万门大学机器学习课程——Lesson 1

1.1

我们为了理解机器学习的话，我们是寻本溯源来进行。
大数据、人工智能本身来自于数学。数学很大的程度上是来自于生产实践之中。最早的数学来自于古埃及的土地测量学。 数学模型是对世界的几何抽象。我们一般是采用几何抽象来简化实际世界。圆形是最美丽的图形。我们通过研究行星的运行来不断的进行圆周运动。
我们使用椭圆来化简之前的复杂模型。我们数学中是追求最精简的模型，所以说最后就会很美丽。
牛顿的力学就是非常的简单，而且可以预测更多的现象。牛顿的力学的推广就是分析力学。通过了拉格朗日方式，以及哈密顿方程，不断的推广了牛顿的力学。通过了分析力学达到了物理学的顶峰。实现了火星车、粒子加速器等等。我们通过时空的弯曲实现光线的弯曲。我们可以把一切复杂的系统分解成简单的部分。
牛顿的力学给了我们很多的希望。我们只要知道足够多的信息，就可以预测一切的东西。但是这一希望最终会落空。我们对于股市，全球迎来了经济危机。我们对于人脑的工作过程，但是还是无法解决这些问题。自然灾害我们都很难用牛顿的力学精确的预测。

1.2

我们为何预测复杂运动的时候，我们很多时候是很难预测的。预测的时候有很多的复杂性的。
1、复杂性randomness（不确定性）：量子力学，我们知道的信息不够多；
2、混沌chaos：气象学家想要对流体力学进行建模，通过位数不同，可能就会产生差别。三体问题就是混沌，我们无法简单的求得一个简单的轨迹。蝴蝶效应也是这个，使得我们的信息预测失效。
3、反身性reflectility：观测者想要测量的时候，就会这样。当你预测股市的走势，但是反过来会影响股市。
4、网络效应network effect：系统中每一个个体之间相互影响。
5、历史依赖history dependency：需要包含无数的历史信息。

1.3

我们永远无法做到精确的预测，但是可以做到一个理论性的解释，我们可以知道什么是不可以预测的。Complex adaptive behavior，复杂对象是有简单的对象组成的，我们可以不断的拆分进行努力分析。通过简单个体的相互作用进行实现，从而实现了复杂的系统。个体和群体是有不同的行为的。一旦我们有了群体之后，我们通过宏观的性质从而联系微观的个体。信息往往会导致整体系统的进化。通过简单细胞构成的复杂生物体。外界的能量进入了生物体之中，外部的信息是不断的变换的。就会造成选择压力。从而从简单到复杂，就会在和外界环境的交互下实现进化。人活得很好的时候，有好的鲁棒性。复杂系统的特性：网络结构的特性，复杂系统之间都是相似的。很多时候，是一种模块化系统，是通过接口（核心节点）进行连接的。这一种复杂系统的结构，是一种稳定的结构。

1.4

复杂系统看似非常的复杂，但是还是有对应的模式进行表示。解决一个复杂系统可以用数学方程进行模拟。通过采用同类的模式pattern进行模拟复杂系统。股票的下跌和雪崩类似。很多时候由于物体本身之间的相互运动进行。经济学的现象就是产业结构森林。
复杂网络中，普遍的发展范式是发展到一定的程度，会有负反馈的影响，会造成一个瓶颈期。每天进步1%，365天超过很多人，但是每个人都无法坚持365天直线上升的。我们在个人发展的时候，我们需要注意发展的定点位置。我们采用不同的发展路径是会有不同的稳定期的时间的。事实上，在世界上是没有永恒的指数增长的，往往是含有负反馈模型。我们无法完美预测复杂的系统。
复杂系统本身就是一个新型的定义。很多具体事务里面抽象出来的，多数量的组成成分，群体的性质是个体不具备的。个体之间的关联耦合之后，总体的性质是个体完全不具备的。复杂系统是不可拆分的系统，是个体到群体的映射，是不可拆分的。
股市这个东西看起来是可以进行基本面的研究，其实本身是非常不充分的。股市的价格是在交易的过程中产生的，我们不同的个体的轻微举动就会影响整个的走势。