今天听书听到对冲基金桥水总裁写的《原则》一书,
提到意见听取,感觉和ML算法有异曲同工之妙。
他提到一个权重的观点,说决策时,采取独裁与民主都不可取。
在他的公司,所有人都有一个集点器,不按照职位入职时间,
所有的观点都被记录,预测正确加分。
在某个问题上有成功先例的人,该领域的权威,获得更多的权重点数。
以上均为复述,待稍后回顾本书再修改补充。
不禁想到,事实上,在各行各业,都有师从大师的人更容易取得成功的倾向。
作为举例,也是凑巧翻到听书版《建筑家安藤忠雄》(本人看过纸质),
作为高中学历,从未接受过科班教育的建筑师,(这在建筑界大师中极为罕见)
其也细致的研究过一代大师勒·柯布西耶(我认为可能是20世纪?最伟大的建筑师),
(当然更与其游历日本、欧美,实地考察建筑、以及多年从业与勤勉不屑坚持自己的设计核心,并懂得与不同意见商榷分不开。)
在目前学到ML课程的神经网络,采用了分层,然而人的大脑,存在中枢这个东西,
如何将这一概念应用到AI的设计与算法上,可能更先进的算法会有展示,没有的话,
可是思考。
眼睛疼的时候在听书,虽然感觉很食肉糜,但是肉糜好吃。
《彼得·林奇的成功投资》作为投资界的两位大神,两人竟然均在年轻时做过高尔夫球童。
于此想到,高尔夫球都是商业成功人士打的(至少在当时),赚零花的时候,
收货了一线大佬的投资经验。
于是想到,要注册个twitter或者什么(曾经有一个学术界的facebook网站,一时忘记名字了)
多接触各大权威,拓宽自己的思路,却不盲从。
对于AI的设计也是如此。
《原则》一书中还提到,很多时候,即使做了所有可能的分析,决策时依然会失误,因此永远要尊重市场。History repeating itself, but history is never now. 进化的要意是适应。作为AI的设计者,说白话就是能跑,跑的好的(预测的准)的才是好算法。跑得不对,就是哪儿有问题没想到。
尤其喜欢彼得林奇提到的逆市思维。提到的作为个人投资者的优势。这一点和安藤忠雄作为拳击手,与其受到切格瓦拉影响,“对抗”的思想很像。突出自身优势的产品才更具有市场竞争力,更快的获得成功,就是成功本身。美剧《硅谷》中,主创业者虽然有宏大的理想,但其产品并没有及时推出获得很好的销售业绩,没有业绩的支撑,资金链就容易断裂,影响后续发展。眼光可以伟大,但是着眼点必须现实。
Coursera的ML课中提到,Michele Banko和Eric Brill,
这些趋势非常明显,首先大部分算法,都具有相似的性能,其次,随着训练数据集的增大,在横轴上代表以百万为单位的训练集大小,从0.1个百万到1000百万,也就是到了10亿规模的训练集的样本,这些算法的性能也都对应地增强了。
事实上,如果你选择任意一个算法,可能是选择了一个"劣等的"算法,如果你给这个劣等算法更多的数据,那么从这些例子中看起来的话,它看上去很有可能会其他算法更好,甚至会比"优等算法"更好。由于这项原始的研究非常具有影响力,因此已经有一系列许多不同的研究显示了类似的结果。这些结果表明,许多不同的学习算法有时倾向于表现出非常相似的表现,这还取决于一些细节,但是真正能提高性能的,是你能够给一个算法大量的训练数据。像这样的结果,引起了一种在机器学习中的普遍共识:"取得成功的人不是拥有最好算法的人,而是拥有最多数据的人"。
那么这种说法在什么时候是真,什么时候是假呢?因为如果我们有一个学习算法,并且如果这种说法是真的,那么得到大量的数据通常是保证我们具有一个高性能算法的最佳方式,而不是去争辩应该用什么样的算法。
考虑到个人的设计、美学、自然科学、数学、计算机、心理学背景,考虑未来方向为机器人。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。