简介

精彩点评

• 

  griaz

  推荐

  一本非常好看且重要的科普读物，一直觉得贝叶斯定理非常怪，而作者帮我们理解了他怪在何处。 作为人工智能和算法小白，他也能帮我们大致了解ai为什么能做到这些事情和限制在哪里。 对于认知、心理学、道德哲学感兴趣的读者，也（大概率）会对作者将贝叶斯定理与这些学科连结在一起有兴趣吧，至少我是这样。这本书里面为了强调贝叶斯，引用了很多很多我喜欢的作者，比如卡尼曼、海特，和许多有趣的问题，比如蒙蒂问题。 总体而言读完很累，收获也很大，还需要整理一下，作者说是科普，但对读者的知识储备要求还是太大了…

• 

  巴蒂goal

  推荐

  作为文科生，这本书看得很累，有些数学公式直接跳过去了。但是还是觉得受益匪浅，对于我个人如何认识世界，如何决策行动，都有助益。

• 

  王🐿youwen🐿

  推荐

  贝叶斯理论博大精深，提供了一套在多个学科领域通用的解释模型，无论是计算机算法、婴儿的学习、甚至是道德哲学都可以用贝叶斯理论去描述或计算。作者让我认识到人类的许多有意识或无意识的想法背后都隐藏着贝叶斯计算，这种能力使得我们可以利用偏见，从小样本学习，也能根据不同的情况去修改自己的策略。在探索的过程中，由于真实世界过于复杂，我们只能运用复杂性较低的模型去预测或解释，作者反复强调“所有模型都是错的，但是不同模型有不同的适用范围”，这样我们就不至于什么也做不了。作者是数学专业出身，但是对于心理学、认识论、计算机算法、道德哲学都有很多探索，他介绍的用深度学习识别猫🐱的过程让我很感兴趣，他说猫的特征或许就是在高维向量中的一个点，而我们却不清楚这个点具体是什么样的，所以，或许在更本质的层面上不同学科有一个通用的解释方式

• 

  彭建波

  推荐

  真理实在过于复杂，除了近似以外都不可行。所有模型都是错的，从部分来看某些模型比其它更优。就整体而言无法找到最优的那一个。预测性模型应该由大量互不兼容的理论结合而成，而这些理论应该各自拥有自身的适用范围，某个理论的适用范围可以与另一个理论的适用范围部分重叠。这种贝叶斯方法虽然缺乏普适性，却是最接近现实的。

• 

  渡我

  推荐

  光看个前言就被强烈地吸引住了，为啥我没能早点看到这本书，它已经躺在我的书架好久了都没翻开过！

• 

  贺小川

  推荐

  我想理解贝叶斯，就象前些年理解哥德尔一样，能够从思维结构上彻底改善自己对于世界的认识

• 

  Honghu

  推荐

  贝叶斯定理一旦与算法相结合，就不再是一套枯燥的数学理论或认识论，而变成了应用广泛的知识宝库。尤其是客观先验和MCMC计算，为面临复杂数据分析情况的统计人员提供了一个极具吸引力的方案，与频率学派严格的分析相比，贝叶斯推断几乎被自动化了。这催生了众多现代数学定理，以及令人称道的实践成果。 《The Equation of Knowledge》是一次伟大的探索，它一改传统的数学探讨模式，不仅展现了贝叶斯理论背后的科学思想，还阐述了它与人类思维之间的深刻关系，并对自然科学社会科学各相关领域和人工智能的发展进行了展望。

• 

  Kevin Ho

  推荐

  用数学思维阐述人类认知程度和人工智能，用逻辑关系衔接各个学科中横向神经元，用数据否定方法叠加不同领域纵向道魔。建立在判断，深刻思考基础上的数据分析判断，可信度可行性可操作的方法选择，剥开浮云浮萍浮躁，提升了最原始的工作效率，是一本严谨的系统工程导图之作。

• 

  曹平

  推荐

  这本书就算看第二遍，也大概率看不懂，但可以把认知再推进一点。

• 

  超

  推荐

  作为纯粹的柏拉图主义者，对贝叶斯理论有点儿难理解，But，还是觉得有道理吧

• 

  周忠HiFly柔性电子

  推荐

  真理实在过于复杂，除了近似以外都不可行。所有模型都是错的，从部分来看某些模型比其它更优。就整体而言无法找到最优的那一个。预测性模型应该由大量互不兼容的理论结合而成，而这些理论应该各自拥有自身的适用范围，某个理论的适用范围可以与另一个理论的适用范围部分重叠。这种贝叶斯方法虽然缺乏普适性，却是最接近现实的。

• 

  董越——大周

  推荐

  这本书不是一本很正统的概率论和数理统计的书籍，但是却非常着眼于打通概率和频率之间最重要的贝叶斯主义。 贝叶斯公式在很多人看来是非常难以理解的。如果要真正理解贝叶斯公式，就要明白，你不能只有一个先验。我们比如抛硬币，最直接的问题是先验分布0.5是正0.5是反，如果丢了13次都是正，贝叶斯估计正的概率是多少？但事实上这个问题在贝叶斯思想是有问题的。你先验分布只有一个吗？如果只有一个先验分布，那你就是笃定了只有这么一种可能，那贝叶斯最后得到的结论必然是唯一的先验分布，也就是说分布虽然涉及到概率，但贝叶斯要做的并不是修改分布内部的概率而是修正先验分布的概率。比如我有九个分布，正面朝上的概率分别为0.1 0.2 0.3 0.4 ……0.9，并且每个分布发生的概率我都假设为古典概型的1/9。在这种情况下如果13次都为正，我就可以得到正面朝上为0.1 0.2……0.9这九种分布的后验概率（如果13次全为正，0.9分布的概率会非常非常高）。当然也可以将x设置为正面朝上的概率，然后设置先验概率为均匀分布的连续分布，本质上是一样的。只有通过这样，才可以真正理解贝叶斯公式的实质——其作用的是先验分布的概率，而不是先验分布内部的概率。很多人想不通贝叶斯的原因就在于这里，他把先验分布内部的概率和先验分布的概率弄混淆了。 推荐一下这本书，最重要的是，所有不管是学习算法的，还是学习概率论和统计的，都应该明白贝叶斯的强大之处。从而真正理解频率和概率之间的关系，从而深刻明白模型和现实之间的关系，进而审视统计模型，了解模型可能的问题到底在哪里。

• 

  Parker

  推荐

  有些章节扯得太远了 但是很有教育意义 作者明显是个thinker

• 

  龙

  推荐

  翻译腔会撤掉我的头发 这是一本打开地狱之门的书📖 发官认定它为非法 我认为合理

• 

  招财猫

  推荐

  书绝对是好书，但很多对理解非常重要的公式让微信读书给排版得面目全非，本来就比较晦涩难懂的公式，读者还要去猜，绝对增加了理解的难度。