☆☆☆☆☆
简体网页||繁体网页



点击这里下载

类似图书 点击查看全场最低价

　　为什么电脑科学家说，赛局理论「奈许均衡」的地位言过其实，
　　现代投资组合理论也不是资产配置的好建议？

　　亚马逊书店「商务决策与问题解决类」、「电脑科学类」与「认知科学类」Top 1，
　　《麻省理工科技评论》选为年度最佳书籍，
　　各界读者赞不绝口：「真是过瘾！」

　　访问近五十年来最知名演算法的设计者，
　　了解工程师如何教电脑发挥最大效用，并将所学用于生活。
　　读者大推：「真是过瘾！」

　　「主动向机器学习」是人工智慧时代最核心、最有效的学习方法之一，在《决断的演算》里，各具心理学、统计学与电脑科学背景的两位作者揭橥：为何跟电脑学决策你不仅不会变成理性魔人，反而会更加明智且善体人意。

　　▎说到演算法，你想到的是政府和大企业如何利用数学模型算计你？
　　其实，演算法的本质是「解决问题的一连串步骤」，它的发展远远早于电脑，不只长期为各研究领域与产业实务带来重大变革，更能帮助个人跳脱盲点与错误直觉，明快地解决问题。

　　▎说到机器学习，你以为考虑因素越多越好、比较复杂的模型较佳？
　　其实，当今电脑运算时并非套用死板的演绎逻辑，点滴不漏地罗列所有选择，琢磨出正确答案。它们会舍弃不必要的资料，偏向选择较简单的解答，权衡误差或延迟的代价，接着冒险一试。

　　▎说到电脑，你认为它冰冷且毫无弹性，思考方式跟人脑南辕北辙？
　　事实上，我们面临的许多挑战，跟电脑科学家一样都源于：要运用有限的空间、时间和注意力，因应未知事物和不完整的资讯，因此电脑解决问题的方式，能在极大程度上与人们的作法融合。

　　《决断的演算》各章以常见的日常问题开场，从釐清它们的演算结构着手，以问题所属类型为骨架（副章名），扎实的电脑科学发展史为血肉（章名），探讨一代代的研究者为这类问题找出什么解决方案，这些收获颠覆了我们对于「合理」的看法，不仅帮助其他领域获得新进展，也为个人生活带来实用启示，像是：

　　❖证明「所有双人赛局至少有一个均衡状态」的奈许均衡，让约翰．奈许拿下了诺贝尔经济奖，但它的地位可能言过其实。为什么？（赛局理论）

　　❖自动驾驶汽车能改善交通阻塞，打造交通天堂？你可能要失望了。现在自私驾驶人各行其是的情形其实已接近最佳状态。（演算法赛局理论，自主行为代价）

　　❖棉花糖实验证明了意志力对日后的成就有深远影响？事情没这么简单。抵挡得住诱惑的另一个关键可能是「期望」……（贝氏法则）

　　❖以现代投资组合理论荣获诺贝尔经济奖的马可维兹，居然把自己的退休金平均投资在债券和股票上！这未免太不聪明了？未必。（过度配适）

　　❖欧巴马竞选总统时，他的新媒体分析团队靠什么方法设计与经营网站，帮他多募得五千七百万美元？（开发与善用）

　　❖安排球季赛程真麻烦！怎么样既符合联盟基本结构产生的规定，又顾及联盟和转播电视台的特殊考量和限制？（松弛）

　　❖2010年5月6日，美国股市发生闪电崩盘，短短几分钟内有几家公司股价飙涨、另几家则直线崩跌，这是怎么回事？（赛局理论，资讯瀑布）

　　❖一般认为年老健忘是认知衰退，但电脑科学家判断，那是整理、取舍越来越多记忆的必然结果——人的脑袋可灵光了！（快取）

　　❖你打算在十八岁到四十岁期间觅得人生伴侣，那么几岁时选定的对象可能最好？答案是二十六岁。（最佳停止点，37％法则）

　　❖纸本资料用完随手往旁边叠，既没条理又没效率？不，根据演算法原理，这是目前已知最精良、效率最佳的资料结构。（快取）

　　❖什么情况下，随便挑一封电子邮件回覆，会好过先回覆最重要的邮件？（排程，往复移动）

　　❖为什么玩吃角子老虎时，赢钱继续玩同一台是好策略，但是输钱就换一台则太过轻率？（开发与善用）……………

　　电脑科学还能协助我们清楚划分哪些问题有明确解答、哪些则无，从而选择自己要面对什么，以及要让其他人面对什么——这种「运算的善意」可以改变人们的认知问题类型，减轻认知负担，增进互动的效率。
　　
　　▎本书用法：
　　这本书既适合一般读者，也适合教学使用，版面设计兼顾两者需求，使用方法详见书中建议。各章内容提示详见〈目录〉的引文。

专业推荐

　　▎陈昇玮／台湾人工智慧学校执行长
　　▎洪士灏／台湾大学资讯工程系教授
　　▎赖以威／数感实验室共同创办人
　　▎林锦宏／高医大心理系助理教授
　　▎郑国威／泛科知识公司知识长
　　▎黄贞祥／清华大学生命科学系助理教授
　　▎雷浩斯／专职投资人及投资讲师
　　▎冏星人／说书节目制作人暨作家
　　▎（「得到」App万维钢老师书评介绍《指导生活的算法》 ）

好评推荐

　　▎《大脑解密手册》作者伊葛门：
　　我一直期待有书能把运算模型和人类心理学结合起来，这本书远超乎我的期望，写得精彩极了，而且浅显易懂，让所有读者都能轻松理解掌控世界运作的电脑科学，更重要的是，了解电脑科学对我们的生活有何影响。

　　▎林锦宏，高医大心理系「决策神经科学实验室」助理教授：
　　这是一本整合心理学、统计学、经济学、赛局理论、电脑科学重要概念与生活议题的跨领域参考书。

　　▎科技网站Boing Boing创办人，《资讯分享，锁得住？》作者柯利‧多克托罗：
　　非常出色。除了行文中解释的电脑科学对于个人和管理都很实用，本书也是演算法和电脑科学以及作者所称的「运算的斯多葛派」和「运算的善意」这种哲学论述的极佳入门书。

　　▎《为什么我们这样生活，那样工作》作者查尔斯‧杜希格：
　　精彩有趣而且提供许多实用建议，告诉我们如何更有效率地运用时间、空间和心力，写得趣味横生。

　　▎《摇篮里的科学家》共同作者艾莉森‧戈普尼克（Alison Gopnik）：
　　深入浅出又有趣，让人读得欲罢不能。我们都听说过演算法威力强大，但《决断的演算》深入浅出地解说它们的运作方式，以及我们可以如何运用它们，在日常生活中做出更好的决定。

　　▎《富比世》杂志：
　　年度必读大脑类书籍。这是一本以学术研究为基础，又可应用在实际生活上的好书。作者探讨的演算法在生活上的实用程度，超乎我的预期，值得好好研读。

　　▎《大众科学》杂志英国版：
　　我超迷这本书！年轻学生学数学时常说：「数学有什么用？实际生活上又用不到！」这本书就是最好的答案。书中的概念，无论是37％法则的相对单纯性或赛局理论中让人费解的机率，都相当实用，而且写得十分有趣，大推！

　　▎亚马逊书店多位读者评价
　　醍醐灌顶！我学的是经济，读了这本书之后超想去读个电脑科学学位。可以的话，我想给这本书十颗星。／好惊人的书，它改变我对许多真实日常问题的看法。／了不起的书。不论是一般人或高科技迷都会读得津津有味。／很有意思。读完这本书过了几个月，我还不时想到它，它提供了很棒的观点看待世界。／有趣极了，我已经借给好几个同事读。／超赞。我重读这本书好几次，里头有很多很棒的资讯！／真是过瘾！

作者简介    

布莱恩‧克里斯汀Brian Christian

　　电脑科学家，合着的《决断的演算》获得《麻省理工科技评论》选为年度最佳书籍，另一着作《人性较量：我们凭什么胜过人工智慧？》（The Most Human Human）则为《纽约时报》推荐书籍及《纽约客杂志》年度推荐图书。其他作品见于《纽约客》杂志、《大西洋》杂志、《连线》、《华尔街日报》、《卫报》和《巴黎评论》等，以及《认知科学》等科学期刊，曾被翻译为十余种语言。

汤姆‧葛瑞菲斯Tom Griffiths

　　加州大学柏克莱分校心理学和认知科学教授，并主持运算认知科学实验室，曾经发表一百五十多篇科学论文，领域包含认知心理学和文化演变等，此外曾获美国国家科学基金会、斯隆基金会、美国心理学会以及实验心理学会等机构奖项。

译者简介

甘钖安

　　学业结束后由科学界踏入「译界」，现为专职译者。曾担任Discovery频道与资讯杂志编译，现仍定期为《科学人》及《BBC知识》等杂志翻译。书籍译作包括《胜算：赌的科学与决策智慧》、《品尝的科学》（合译）、《爱因斯坦1905》、《气候创造历史》、《现代主义烹调》、《猎光圣经》等，热爱吸收各类知识，正努力朝「全方位译人」的目标迈进。
 

前言：为什么我们能跟电脑学决策？
演算法的本质是「解决问题的一连串步骤」，我们面临的许多挑战跟电脑科学家一样都是：如何运用有限的空间、时间和注意力，因应未知事物和不完整的资讯。本书釐清这些难题的数学架构，阐述工程师如何教电脑发挥最大效用，并了解人脑如何克服相同限制。作者访问了近五十年来最知名演算法的设计者，谈谈他们怎么将所学用于生活。人类和电脑的解决方式融合程度极高，电脑科学不只能协助我们简化问题以取得进展，甚至能提供具体的解决方法。
 
第一章　最佳停止点——什么时候该见好就收？
尽量罗列选项，小心权衡后选出最好的一个，才是理性决策？实际上由于时间有限，决策过程最重要的面向是：何时应该停止。聘人、租屋、找车位、卖房子，以及寻觅伴侣和投资获利时见好就收等，都是要在选项逐一出现时做出最佳选择，它们真正困扰人的是可以考虑的选项有多少。依各状况条件不同（比如能否吃回头草、是否有明确标准），这章解释了37％法则、思而后行法则、临界值法则等，教你如何避免太早决定或找太久，何时该降低或提高标准以及标准该调整多少……
 
第二章　开发与善用——尝试新欢？还是固守旧爱？
开发是蒐集资料，它能提高发现最佳选择的机会；善用则是运用现有资讯，取得已知的良好结果，两者各有利弊。人们大多把决策视为彼此孤立，每次分别寻找期望值最高的结果。其实决策极少是孤立的，如果你思考的是日后面对相同选项时要怎么做，那么权衡是要开发还是善用，就非常重要。本章以电脑科学中最能体现这两者之矛盾，名称取自吃角子老虎机的多臂土匪问题，阐述应该如何随时间而改变目标，并且说明为何合理的行动过程多半未必会选择最好的目标。
 
第三章　排序——依照顺序排列
排序对于处理各种资讯都十分重要。电脑科学家经常要权衡排序和搜寻两者，这项权衡的基本原则是：花心力排序资料，为的是省下日后花费心力找资料。于是这个问题变成：如何事先评估资料未来的用途？电脑科学指出，混乱和秩序造成的危险都可以量化，它们的成本都能以「时间」这个基准来呈现。Google搜寻引擎之所以强大，其实是拜预先排序之赐；但对于另外一些状况，保持混乱往往更有效率。另外讨论演算法的最差情况表现（以排序而言是最差完排时间），可以让我们确定某个程序能在期限内完成，运动赛程的排定便是一例。
 
第四章　快取——忘掉就算啦！
你的收纳问题其实与电脑管理记忆体时面临的挑战类似：空间有限，要如何既省荷包又省时间？快取的概念是把常用资料放在手边备用，快取装满时为了腾出空间放新资料，得剔除一些旧资料——但剔除哪些好呢？电脑科学家探究了随机剔除、先进先出（先剔除最旧的）以及最近最少使用法等，甚至发展出能预测未来并执行已知最佳策略的演算法。这方面的研究启发了亚马逊书店的「预测包裹寄送」专利，还扭转了心理学家对于人类记忆的看法。
 
第五章　排程——优先的事情优先处理
重要且紧急、重要但不紧急、不重要但紧急、不重要但不紧急……，时间管理大师总教人照这顺序处理事情。但电脑科学家会要你先搞清楚「用什么标准来评量成果」。是在期限内完成最重要？还是尽量缩短让客户等待的时间？抑或划掉待办清单上越多项目越好？不同的评量标准得採用不同的作业策略。本章还用电脑的「上下文交换」探讨让其他工作插队的代价，用「往复移动」提醒忙到变成在空转的征兆；并告诉你如何在反应能力和处理能力间取舍，为何有时完成工作的最佳策略反而是慢下来。
 
第六章　贝氏法则——预测未来
十八世纪的英国，赌博这个领域不仅深深吸引杰出数学家，也吸引了牧师汤玛斯．贝斯，他由于研究彩券的中奖率，而对于「在不确定下进行推测」的历史带来重大影响。他认为由过去的假设状况进行正向推理可提供基础，让我们逆向推出最可能的答案。其他科学家继续研究预测事情的各种方法，像是：如何把各种可能假设状况浓缩成单一期望值、根据事件类型提供适当的事前机率。其实我们脑中已储存许多精确的事前分布，因此常可由少量观察结果做出不错的预测，换句话说小数据其实是伪装的大数据。
 
第七章　过度拟合——少，但是更好
谈到思考，我们往往觉得想得越多越好：列出的优缺点越多，做出的决定越好；列出的相关因素越多，越能精准预测股价。实际上统计模型倘若太过复杂，使用过多参数，会太容易受我们取得的资料影响，而可能随参与者不同而出现大幅差异，这就是过度配适。机器学习的一大重要事实是：考虑因素较多、比较复杂的模型，未必比较好。这章演示了过度配适如何扭曲我们对资料的解读，点出日常生活中俯拾皆是的过度配适事例，并且教你如何借由交叉验证等方法揪出过度配适（像是怎么分辨真正的人才和仅是懂得揣摩上意的员工？）并且对抗它。
 
第八章　松弛——放松点，不求完美才有解
过去几十年来电脑科学家发现，无论使用多快的电脑，或程式设计得多厉害，有一类问题就是不可能找出完美解方。面对无法解决的挑战时，你毋须放弃，但也别再埋头苦干，而该尝试第三种作法。电脑科学会界定问题是「可解」还是「难解」，遇到难解问题时会先「放松问题」：也就是先去除问题的某些限制，再着手解决它。最重要的放松方法比如限制松弛法、连续松弛法，以及付出点代价、改变规则的拉氏松弛法……
 
第九章　随机性——什么时候该让机率决定
随机看似和理性相反，代表我们放弃这个问题，採取最后手段。你若是知道随机性在电脑科学中扮演多吃重的角色，可能会非常惊讶。面对极为困难的问题时，运用机率可能是审慎又有效的解决方法。随机性演算法未必能提出最佳解，但它不用像确定性演算法那么辛苦，只要有计画地丢几个硬币，就能在短短时间内提出相当接近最佳解的答案，它解决特定问题的效果，甚至超越最好的确定性演算法。这章将要告诉你依靠机率的时机、方式，以及仰赖的程度。
 
第十章　网路——我们如何互通声息
人类互通声息的基础是协定，也就是程序和预期的共通惯例，例如握手、打招唿和礼貌，以及各种社会规范。机器间的联系也不例外。这类协定是微妙但长久存在的焦虑来源。我前几天传了个讯息，从何时开始我会怀疑对方根本没收到呢？你的回答怪怪的，我们之间是不是有什么误会？网际网路问世后，电脑不仅是沟通管道，也是负责交谈的联络端点，因此它们必须解决本身的沟通问题。机器与机器间的这类问题以及解决方案，很快便成了我们借镜的对象。
 
第十一章　赛局理论——别人是怎么想的？
赛局理论广泛影响经济学和社会科学领域，然而除非赛局参与者找得到奈许均衡，它的预测能力才会造成影响，但是电脑科学家已经证明，纯粹寻找奈许均衡是难解问题……
另外传统赛局理论有个见解：对一群依自身利益採取理性行动的参与者而言，「均衡」或许不是最好的结果。演算法赛局理论依採用了此见解并加以量化，创造出「自主行为代价」这个度量，结果发现某些赛局中自主行为的代价其实没有很高，这意谓着该系统不论细心管理或放任不管都差不多。
 
结语：运算的善意
对于人类某些问题，如今已经找到解决的演算方法；即使尚未得到所需结果，使用最佳演算法也会让人宽心。此外电脑科学还能协助我们，清楚划分哪些问题有明确解答、哪些问题则无，从而选择要面对什么——包括自己要面对什么，以及要让其他人面对什么，其原则便是运算的善意。现今的电脑做的，并非「尽量罗列选项，找出最好的一个」。有效的演算法会做出假设，偏向选择较简单的解答、权衡误差代价和延迟代价，接着冒险一试。这些作法不是让步，它们本身就是理性的方法。
 

▎说服医界使用叶克膜的演算法（摘录）
 
1932年到1972年间，美国阿拉巴马州麦肯郡数百名非裔梅毒患者，参与了美国公共卫生服务长达四十年的「塔司基吉梅毒研究」（Tuskegee Syphilis Study），在医疗专业人员安排下刻意不接受治疗。1966年，公共卫生服务人员彼得．巴克斯顿（Peter Buxtun）提出抗议，1968年再次提出，但直到他向媒体揭露这次事件，并于1972年7月25日刊登在《华盛顿明星报》（Washington Star）上，次日又成为《纽约时报》头版消息之后，美国政府才中止这项研究。

在大众强烈谴责和美国国会举行听证会之后，美国政府开始着手将医学伦理的原则和标准形式化。在马利兰州乡间贝尔蒙特（Belmont）会议中心举行的委员会，于1979年提出贝尔蒙特报告。这份报告制订医学实验的道德实施方式，因此像塔司基吉实验这样，明显违反医疗专业人员对患者之责任的恶劣实验，未来不可能再度出现。不过这份报告也表示，还有许多例子很难画出明确界线。报告中指出：「希波克拉底的格言『不伤害』一直是医学伦理的基础原则。（生理学家）克劳德．伯纳（Claude Bernard）将它推展到研究领域，并指出即使其他人可能受益，也不应该伤害任何人。然而即使要避免伤害，也必须学习有害的事物，而在获得这项资讯的过程中，或许就会有人受到伤害。」

因此贝尔蒙特报告承认，依据所知来採取行动和取得更多知识之间确实有矛盾，但并未提出解决方法。此外报告也明确指出，获取知识往往价值极高，因此可以暂时忽视一般医学伦理的某些部分。报告指出，新药品和疗法的临床试验即使已经尽可能减少风险，但通常仍然必须承担伤害某些患者的风险。

行善原则并非永远明确而毫不含煳。举例来说，可能对研究对象造成风险，但短期内看不出直接助益的儿童疾病研究，仍是难以取舍的道德问题。有人认为不应准许进行这类研究，有人则指出，这样的限制将阻碍未来可能为儿童带来极大助益的研究。同样地，正如各类难题一样，行善原则涵括的各种主张可能互相冲突，使选择变得更加困难。

None

决断的演算：预测、分析与好决定的11堂逻辑课（畅销纪念精装版） 电子书 下载 mobi epub pdf txt 2024

类似图书 点击查看全场最低价

查看全网最低价