模型思维：简化世界的人工智能模型

对从事算法研究与算法开发的人来说，模型的学习与使用必不可少。尤其是在目前如日中天的人工智能领域里，人人谈模型，模型也是层出不穷，让人眼花缭乱。模型让人又爱又恨。模型可爱的地方在于它确实能够解决实际问题，而且其有效性一般都经过了检验。模型可恨的地方在于学习模型是一件非常痛苦的事情，尤其是对人工智能的初学者来说。本书将人工智能在现实生活场景中解决的问题分类，并根据这个分类来介绍各种模型。书中将人工智能问题分为权重问题、状态问题、序列问题、表示问题、相似问题和分类问题六大类，方便读者了解各个模型之间的关系，也方便读者理解各个模型的适用场景。本书尽量更多地介绍模型的使用场景，更多地介绍实际业务需求之间的关系，更多地采用生活中更浅显易懂的例子，方便人工智能的初学者学习模型。本书不仅适合希望学习和运用人工智能模型到具体应用场景的企业工程师、科研院所的学生和科研人员，也适合对人工智能模型感兴趣的读者，使其将模型思维应用到生活中。

本书最大的亮点在建立了模型的知识图谱，从应用场景对模型进行了分类（6类问题：权重、状态、序列、表示、相似、分类），介绍了解决每一类问题的几种主要模型，并举例说明，尽量降低读者对抽象数学问题理解门槛。而且，对不同问题类别之间的关联关系、异同点尽可能加以说明，便于读者学习后建立自己的知识体系。 可能是由于作者从事研究方向的原因，作者举例侧重于文本处理，对视觉、音频，特别是工业时序数据的应用案例较少涉及，略显不足！ 另外,由于编辑和校对不够细致，数据、公式以及图例有几处错误，让人理解困难。总之，瑕不掩瑜，作为我的第一本模型类的书，啃了三个多月，做了详细的思维导图笔记，相当于把书拆了，重新组合，还是受益匪浅，推荐给其他有兴趣的读者！

一、为什么读模型思维？ 1.工作需要 现阶段工作中大量使用NLP模型，在需要引入新的策略时，发现自己对于基础的模型其实了解的很不够；为了避免可能要自己摸索不同的模型，所以需要有一个相对清晰的模型背景知识。 2.AI时代的趋势 在AI时代有关于模型、算法、统计学、大模型相关的词汇比比皆是，而且所有人都能敏锐的感觉到，这可能是在第一次第二次工业革命，信息革命之后的有一大直接影响历史的技术迭代了，因此多了解一下前沿知识，短期内其实可以提高自己的工作能力，长期是有助于职业规划和个人提升的。 3.单纯觉得有趣 可能作为一个什么J人？我喜欢这种有规律、有逻辑的事情，能够通过模型计算万物的感觉很棒！通过模型去准确的得到量化结果，非常的有成就感。 二、这本书怎么样？ 值得一读，但不值得花费大量时间读 1.好评 * 如作者所说，他在书中结合了很多的模型使用场景，让读者更加容易理解，所以可读性更强。 * 附带了一些历史科普和背景，对于非专业读者来说有很多场景非常有意思，例如谷歌的故事，例如马尔科夫链的故事 2.差评 * 目录乱七八糟，作者在一级目录的分类还算是比较清晰的，但是一旦到了二级目录和下属的内容，在内容阐述上会有些乱，对初学者很不友好，对于严谨性的内容，目录不清晰的话，其实很致命 * 读者群体不明确，作者在简介和序中都说自己想要弱化数学推导过程，照顾业余读者，但其实全文内容一致在疯狂的输出数学内容，和自己的初衷背道而驰了。如果是要做科学推导我觉得没问题，但就成书结果来看其实两边不讨好吧？ 三、收获 读完这本书我收获了7000多字的笔记，遗留了50多个问题需要后面慢慢啃，还不包括一些其实解决的问题，结合使用场景来读，很多模型确实能给人留下很多深刻的印象。 四、建议 1.抽出稍微完整的时间好好的读，走马观花一定读不下去，且读完会毫无记忆点，需要结合上记笔记，记延伸的知识点 2.结合成熟大模型慢慢啃，有很多内容需要大模型帮忙进行通俗解释，有些通俗解释可能不对，但是对于非专业的人来说，可能理解第一；就像马斯克曾经对于为什么充电越来越慢的解释一样，虽然可能不是非常严谨，但是非常好理解 3.结合科普视频来读，B站有很多科普类的视频，建议大家把很多知识点记下来，再细细的啃 4.大模型的只是体系很庞大，建立在了很多数学、统计学的知识之上，对于没有这些知识背景的人来说，可能需要啃的东西很多，建议先读一些基本读物再读这本书，尤其是统计学的相关知识

这是一本超级好书，值得我多读几遍，虽然有很多东西我并不太懂，但这本书教导的思维方式很美，值得我拥有。 冯诺依曼层讲过：如果你不认为数学是简单的，那是你不知道生活是多么复杂。这本书就让我看到了这种简单和美。 万事万物是复杂的，数学则是简单的。如果我们用自己的知识，对复杂的万事万物进行尽可能的简化，以至于能用数学进行描述，我们便拥有了一个数学模型，从而用数学的严明逻辑对万事万物进行研究。这就是模型思维，也可以理解成数学思维。 有了模型思维，我们就可以更加深刻的理解万事万物，我们就可以把万事万物归类研究，有时候甚至可以直接改造，让万事万物为我们所用。说数学是科学之母，大致是因为这样吧。 这让我联想到我们现在所从事的事业或者工作。如果我们用模型思维去理解，我们将会很快抵达这件事物的本质。 我所从事的科学交易也是这样一件事情，我们要做的事情不是试图去理解万事万物背后的因果逻辑，但是呢，我们可以把它简化成数学模型，从而在不确定性中找到随机，在随机中找到确定性。 好书，收藏了。

推荐此书，为作者努力表示赞赏，将目前AI，ML领域的已有模型工具映射到业务领域，创建AI的知识图谱，还有很多工作要做。作者开了一个好的头，但建议在继续就知识图谱深入分析下去，效果将更好，毕竟能解决问题的模型才是好模型。目前介绍技术的书汗牛充栋，而能正真有用的很少，不如直接介绍模型使用的商业场景，把知识图谱建好，支持查询和检索，会有很多的创意产生。至于具体模型使用，谁会从0去搭建，现成可以用的框架和工具很多，知道了不同模型使用场景，工具拿来用就是了。当然也理解作者，可能还没有太多精力来接触商业项目。这部分工作，估计只有自己来做。 先总结常用的AI模型和商业价值：贝叶斯算概率，用于决策；相似度计算来做方案推荐（商品，歌曲，解决方案，答疑）；分类模型，聚类来处理人群画像，商品标签；权重计算，线性回归，TD-IDF，page rank模型用于解决排序，估值等问题；

1. 本书将模型分为了六类：权重模型、状态模型、序列模型、表示模型、相似模型、分类模型，每一类细分了常见的模型，框架清晰，提纲挈领； 2. 作者提出模型是对客观事物的简化表示，对每个模型的应用场景、输入输出和原理进行了介绍，涉及一些数学公式推导和算法说明，没有相关代码； 3. 本书的模型大多是处理文本类型的数据，没有涉及深度学习、大语言模型，并不能算是人工智能模型，推荐对模型思维感兴趣的人，不推荐想了解人工智能的人。

优点：可以很好的了解机器学习的发展历程，内容更偏向白盒，有着教导的意义。涉及的面较广，介绍了很多领域的问题，适合普及 缺点：算法比较古早，介绍的模型几乎被淘汰了，引申阅读里有不少先进算法，不明白这些更重要的模型为啥不详细介绍

此书值得推荐一读，非常适合对人工智能模型的学习，提高模型思维，尤其在数学上建立模型的基础理论学习，非常有帮助。

读得很粗糙 迷失在计算细节里，不是一本科普书 但是作为教材的话似乎也不合适，没有另两本系统思维，模型思维好看

入门或者复习可用此书，如果需要深入学习，建议在网上找找博客，用纸笔写写画画，推导几遍，然后找代码看看，运行一下