模型思維：簡化世界的人工智能模型

對從事算法研究與算法開發的人來說，模型的學習與使用必不可少。尤其是在目前如日中天的人工智能領域裏，人人談模型，模型也是層出不窮，讓人眼花繚亂。模型讓人又愛又恨。模型可愛的地方在於它確實能夠解決實際問題，而且其有效性一般都經過了檢驗。模型可恨的地方在於學習模型是一件非常痛苦的事情，尤其是對人工智能的初學者來說。本書將人工智能在現實生活場景中解決的問題分類，並根據這個分類來介紹各種模型。書中將人工智能問題分爲權重問題、狀態問題、序列問題、表示問題、相似問題和分類問題六大類，方便讀者瞭解各個模型之間的關係，也方便讀者理解各個模型的適用場景。本書儘量更多地介紹模型的使用場景，更多地介紹實際業務需求之間的關係，更多地採用生活中更淺顯易懂的例子，方便人工智能的初學者學習模型。本書不僅適合希望學習和運用人工智能模型到具體應用場景的企業工程師、科研院所的學生和科研人員，也適合對人工智能模型感興趣的讀者，使其將模型思維應用到生活中。

本書最大的亮點在建立了模型的知識圖譜，從應用場景對模型進行了分類（6類問題：權重、狀態、序列、表示、相似、分類），介紹瞭解決每一類問題的幾種主要模型，並舉例說明，儘量降低讀者對抽象數學問題理解門檻。而且，對不同問題類別之間的關聯關係、異同點儘可能加以說明，便於讀者學習後建立自己的知識體系。 可能是由於作者從事研究方向的原因，作者舉例側重於文本處理，對視覺、音頻，特別是工業時序數據的應用案例較少涉及，略顯不足！ 另外,由於編輯和校對不夠細緻，數據、公式以及圖例有幾處錯誤，讓人理解困難。總之，瑕不掩瑜，作爲我的第一本模型類的書，啃了三個多月，做了詳細的思維導圖筆記，相當於把書拆了，重新組合，還是受益匪淺，推薦給其他有興趣的讀者！

一、爲什麼讀模型思維？ 1.工作需要 現階段工作中大量使用NLP模型，在需要引入新的策略時，發現自己對於基礎的模型其實瞭解的很不夠；爲了避免可能要自己摸索不同的模型，所以需要有一個相對清晰的模型背景知識。 2.AI時代的趨勢 在AI時代有關於模型、算法、統計學、大模型相關的詞彙比比皆是，而且所有人都能敏銳的感覺到，這可能是在第一次第二次工業革命，信息革命之後的有一大直接影響歷史的技術迭代了，因此多瞭解一下前沿知識，短期內其實可以提高自己的工作能力，長期是有助於職業規劃和個人提升的。 3.單純覺得有趣 可能作爲一個什麼J人？我喜歡這種有規律、有邏輯的事情，能夠通過模型計算萬物的感覺很棒！通過模型去準確的得到量化結果，非常的有成就感。 二、這本書怎麼樣？ 值得一讀，但不值得花費大量時間讀 1.好評 * 如作者所說，他在書中結合了很多的模型使用場景，讓讀者更加容易理解，所以可讀性更強。 * 附帶了一些歷史科普和背景，對於非專業讀者來說有很多場景非常有意思，例如谷歌的故事，例如馬爾科夫鏈的故事 2.差評 * 目錄亂七八糟，作者在一級目錄的分類還算是比較清晰的，但是一旦到了二級目錄和下屬的內容，在內容闡述上會有些亂，對初學者很不友好，對於嚴謹性的內容，目錄不清晰的話，其實很致命 * 讀者羣體不明確，作者在簡介和序中都說自己想要弱化數學推導過程，照顧業餘讀者，但其實全文內容一致在瘋狂的輸出數學內容，和自己的初衷背道而馳了。如果是要做科學推導我覺得沒問題，但就成書結果來看其實兩邊不討好吧？ 三、收穫 讀完這本書我收穫了7000多字的筆記，遺留了50多個問題需要後面慢慢啃，還不包括一些其實解決的問題，結合使用場景來讀，很多模型確實能給人留下很多深刻的印象。 四、建議 1.抽出稍微完整的時間好好的讀，走馬觀花一定讀不下去，且讀完會毫無記憶點，需要結合上記筆記，記延伸的知識點 2.結合成熟大模型慢慢啃，有很多內容需要大模型幫忙進行通俗解釋，有些通俗解釋可能不對，但是對於非專業的人來說，可能理解第一；就像馬斯克曾經對於爲什麼充電越來越慢的解釋一樣，雖然可能不是非常嚴謹，但是非常好理解 3.結合科普視頻來讀，B站有很多科普類的視頻，建議大家把很多知識點記下來，再細細的啃 4.大模型的只是體系很龐大，建立在了很多數學、統計學的知識之上，對於沒有這些知識背景的人來說，可能需要啃的東西很多，建議先讀一些基本讀物再讀這本書，尤其是統計學的相關知識

這是一本超級好書，值得我多讀幾遍，雖然有很多東西我並不太懂，但這本書教導的思維方式很美，值得我擁有。 馮諾依曼層講過：如果你不認爲數學是簡單的，那是你不知道生活是多麼複雜。這本書就讓我看到了這種簡單和美。 萬事萬物是複雜的，數學則是簡單的。如果我們用自己的知識，對複雜的萬事萬物進行儘可能的簡化，以至於能用數學進行描述，我們便擁有了一個數學模型，從而用數學的嚴明邏輯對萬事萬物進行研究。這就是模型思維，也可以理解成數學思維。 有了模型思維，我們就可以更加深刻的理解萬事萬物，我們就可以把萬事萬物歸類研究，有時候甚至可以直接改造，讓萬事萬物爲我們所用。說數學是科學之母，大致是因爲這樣吧。 這讓我聯想到我們現在所從事的事業或者工作。如果我們用模型思維去理解，我們將會很快抵達這件事物的本質。 我所從事的科學交易也是這樣一件事情，我們要做的事情不是試圖去理解萬事萬物背後的因果邏輯，但是呢，我們可以把它簡化成數學模型，從而在不確定性中找到隨機，在隨機中找到確定性。 好書，收藏了。

推薦此書，爲作者努力表示讚賞，將目前AI，ML領域的已有模型工具映射到業務領域，創建AI的知識圖譜，還有很多工作要做。作者開了一個好的頭，但建議在繼續就知識圖譜深入分析下去，效果將更好，畢竟能解決問題的模型纔是好模型。目前介紹技術的書汗牛充棟，而能正真有用的很少，不如直接介紹模型使用的商業場景，把知識圖譜建好，支持查詢和檢索，會有很多的創意產生。至於具體模型使用，誰會從0去搭建，現成可以用的框架和工具很多，知道了不同模型使用場景，工具拿來用就是了。當然也理解作者，可能還沒有太多精力來接觸商業項目。這部分工作，估計只有自己來做。 先總結常用的AI模型和商業價值：貝葉斯算概率，用於決策；相似度計算來做方案推薦（商品，歌曲，解決方案，答疑）；分類模型，聚類來處理人羣畫像，商品標籤；權重計算，線性迴歸，TD-IDF，page rank模型用於解決排序，估值等問題；

1. 本書將模型分爲了六類：權重模型、狀態模型、序列模型、表示模型、相似模型、分類模型，每一類細分了常見的模型，框架清晰，提綱挈領； 2. 作者提出模型是對客觀事物的簡化表示，對每個模型的應用場景、輸入輸出和原理進行了介紹，涉及一些數學公式推導和算法說明，沒有相關代碼； 3. 本書的模型大多是處理文本類型的數據，沒有涉及深度學習、大語言模型，並不能算是人工智能模型，推薦對模型思維感興趣的人，不推薦想了解人工智能的人。

優點：可以很好的瞭解機器學習的發展歷程，內容更偏向白盒，有着教導的意義。涉及的面較廣，介紹了很多領域的問題，適合普及 缺點：算法比較古早，介紹的模型幾乎被淘汰了，引申閱讀裏有不少先進算法，不明白這些更重要的模型爲啥不詳細介紹

此書值得推薦一讀，非常適合對人工智能模型的學習，提高模型思維，尤其在數學上建立模型的基礎理論學習，非常有幫助。

讀得很粗糙 迷失在計算細節裏，不是一本科普書 但是作爲教材的話似乎也不合適，沒有另兩本系統思維，模型思維好看

入門或者複習可用此書，如果需要深入學習，建議在網上找找博客，用紙筆寫寫畫畫，推導幾遍，然後找代碼看看，運行一下