终极算法：机器学习和人工智能如何重塑世界

《终极算法：机器学习和人工智能如何重塑世界》拆解 作者：[美]佩德罗·多明戈斯 一、一句话概括 机器学习的不同流派各自掌握了智能的一部分，如果能把逻辑、神经网络、进化、概率和类推学习的优势统一起来，就可能形成一种从数据中自动发现知识的“终极算法”，但这一设想仍是研究愿景而非已经实现的事实。 二、核心逻辑 全书围绕“五大学派”和一个统一目标展开： 1. 符号学派：学习规则和逻辑结构。2. 联结学派：模拟神经元网络，通过误差反馈调整连接。3. 进化学派：用变异、组合和选择搜索程序。4. 贝叶斯学派：用概率表示不确定性并更新信念。5. 类推学派：根据相似案例进行判断。 作者认为，每个学派都擅长解决某类问题，也都有明显局限。 核心路径是： 比较五种学习范式 → 找出各自的主算法 → 提取互补能力 → 设想统一学习器 → 用它自动发现复杂世界中的知识 三、核心内容 1. 机器学习让计算机不必等待人写完所有规则 传统编程由人明确编写规则，计算机按照规则处理输入并产生输出。 机器学习则提供数据和目标，让算法自动找到能够完成任务的模型。 两种方式可以概括为： 传统编程：数据＋规则→答案；机器学习：数据＋答案→规则或模型。 这使机器能够处理图像、语言、推荐和欺诈检测等难以逐条编写规则的问题。 2. 学习算法已经深入普通生活 推荐、搜索、广告、信用、保险、招聘和导航系统，都在根据用户数据学习。 它们可能在用户主动提出要求前，预测需求并影响选择。 算法并非只是观察用户，也会改变用户： 推荐影响消费；排序影响注意力；评分影响机会；个性化影响接触的信息；自动决定可能强化历史偏见。 了解机器学习，也是在了解现代社会中的一种新权力。 3. “终极算法”追求从有限数据发现广泛规律 作者设想，真正通用的学习算法应能够从不同类型的数据中学习，并把已有知识迁移到新任务。 它需要处理： 规则与关系；感知模式；不确定性；相似性；结构搜索；隐藏变量；少量样本；不同领域的知识迁移。 终极算法的目标不是解决一个固定任务，而是学习怎样解决任务。 4. 符号学派相信智能来自规则与逻辑 符号学派把知识表示成概念、关系和逻辑规则。 学习的目标，是从观察到的事实反推出能够解释它们的一般规则。 其优势包括： 结构清晰；推理过程容易检查；能利用已有知识；适合关系和组合问题；可以表达复杂规则。 局限是面对原始感知数据时较弱，规则搜索空间也可能迅速膨胀。 5. 归纳问题说明观察无法唯一决定规律 休谟指出，再多历史观察也不能在纯逻辑上保证未来一定相同。 有限数据通常能够被多种规则解释。学习算法必须引入某种偏好，例如： 更简单的规则；更平滑的函数；更可能的先验；更大的间隔；更接近已有样本；与领域知识更一致。 这叫归纳偏置。没有偏置，模型无法从有限数据推广到未知情况。 6. 联结学派通过神经网络学习表示 联结学派认为，智能来自大量简单单元之间的连接。 感知机把输入加权后进行分类，多层神经网络则通过隐藏层学习更复杂的表示。 反向传播根据输出误差计算各连接对错误的贡献，再逐层调整参数。 其优势是： 适合图像、语音和文本；能自动学习特征；可通过大数据扩展；表示具有分布式特征。 局限包括训练依赖数据和算力、解释困难，以及容易学习数据中的偏差和捷径。 7. 进化学派把学习看成自然选择 进化算法维护一组候选解，并反复进行： 1）评价适应度；2）选择较好个体；3）变异；4）交叉组合；5）产生新一代。 遗传编程甚至可以直接进化程序结构。 这种方法适合目标可以评价、但梯度难以获得的复杂搜索问题。 局限是计算成本高，搜索效率和结果稳定性可能不足，也需要谨慎设计适应度函数。 8. 贝叶斯学派用概率管理不确定性 贝叶斯定理把先验信念与新证据结合，得到后验概率。 贝叶斯学习的核心是： 不只寻找一个答案，而是衡量不同解释有多可能 其优势包括： 能表达不确定性；可融合已有知识；适合小样本更新；支持因果和隐变量建模；决策时可以结合损失与收益。 难点是复杂模型的精确推断往往不可计算，需要采样、变分等近似方法。 9. 贝叶斯网络表示变量间依赖 贝叶斯网络用有向图表示随机变量和条件依赖关系。 它能够编码“哪些变量直接影响哪些变量”，并在观察新证据后更新其他变量的概率。 图结构降低了联合分布的表示成本，也使推理更容易解释。 但从观察数据中学习因果结构非常困难。统计相关本身不能自动证明因果关系，仍需要假设、实验或领域知识。 10. 类推学派根据相似经验进行判断 类推学派认为，相似对象往往具有相似结果。 K最近邻直接寻找与新样本最接近的历史案例，再根据邻居作出预测。 支持向量机则通过核方法和最大间隔，在更高维空间中寻找分类边界。 这类方法的关键是定义相似性。不同距离、特征尺度和表示会产生完全不同结果。 高维数据中，简单距离还会受到“维度灾难”影响。 11. 支持向量机用最大间隔提高泛化 支持向量机寻找能够分开类别且间隔最大的超平面。 只有靠近边界的支持向量直接决定分类面，远离边界的样本影响较小。 核技巧让线性算法可以在隐式高维空间中形成非线性边界。 SVM在中小规模和高维任务中非常强大，但大样本训练成本较高，概率解释也需要额外处理。 12. 无监督学习试图在没有标签时发现结构 现实数据大多没有人工标签，因此学习器不能只依赖监督学习。 无监督任务包括： 聚类；降维；密度估计；发现潜在因素；学习表示；异常检测。 无监督学习希望从输入自身发现规律，为后续任务提供特征或结构。 但没有标签时，什么算“正确结构”并不明确，评价往往更困难。 13. 隐变量用于解释观察背后的原因 观察数据可能由看不见的因素产生。 例如，用户购买行为可能受到兴趣、收入、场景和社会影响，这些因素并不直接出现在记录中。 隐变量模型尝试从数据中恢复这些潜在因素。 表示学习、主题模型、矩阵分解和生成模型都采用类似思想：用较少的隐藏结构解释大量可见数据。 14. 统一五大学派需要同时结合结构与不确定性 符号学派擅长规则，联结学派擅长感知，进化学派擅长结构搜索，贝叶斯学派擅长不确定性，类推学派擅长相似迁移。 真正统一的算法需要让这些能力协同，而不是简单把五个模型并排放置。 作者的重要尝试之一，是把一阶逻辑规则与概率图模型结合，使规则不再只有绝对真和假，而可以具有不同权重。 这种概率逻辑适合描述关系复杂、规则存在例外的现实世界。 15. 马尔可夫逻辑网络展示了统一方向 马尔可夫逻辑网络把逻辑公式作为特征，并为每条公式赋予权重。 权重越大，违反该规则的可能性越低；但规则不是绝对约束，因此系统能够容忍噪声和例外。 它结合了： 符号逻辑的结构表达；概率模型的不确定性；从数据学习规则权重；对关系数据进行推断。 它是通向统一学习器的一种探索，但并未完整统一全部机器学习流派。 16. “终极算法”首先是一种研究纲领 作者相信，自然界可能存在某种通用学习原则，就像少数物理定律解释大量现象。 但机器学习领域至今没有公认的唯一终极算法。 现实中，不同任务仍依赖不同架构、数据、目标和工程系统。大语言模型虽然表现出较强通用性，也仍受到幻觉、数据依赖、成本、控制和真实环境行动能力限制。 因此，应把终极算法视为推动统一研究的愿景，而不是已经被证明的结论。 17. 数据会形成每个人的“数字替身” 平台通过搜索、点击、位置、消费和社交数据，为用户建立预测模型。 这个模型并不是完整的个人，却会代表个人参与许多自动决定： 推荐什么内容；展示什么广告；是否批准贷款；给出什么价格；是否进入招聘候选；被判断为什么风险等级。 用户需要关心数字替身是否准确、能否查看和修改，以及不同平台是否能够滥用它。 18. 用户应主动训练自己的算法 个性化系统从用户行为中学习，因此每一次点击、停留和反馈都可能改变未来推荐。 如果用户被动使用，算法可能只优化容易测量的即时行为。 更好的方向是让用户： 明确表达长期目标；查看系统推断的偏好；修改错误标签；控制数据用途；选择推荐目标；关闭不需要的个性化；导出或删除个人数据。 算法越了解用户，用户越需要拥有训练和纠正算法的权利。 19. 机器学习会改变科学发现方式 传统科学先提出假设，再通过实验检验。 机器学习可以从海量数据中发现人类未曾想到的模式，帮助提出新假设、设计实验和寻找材料或药物。 但预测能力不能替代理论解释。科学仍需区分相关与因果，并通过可重复实验验证结论。 机器学习可以加速科学，却不能取消证据标准。 20. 算法竞争可能导致目标错位 企业使用学习算法优化点击、停留、利润或市场份额。当多个系统竞争时，它们可能不断强化最容易获胜的行为。 结果可能包括： 信息越来越刺激；价格歧视更加精细；用户注意力被过度占用；偏见通过反馈循环放大；少数平台掌握更强数据优势；个体难以理解或拒绝自动决定。 问题通常不在于算法邪恶，而在于目标函数过窄、权力缺少制约。 21. 机器学习的社会治理需要新的权利结构 当算法影响机会和资源时，需要建立： 数据知情权；访问和更正权；删除和迁移权；自动决策说明；人工复核和申诉；偏差与安全审计；明确的责任主体；对高风险用途的限制。 技术越强，越不能把重要决定隐藏在“商业秘密”后面。 22. 本书的技术版图具有明显时代背景 本书完成于深度学习崛起、Transformer和生成式大模型普及之前。 当时五大学派之间的界线更加明显。今天的基础模型已经融合神经网络、自监督学习、概率生成、检索、强化学习和工具调用等多种方法。 但书中提出的核心问题仍然有效： 归纳偏置从何而来；怎样融合知识和数据；怎样处理不确定性；怎样从少量样本迁移；怎样让用户控制算法；能否建立更统一的学习理论。 四、本书最值得关注的核心观点 本书最值得关注的观点是： 每一种机器学习算法都包含一套关于“世界怎样产生规律”的假设。 符号学派相信世界可以由规则解释，联结学派相信复杂能力来自连接权重，进化学派相信搜索和选择能够产生结构，贝叶斯学派相信不确定性应以概率更新，类推学派则相信相似对象具有相似结果。 不存在完全没有偏见、只靠数据自动发现真理的算法。模型选择，就是选择一套归纳偏置。 理解这一点，才能知道算法为什么在某些任务上成功，也能识别它会在哪些场景失败。 五、一段话总结 《终极算法》把机器学习划分为符号、联结、进化、贝叶斯和类推五大学派：它们分别通过逻辑规则、神经网络、遗传搜索、概率推断和相似性学习知识。作者认为，各流派只掌握了智能的一部分，未来可能通过概率逻辑、表示学习和结构搜索等方法走向统一，形成能够从多种数据与任务中自动发现知识的“终极算法”。这一设想仍是研究愿景，并非已经实现的科学定论，但它提供了理解机器学习的清晰地图：每个算法都依赖特定归纳偏置，没有模型能够仅凭数据无假设地获得真理。随着算法通过个人数据形成“数字替身”并参与推荐、招聘、信贷和社会决策，用户还必须拥有查看、纠正和约束算法的权利，让机器学习服务人的目标，而不是只服务平台容易量化的指标。

智能人不会控制人类！他终究是个机器！会被人利用！但决不会利用人！被人利用的功能可能会超出人类想象！极度的智能人有可能便人的智能形成依赖而失去判断！并退化！就如担心汽车等工具代替行走！人走路功能会退化！但你会觉得这种担心是过度焦虑！

（修改文字）《终极算法：机器学习和人工智能如何重塑世界》是由佩德罗·多明戈斯（Pedro Domingos）所著，是一本关于机器学习和人工智能的开创性著作。以下是书的核心内容、逻辑及独特见解的总结，仅供学习参考： 一. 该书核心内容： 1. 归纳总结人工智能领域五大学派：多明戈斯介绍了机器学习的五大主流学派——符号主义、连接主义、进化论、贝叶斯学派和模拟推理，并简明解释了每一派的主要思想、方法。 2. 终极算法：他提出了“终极算法”（The Master Algorithm）的概念，这是一个理论上可以从任何数据中学习任何东西的算法，结合五大学派的优点。 3. 数据是关键：强调在机器学习领域，数据的重要性超过了算法，更多的数据通常意味着更好的性能。 4. 人与机器的结合：机器学习算法强大，但人类的直觉和专业知识仍然很重要，结合人与机器的优点可以得到最佳的结果。 5. 机器学习的社会影响：机器学习广泛应用，对社会的影响也越来越大，包括就业、隐私、伦理等多方面。 2. 书对机器学习领域的广泛深入概述，同时提出了未来发展的思考，鼓励读者理解各学派的长处和短处，并认识到未来可能存在的统一框架或方法。 3. 通过实际问题（如电影推荐）展示五大学派如何处理问题，以及核心结论如何与之相关。 二. 该书核心逻辑： 1. 在五个章节中，通过介绍机器学习的五大学派，提供了全面的机器学习概览。 2. 尽管这五大学派在方法和理念上有所不同，但它们都是为了同一个目的——从数据中学习。 3. 最终，提出努力寻找并开发一个综合了这五大学派优点的终极算法。 三. 本书独特见解： 1. 学派整合：不仅描述各学派，还提出将它们的优点整合到一个单一框架中的想法。 2. 实用导向：除了理论，还详细描述了如何在现实世界中应用机器学习，提供了实用建议和案例。 3. 对未来的展望：深入洞察人工智能如何影响未来，讨论其潜在的风险和机会，以及如何应对挑战。 四. 作者成就之回顾： 作者佩德罗·多明戈斯是机器学习和数据挖掘领域的知名学者，他的主要贡献包括统一学习算法、Markov Logic Networks、数据流挖掘、多示例学习、社交网络挖掘、高效学习算法等领域。他也是一位杰出的教育家，通过教育和写作普及了机器学习知识。 总的来说，该书提供了全面而深入的关于机器学习和人工智能的视角，从理论到实践，再到对未来的展望，充分揭示了作者的研究和思考成果。这本书对于学习人工智能领域的经典知识是必读之作，同时也具有幽默搞笑的风格，值得珍藏。

第二个忧虑就是人类会自愿屈服于统治。它始于机器人的权力，对我但并不是所有人来说有点荒谬。毕竟，我们已经把权力赋予了动物，但动物却从不要求有权力。在扩张“共鸣圈”中，其下一步就是机器人权力应该算是合情合理。对机器人表示同情并不难，尤其设计它们就是为了唤起同情。即使是日本的“虚拟宠物”，只有三个按键、一个LCD（液晶显示器）屏幕，也能成功唤起同情。第一个像人的消费者机器人会引发竞赛：制造越来越多唤起同情心的机器人，因为它们卖得比一般的金属机器人要好得多。由机器人奶奶带大的孩子会终身容易被友好的电子朋友感动。“恐怖谷理论”——对于那些接近人类但又不是人类的机器人，我们会有不适感——对他们来说将会无法理解，因为他们带着机器人的习性长大，甚至可能会变成酷酷的青少年。 在隐伏的人工智能统治的进程中，下一步就是让它们做所有决策，因为它们是如此智能。当心！它们可能会更加智能，但它们服务于任何设计出它们计分函数的人。这就是“绿野仙踪”问题。在智能机器人的世界中，你的工作就是要确保它们做了你想做的事，无论是在输入（设定目标）时，还是在输出（检查你得到了自己要求得到的东西）时。如果你不这样做，会有其他人做。机器可以帮助我们弄明白总体来说我们想要什么，但如果你不参与，就会输掉——就像民主一样，只有参与你才不会输。和当今我们相信的相反，人类太容易遵守别人的规则，而任何足够先进的人工智能都无法区别于上帝。人类不会介意听取来自某台玄妙深奥的计算机的前进命令，问题在于谁来监督监督者。人工智能通往的是更完善的民主，还是更潜伏的专政？永恒的监视才刚刚开始。 第三个忧虑（可能也是最大的）就是像众所周知的魔仆一样，机器会给我们要求的而不是想要的东西。这并不是一种假设性情景分析，学习算法会一直做这件事。我们训练神经网络来识别马匹，但它掌握的却是褐块，因为所有的马匹机器训练集刚好是褐色的。你只是买一块手表，所以亚马逊推荐了类似的商品——其他手表，此时手表变成你最不想买的东西。如果你检查计算机今天所做的所有决定，比如谁拿到信用卡，就会发现这些决定常常不必要那么糟糕。如果你的大脑是一台支持向量机，且你的所有信用评估知识从阅读一个糟糕的数据库中得来，你的决定也会变成那样。人们担心计算机会变得过于智能而统治世界，但真正的问题是，它们也很愚蠢但已经统治世界。

高级科普类读书，本书围绕机器学习方法的发展提出了5大学派: 符号学派、联结学派、 贝叶斯学派、进化学派和类推学派。其分别对应的主算法如下: 1.符号学派的主算法——逆向演绎，假定新的逻辑规则，用于作为数据与预期结论之间的步骤。 2.联结学派的主算法——反向传播，他们利用它来弄清楚哪个神经元负责哪些误差，并根据它们的权值来进行调整。 3.进化学派的主算法——遗传编程，应用交叉和突变于计算机程序上，以子集树的形式表示出来。 4.贝叶斯学派的主算法——概率推理，其相信模拟不确定性是学习的关键，并利用形式表示方法如贝叶斯网络和马尔科夫网络来工作。 5.类推学派的主算法——支持向量机，假设有已知相似属性的实体，也会有相似的未知属性：例如，拥有相似症状的病人也会有相似的诊断，过去喜欢买某类书的读者可能未来还会买同样的书等。 另外，作者也坚信: 机器最终不会控制人类，也无法永远代替人类。机器能帮助人类从繁杂琐碎的低智力活动中解放出来，但它们永远不能代替人类去思考，所以我们还需要积极拥抱机器学习，拥抱人工智能。 终人工智能，人工智能，没有人工哪里会有智能？！终极算法的最终实现，不是靠某一个人或某几个人实现，而必须靠所有人的共同努力。所以，我们应该开放内心，打消“机器必将统治人类”的顾虑，去积极、主动、乐观地拥抱智能技术！

浅谈人工智能：人的智慧和人工智能 究竟什么是人工智能，什么是AI，接下来，我为大家解答分享几点见解。 媒体上几乎每天都有AI和人工智能的词汇，总给人一种深奥神秘的感觉。人工智能顾名思义就是人类制造的智慧，英文叫Artificial Intelligence（AI），所以人工智能=AI。 那么问题又来了，智慧究竟是什么？我们要以何种方式去制造智慧？要回答这个问题，就必须从人与人造物的 区别和人的智慧说起。 对于人工智能的研究人员来说，目标并不是研究人类智慧的来源，而是以工程技术手段制造出类似人类智慧的 产品。 有人认为人类和人工智能最大的差异是，肉体和的有无，我觉得其本质的差异还是意识的具备与否。 人类可以通过身体获得外界资讯。透过感觉器官，我们可以感觉到声音、外观、触感、气味等，让我们觉得舒服或者讨厌，进而产生感情。 虽然人工智能并没有人类的身体，但是它具有各种各样的触觉设备——传感器，因此也可以像人类一样通过感觉器官来积累经验，也可以借此获得知识进行深度学习。 到目前为止，人工智能还必须依赖人类，将人类通过鼻子、眼睛、嘴巴、皮肤等感觉器官...获得的外界资讯，以某种形式”输入“到人工智能系统，人工智能才可以加工和处理这些信息。  英国数学家，Dr.Wu 认为二十世纪最聪明的人三个人（爱因斯坦、图灵、冯诺依曼）之一的艾伦.图灵（Alan Turing：1912-1954）定义了一种方法，来判断人工智能是否成功，这种方法是：和自己对话的对象是人类还是人工智能？ 这种方法就是大名鼎鼎的图灵测试。 只要三成以上的研究员将人工智能误以为是人类，就算通过图灵测试。 但是由于计算机很难做到与人类接近的对话，所以很长一段时间都没有任何人工智能通过图灵测试。反而人类在不断学习计算机语言，这就是大量程序员的工作，和计算机对话。 图灵测试又叫做模仿游戏‘Imitation Game’，一部描绘图灵一生的自传电影一样也叫模仿游戏，我觉得很好看哦，感兴趣的书友可以搜索看看。 Imitation 即为模仿。 “思考”，大多数人会想到计算，应该是人工智能的专长。但事实上，要想像人类一样思考其实是一件非常困难的事情。 人工智能需要以各种输入数据案例为基础，通过这些数据案例获取经验和知识，然后进行预测和判断。如果输入的案例太少，就无法做出判断。 情况相反，人类即使遇到过去未曾遇到的状况，也可以以弹性的方式面对各种状况。 

机器学习的核心就是预测：预测我们想要什么，预测我们行为的结果，预测如何能实现我们的目标，预测世界将如何改变。从前，我们依赖巫医和占卜师进行预测，但他们太不可靠；科学的预测就更值得信赖，但也仅限于我们能系统观察和易于模仿的事物，大数据和机器学习却大大超出这个范围。我们可通过独立的思维来预测一些常见的事情，包括接球和与人对话，但有些事情，即便我们很努力，也无法预测。可预测与难以预测之间的巨大鸿沟，可以交给机器学习来填补。

高级科普类读书，建议对机器学习感兴趣的来读，不然很有可能半途而废。书中介绍了大量的机器学习算法，没有先验知识的人读起来会觉得晦涩难懂，比啃砖还痛苦。建议可以先读下周志华的《机器学习》(也叫西瓜书）和李航的《统计学习方法》。 本书围绕机器学习方法的发展提出了5大学派: 符号学派、联结学派、 贝叶斯学派、进化学派和类推学派。其分别对应的主算法如下: 1.符号学派的主算法——逆向演绎，假定新的逻辑规则，用于作为数据与预期结论之间的步骤。 2.联结学派的主算法——反向传播，他们利用它来弄清楚哪个神经元负责哪些误差，并根据它们的权值来进行调整。 3.进化学派的主算法——遗传编程，应用交叉和突变于计算机程序上，以子集树的形式表示出来。 4.贝叶斯学派的主算法——概率推理，其相信模拟不确定性是学习的关键，并利用形式表示方法如贝叶斯网络和马尔科夫网络来工作。 5.类推学派的主算法——支持向量机，假设有已知相似属性的实体，也会有相似的未知属性：例如，拥有相似症状的病人也会有相似的诊断，过去喜欢买某类书的读者可能未来还会买同样的书等。 另外，作者也坚信: 机器最终不会控制人类，也无法永远代替人类。机器能帮助人类从繁杂琐碎的低智力活动中解放出来，但它们永远不能代替人类去思考，所以我们还需要积极拥抱机器学习，拥抱人工智能。 终人工智能，人工智能，没有人工哪里会有智能？！终极算法的最终实现，不是靠某一个人或某几个人实现，而必须靠所有人的共同努力。所以，我们应该开放内心，打消“机器必将统治人类”的顾虑，去积极、主动、乐观地拥抱智能技术！

1、许多人工智能的专家对人工智能都持乐观态度，认为其不可能取代人类，也许是当局者清使然～确实，从生物进化史来看也不是那么简单：一是，人脑包含1000亿以上个神经元，可以理解为至少1000亿以上个特殊的计算机，之所以是其还不能简单的理解为某一层级硬件配置的计算机，因为人脑具有可塑性的潜力，再加上复杂的难以计数的轴突、树突、电信号、激素、类激素，等等，其实其他生物也有如此复杂甚至更加复杂的软硬件，却也仅有人类有创造能力；二是，生物以细胞为基本单位，而单个细胞本身就是一个复杂的算法系统，至今即使是单个细胞仍是黑箱，更不要说亿万细胞形成的生物体，及其组成的更为复杂的群体和社会（即使单细胞的细菌如铜绿假单胞菌也存在群体效应）。因为，谈及人类智能进化时限，应该从地球生命起源为始，而不是从人类诞生时起算（因为谁也说不清人类诞生之日，现代人类到底是竞争掉还是吸纳了其他人类属种仍在争论，但至少可以如此认为：人类进化史只是生命史的一个片断），接近40亿年，进化和叠代时间，如此漫长的，这至少从人类的细胞结构中将原核细胞吸纳为细胞器可窥见一般，甚至最古老的蓝藻生物基因组中却发现了后世物种的基因，这说明生命或人类借假他人之的强为我所有的能力，所以人工智能对于人类仍为工具，或许某一天人类完全吸纳所谓人工智能成为超级人类也未可知？ 2、一直以来中国生物学的某些方向在考研甚至在研究生课程中，是不太要求数学或计算机知识的，随着基因检测技术、人工智能和大数据的发展，今后应该也有所调整～

读完以后并不清楚这本书的读者应该是什么人。如果没有接触过机器学习的人，一般会被很多没有详细解释的专业名词给镇住，没办法同时储存那么多疑虑在脑中，就会看得云里雾里。对于接触过机器学习的，应该很清楚书中所有的算法，看到书中的类比举例可能还会有怀疑。 虽然吐槽了一通，还是从书中学到了东西。 机器学习大致分为5派： 1.符号学派 经典逻辑主义派，通过逆向演绎，判断模型准确度的方式进行学习。代表模型为：决策树、专家系统。优势在于能通过逻辑很快速而确定地做出判断，但无法解决密密麻麻的边角问题、特殊情况。在非黑即白的学习领域会有不错的效果，但现实中的问题大多并不是，专家也不一定可靠。 2. 联结学派 经验主义派。使用感知机、神经网络等模型用，梯度下降方式找到局部最优解，通过逆向传播矫正偏差。神经网络可以使机器良好地学习，通过模型学到不错的方案。但受到数据纬度影响，在高维数据里，模型不一定能找出全局最优解。 3. 进化学派 通过遗传编程，以适应度作为衡量标准进行类似适者生存的学习方案。以遗传程序为代表模型。通过变异或者遗传进行探索，得出的学习方案抗噪音性更强，但有诸多冗余，对于程序来说并不一定要像生物一样解决问题。 4. 贝叶斯学派 用贝叶斯网络、HMM、MCMC网络等进行概率推理，用后验概率进行衡量。考虑到边角问题，但问题是不能完全确定任何事情，可是现实不就是这样吗？ 5. 类比学派 通过支持向量机(SVM)进行约束优化找出关键向量，并最大化他们之间的边际。通过核心程序带SVM到高维空间，找出超平面，切分支持向量。所以SVM没有像其他算法一样受到纬度诅咒来的伤害那么大。 另外本书介绍了几个无监督算法和强化算法，使内容没有像前5类算法那么详细。 最后引出最终算法为马尔科夫逻辑网络(MLN)。类似贝叶斯网络，MLN也是基于概率的网络图。变量中结合了联结学派的权重和符号学派的逻辑事件。其自然底数引发的逻辑增长和生物进化得出的S型曲线一样。这个算法作为元学习算法将教会机器学习任何东西。