從《原則》一書想到的關於ML算法，決策與權重

今天聽書聽到對衝基金橋水總裁寫的《原則》一書，
提到意見聽取，感受和ML算法有殊途同歸之妙。
他提到一個權重的觀點，說決策時，採起獨裁與民主都不可取。
在他的公司，全部人都有一個集點器，不按照職位入職時間，
全部的觀點都被記錄，預測正確加分。
在某個問題上有成功先例的人，該領域的權威，得到更多的權重點數。
以上均爲複述，待稍後回顧本書再修改補充。
不由想到，事實上，在各行各業，都有師從大師的人更容易取得成功的傾向。
做爲舉例，也是湊巧翻到聽書版《建築家安藤忠雄》（本人看過紙質），
做爲高中學歷，從未接受過科班教育的建築師，（這在建築界大師中極爲罕見）
其也細緻的研究過一代大師勒·柯布西耶（我認爲多是20世紀?最偉大的建築師），
（固然更與其遊歷日本、歐美，實地考察建築、以及多年從業與勤勉不屑堅持本身的設計核心，並懂得與不一樣意見商榷分不開。）
在目前學到ML課程的神經網絡，採用了分層，然而人的大腦，存在中樞這個東西，
如何將這一律念應用到AI的設計與算法上，可能更先進的算法會有展現，沒有的話，
但是思考。
眼睛疼的時候在聽書，雖然感受很食肉糜，可是肉糜好吃。
《彼得·林奇的成功投資》做爲投資界的兩位大神，兩人居然均在年輕時作太高爾夫球童。
於此想到，高爾夫球都是商業成功人士打的（至少在當時），賺零花的時候，
收貨了一線大佬的投資經驗。
因而想到，要註冊個twitter或者什麼（曾經有一個學術界的facebook網站，一時忘記名字了）
多接觸各大權威，拓寬本身的思路，卻不盲從。
對於AI的設計也是如此。
《原則》一書中還提到，不少時候，即便作了全部可能的分析，決策時依然會失誤，所以永遠要尊重市場。History repeating itself, but history is never now. 進化的要意是適應。做爲AI的設計者，說白話就是能跑，跑的好的（預測的準）的纔是好算法。跑得不對，就是哪兒有問題沒想到。
尤爲喜歡彼得林奇提到的逆市思惟。提到的做爲我的投資者的優點。這一點和安藤忠雄做爲拳擊手，與其受到切格瓦拉影響，「對抗」的思想很像。突出自身優點的產品才更具備市場競爭力，更快的得到成功，就是成功自己。美劇《硅谷》中，主創業者雖然有宏大的理想，但其產品並無及時推出得到很好的銷售業績，沒有業績的支撐，資金鍊就容易斷裂，影響後續發展。眼光能夠偉大，可是着眼點必須現實。

Coursera的ML課中提到，Michele Banko和Eric Brill，
這些趨勢很是明顯，首先大部分算法，都具備類似的性能，其次，隨着訓練數據集的增大，在橫軸上表明以百萬爲單位的訓練集大小，從0.1個百萬到1000百萬，也就是到了10億規模的訓練集的樣本，這些算法的性能也都對應地加強了。

事實上，若是你選擇任意一個算法，多是選擇了一個"劣等的"算法，若是你給這個劣等算法更多的數據，那麼從這些例子中看起來的話，它看上去頗有可能會其餘算法更好，甚至會比"優等算法"更好。因爲這項原始的研究很是具備影響力，所以已經有一系列許多不一樣的研究顯示了相似的結果。這些結果代表，許多不一樣的學習算法有時傾向於表現出很是類似的表現，這還取決於一些細節，可是真正能提升性能的，是你可以給一個算法大量的訓練數據。像這樣的結果，引發了一種在機器學習中的廣泛共識："取得成功的人不是擁有最好算法的人，而是擁有最多數據的人"。

那麼這種說法在何時是真，何時是假呢？由於若是咱們有一個學習算法，而且若是這種說法是真的，那麼獲得大量的數據一般是保證咱們具備一個高性能算法的最佳方式，而不是去爭辯應該用什麼樣的算法。

考慮到我的的設計、美學、天然科學、數學、計算機、心理學背景，考慮將來方向爲機器人。