是完美的然后发布,还是应该尽快发布,利用互联网的力量来帮助它改进?我应该选择哪个工作机会或公务员来最大化我的收入?

贝叶斯公式为我们提供了一些决策原则:

平时要注意观察和思考,建立自己的思维框架,这样在面对选择时,很容易形成一个接近实际情况的先验概率,所以经过少量的试错法循环试验后错误和纠错可能会得到理想的结果;经过多次选拔和练习,你可以形成自己的直觉。面对不熟悉的情况,您可以根据自己的经验和少量信息快速做出更准确的判断。

在大数据时代获取信息的成本越来越低,社会变得越来越开放和包容,初始状态(先验概率)的重要性正在下降。即使最初的选择不理想,只要根据新情况继续调整,它仍然可以成功。因此,如果现在很难做出选择,那就听内心的声音,让直觉选择,这有利于恐惧症的治疗。

在开发应用程序的情况下,首先根据自己的想法制作可用的原型,然后充分利用互联网的力量,让活跃的用户社区帮助它快速迭代,逐步使其功能和体验更好而且更好。

对新事物保持开放的态度,并愿意根据新信息调整您的策略和行为。

“大胆的假设,仔细的验证”,“连续的反复试验,快速迭代”都可以被视为贝叶斯公式的不同表达。英国哲学家艾萨什·柏林曾引用古希腊诗人的碎片,“狐狸有很多知识,刺猬有很多知识”,并将人类战略分为两类:狐狸和刺猬。刺猬以一个宏大的概念解释所有现象,狐狸知道很多事情,从多元化的角度看问题,并愿意接受新的证据来使他的模型适应它。在这个瞬息万变的时代,坚持不断信条的刺猬很难适应环境的变化,使用贝叶斯公式的灵活狐狸更有可能存活下来。

(本文从网络知识转载,版权归作者所有)

百度搜索“北京赛车计划群”,专业资料,生活学习,尽在这里,您的在线图书馆!

转载保留链接:http://www.hzqsz.com/796.html

责任编辑:admin

相关图文