決斷的演算(預測.分析與好決定的11堂邏輯課)(暢銷紀念精裝版) | 拾書所

決斷的演算(預測.分析與好決定的11堂邏輯課)(暢銷紀念精裝版)

$ 474 元 原價 600
內容簡介


決斷的演算:預測、分析與好決定的11堂邏輯課(暢銷紀念精裝版)

內容簡介

  為什麼電腦科學家說,賽局理論「奈許均衡」的地位言過其實,
  現代投資組合理論也不是資產配置的好建議?

  亞馬遜書店「商務決策與問題解決類」、「電腦科學類」與「認知科學類」Top 1,
  《麻省理工科技評論》選為年度最佳書籍,
  各界讀者讚不絕口:「真是過癮!」

  訪問近五十年來最知名演算法的設計者,
  了解工程師如何教電腦發揮最大效用,並將所學用於生活。
  讀者大推:「真是過癮!」

  「主動向機器學習」是人工智慧時代最核心、最有效的學習方法之一,在《決斷的演算》裡,各具心理學、統計學與電腦科學背景的兩位作者揭櫫:為何跟電腦學決策你不僅不會變成理性魔人,反而會更加明智且善體人意。

  ▎說到演算法,你想到的是政府和大企業如何利用數學模型算計你?
  其實,演算法的本質是「解決問題的一連串步驟」,它的發展遠遠早於電腦,不只長期為各研究領域與產業實務帶來重大變革,更能幫助個人跳脫盲點與錯誤直覺,明快地解決問題。

  ▎說到機器學習,你以為考慮因素越多越好、比較複雜的模型較佳?
  其實,當今電腦運算時並非套用死板的演繹邏輯,點滴不漏地羅列所有選擇,琢磨出正確答案。它們會捨棄不必要的資料,偏向選擇較簡單的解答,權衡誤差或延遲的代價,接著冒險一試。

  ▎說到電腦,你認為它冰冷且毫無彈性,思考方式跟人腦南轅北轍?
  事實上,我們面臨的許多挑戰,跟電腦科學家一樣都源於:要運用有限的空間、時間和注意力,因應未知事物和不完整的資訊,因此電腦解決問題的方式,能在極大程度上與人們的作法融合。

  《決斷的演算》各章以常見的日常問題開場,從釐清它們的演算結構著手,以問題所屬類型為骨架(副章名),紮實的電腦科學發展史為血肉(章名),探討一代代的研究者為這類問題找出什麼解決方案,這些收穫顛覆了我們對於「合理」的看法,不僅幫助其他領域獲得新進展,也為個人生活帶來實用啟示,像是:

  ❖證明「所有雙人賽局至少有一個均衡狀態」的奈許均衡,讓約翰.奈許拿下了諾貝爾經濟獎,但它的地位可能言過其實。為什麼?(賽局理論)

  ❖自動駕駛汽車能改善交通阻塞,打造交通天堂?你可能要失望了。現在自私駕駛人各行其是的情形其實已接近最佳狀態。(演算法賽局理論,自主行為代價)

  ❖棉花糖實驗證明了意志力對日後的成就有深遠影響?事情沒這麼簡單。抵擋得住誘惑的另一個關鍵可能是「期望」……(貝氏法則)

  ❖以現代投資組合理論榮獲諾貝爾經濟獎的馬可維茲,居然把自己的退休金平均投資在債券和股票上!這未免太不聰明了?未必。(過度配適)

  ❖歐巴馬競選總統時,他的新媒體分析團隊靠什麼方法設計與經營網站,幫他多募得五千七百萬美元?(開發與善用)

  ❖安排球季賽程真麻煩!怎麼樣既符合聯盟基本結構產生的規定,又顧及聯盟和轉播電視台的特殊考量和限制?(鬆弛)

  ❖2010年5月6日,美國股市發生閃電崩盤,短短幾分鐘內有幾家公司股價飆漲、另幾家則直線崩跌,這是怎麼回事?(賽局理論,資訊瀑布)

  ❖一般認為年老健忘是認知衰退,但電腦科學家判斷,那是整理、取捨越來越多記憶的必然結果——人的腦袋可靈光了!(快取)

  ❖你打算在十八歲到四十歲期間覓得人生伴侶,那麼幾歲時選定的對象可能最好?答案是二十六歲。(最佳停止點,37%法則)

  ❖紙本資料用完隨手往旁邊疊,既沒條理又沒效率?不,根據演算法原理,這是目前已知最精良、效率最佳的資料結構。(快取)

  ❖什麼情況下,隨便挑一封電子郵件回覆,會好過先回覆最重要的郵件?(排程,往復移動)

  ❖為什麼玩吃角子老虎時,贏錢繼續玩同一台是好策略,但是輸錢就換一台則太過輕率?(開發與善用)……………

  電腦科學還能協助我們清楚劃分哪些問題有明確解答、哪些則無,從而選擇自己要面對什麼,以及要讓其他人面對什麼——這種「運算的善意」可以改變人們的認知問題類型,減輕認知負擔,增進互動的效率。
  
  ▎本書用法:
  這本書既適合一般讀者,也適合教學使用,版面設計兼顧兩者需求,使用方法詳見書中建議。各章內容提示詳見〈目錄〉的引文。

專業推薦

  ▎陳昇瑋/台灣人工智慧學校執行長
  ▎洪士灝/台灣大學資訊工程系教授
  ▎賴以威/數感實驗室共同創辦人
  ▎林錦宏/高醫大心理系助理教授
  ▎鄭國威/泛科知識公司知識長
  ▎黃貞祥/清華大學生命科學系助理教授
  ▎雷浩斯/專職投資人及投資講師
  ▎冏星人/說書節目製作人暨作家
  ▎(「得到」App萬維鋼老師書評介紹《指導生活的算法》 )






作者簡介


作者簡介

布萊恩‧克里斯汀Brian Christian

  電腦科學家,合著的《決斷的演算》獲得《麻省理工科技評論》選為年度最佳書籍,另一著作《人性較量:我們憑什麼勝過人工智慧?》(The Most Human Human)則為《紐約時報》推薦書籍及《紐約客雜誌》年度推薦圖書。其他作品見於《紐約客》雜誌、《大西洋》雜誌、《連線》、《華爾街日報》、《衛報》和《巴黎評論》等,以及《認知科學》等科學期刊,曾被翻譯為十餘種語言。

湯姆‧葛瑞菲斯Tom Griffiths

  加州大學柏克萊分校心理學和認知科學教授,並主持運算認知科學實驗室,曾經發表一百五十多篇科學論文,領域包含認知心理學和文化演變等,此外曾獲美國國家科學基金會、斯隆基金會、美國心理學會以及實驗心理學會等機構獎項。

譯者簡介

甘錫安

  學業結束後由科學界踏入「譯界」,現為專職譯者。曾擔任Discovery頻道與資訊雜誌編譯,現仍定期為《科學人》及《BBC知識》等雜誌翻譯。書籍譯作包括《勝算:賭的科學與決策智慧》、《品嚐的科學》(合譯)、《愛因斯坦1905》、《氣候創造歷史》、《現代主義烹調》、《獵光聖經》等,熱愛吸收各類知識,正努力朝「全方位譯人」的目標邁進。





內容目錄


目錄

前言:為什麼我們能跟電腦學決策?
演算法的本質是「解決問題的一連串步驟」,我們面臨的許多挑戰跟電腦科學家一樣都是:如何運用有限的空間、時間和注意力,因應未知事物和不完整的資訊。本書釐清這些難題的數學架構,闡述工程師如何教電腦發揮最大效用,並了解人腦如何克服相同限制。作者訪問了近五十年來最知名演算法的設計者,談談他們怎麼將所學用於生活。人類和電腦的解決方式融合程度極高,電腦科學不只能協助我們簡化問題以取得進展,甚至能提供具體的解決方法。

第一章 最佳停止點——什麼時候該見好就收?
盡量羅列選項,小心權衡後選出最好的一個,才是理性決策?實際上由於時間有限,決策過程最重要的面向是:何時應該停止。聘人、租屋、找車位、賣房子,以及尋覓伴侶和投資獲利時見好就收等,都是要在選項逐一出現時做出最佳選擇,它們真正困擾人的是可以考慮的選項有多少。依各狀況條件不同(比如能否吃回頭草、是否有明確標準),這章解釋了37%法則、思而後行法則、臨界值法則等,教你如何避免太早決定或找太久,何時該降低或提高標準以及標準該調整多少……

第二章 開發與善用——嘗試新歡?還是固守舊愛?
開發是蒐集資料,它能提高發現最佳選擇的機會;善用則是運用現有資訊,取得已知的良好結果,兩者各有利弊。人們大多把決策視為彼此孤立,每次分別尋找期望值最高的結果。其實決策極少是孤立的,如果你思考的是日後面對相同選項時要怎麼做,那麼權衡是要開發還是善用,就非常重要。本章以電腦科學中最能體現這兩者之矛盾,名稱取自吃角子老虎機的多臂土匪問題,闡述應該如何隨時間而改變目標,並且說明為何合理的行動過程多半未必會選擇最好的目標。

第三章 排序——依照順序排列
排序對於處理各種資訊都十分重要。電腦科學家經常要權衡排序和搜尋兩者,這項權衡的基本原則是:花心力排序資料,為的是省下日後花費心力找資料。於是這個問題變成:如何事先評估資料未來的用途?電腦科學指出,混亂和秩序造成的危險都可以量化,它們的成本都能以「時間」這個基準來呈現。Google搜尋引擎之所以強大,其實是拜預先排序之賜;但對於另外一些狀況,保持混亂往往更有效率。另外討論演算法的最差情況表現(以排序而言是最差完排時間),可以讓我們確定某個程序能在期限內完成,運動賽程的排定便是一例。

第四章 快取——忘掉就算啦!
你的收納問題其實與電腦管理記憶體時面臨的挑戰類似:空間有限,要如何既省荷包又省時間?快取的概念是把常用資料放在手邊備用,快取裝滿時為了騰出空間放新資料,得剔除一些舊資料——但剔除哪些好呢?電腦科學家探究了隨機剔除、先進先出(先剔除最舊的)以及最近最少使用法等,甚至發展出能預測未來並執行已知最佳策略的演算法。這方面的研究啟發了亞馬遜書店的「預測包裹寄送」專利,還扭轉了心理學家對於人類記憶的看法。

第五章 排程——優先的事情優先處理
重要且緊急、重要但不緊急、不重要但緊急、不重要但不緊急……,時間管理大師總教人照這順序處理事情。但電腦科學家會要你先搞清楚「用什麼標準來評量成果」。是在期限內完成最重要?還是盡量縮短讓客戶等待的時間?抑或劃掉待辦清單上越多項目越好?不同的評量標準得採用不同的作業策略。本章還用電腦的「上下文交換」探討讓其他工作插隊的代價,用「往復移動」提醒忙到變成在空轉的徵兆;並告訴你如何在反應能力和處理能力間取捨,為何有時完成工作的最佳策略反而是慢下來。

第六章 貝氏法則——預測未來
十八世紀的英國,賭博這個領域不僅深深吸引傑出數學家,也吸引了牧師湯瑪斯.貝斯,他由於研究彩券的中獎率,而對於「在不確定下進行推測」的歷史帶來重大影響。他認為由過去的假設狀況進行正向推理可提供基礎,讓我們逆向推出最可能的答案。其他科學家繼續研究預測事情的各種方法,像是:如何把各種可能假設狀況濃縮成單一期望值、根據事件類型提供適當的事前機率。其實我們腦中已儲存許多精確的事前分布,因此常可由少量觀察結果做出不錯的預測,換句話說小數據其實是偽裝的大數據。

第七章 過度擬合——少,但是更好
談到思考,我們往往覺得想得越多越好:列出的優缺點越多,做出的決定越好;列出的相關因素越多,越能精準預測股價。實際上統計模型倘若太過複雜,使用過多參數,會太容易受我們取得的資料影響,而可能隨參與者不同而出現大幅差異,這就是過度配適。機器學習的一大重要事實是:考慮因素較多、比較複雜的模型,未必比較好。這章演示了過度配適如何扭曲我們對資料的解讀,點出日常生活中俯拾皆是的過度配適事例,並且教你如何藉由交叉驗證等方法揪出過度配適(像是怎麼分辨真正的人才和僅是懂得揣摩上意的員工?)並且對抗它。

第八章 鬆弛——放鬆點,不求完美才有解
過去幾十年來電腦科學家發現,無論使用多快的電腦,或程式設計得多厲害,有一類問題就是不可能找出完美解方。面對無法解決的挑戰時,你毋須放棄,但也別再埋頭苦幹,而該嘗試第三種作法。電腦科學會界定問題是「可解」還是「難解」,遇到難解問題時會先「放鬆問題」:也就是先去除問題的某些限制,再著手解決它。最重要的放鬆方法比如限制鬆弛法、連續鬆弛法,以及付出點代價、改變規則的拉氏鬆弛法……

第九章 隨機性——什麼時候該讓機率決定
隨機看似和理性相反,代表我們放棄這個問題,採取最後手段。你若是知道隨機性在電腦科學中扮演多吃重的角色,可能會非常驚訝。面對極為困難的問題時,運用機率可能是審慎又有效的解決方法。隨機性演算法未必能提出最佳解,但它不用像確定性演算法那麼辛苦,只要有計畫地丟幾個硬幣,就能在短短時間內提出相當接近最佳解的答案,它解決特定問題的效果,甚至超越最好的確定性演算法。這章將要告訴你依靠機率的時機、方式,以及仰賴的程度。

第十章 網路——我們如何互通聲息
人類互通聲息的基礎是協定,也就是程序和預期的共通慣例,例如握手、打招呼和禮貌,以及各種社會規範。機器間的聯繫也不例外。這類協定是微妙但長久存在的焦慮來源。我前幾天傳了個訊息,從何時開始我會懷疑對方根本沒收到呢?你的回答怪怪的,我們之間是不是有什麼誤會?網際網路問世後,電腦不僅是溝通管道,也是負責交談的聯絡端點,因此它們必須解決本身的溝通問題。機器與機器間的這類問題以及解決方案,很快便成了我們借鏡的對象。

第十一章 賽局理論——別人是怎麼想的?
賽局理論廣泛影響經濟學和社會科學領域,然而除非賽局參與者找得到奈許均衡,它的預測能力才會造成影響,但是電腦科學家已經證明,純粹尋找奈許均衡是難解問題……
另外傳統賽局理論有個見解:對一群依自身利益採取理性行動的參與者而言,「均衡」或許不是最好的結果。演算法賽局理論依採用了此見解並加以量化,創造出「自主行為代價」這個度量,結果發現某些賽局中自主行為的代價其實沒有很高,這意謂著該系統不論細心管理或放任不管都差不多。

結語:運算的善意
對於人類某些問題,如今已經找到解決的演算方法;即使尚未得到所需結果,使用最佳演算法也會讓人寬心。此外電腦科學還能協助我們,清楚劃分哪些問題有明確解答、哪些問題則無,從而選擇要面對什麼——包括自己要面對什麼,以及要讓其他人面對什麼,其原則便是運算的善意。現今的電腦做的,並非「盡量羅列選項,找出最好的一個」。有效的演算法會做出假設,偏向選擇較簡單的解答、權衡誤差代價和延遲

Brand Slider