在日常的數(shù)據(jù)科學(xué)運算中，人們其實很少考慮“人”在其中的意義，盡管數(shù)據(jù)本身都是為人服務(wù)的。因此，要想做最完美的統(tǒng)計方案，就不僅要閱讀技術(shù)類的文章，還要閱讀一些研究人們?nèi)绾巫龀鲞x擇，以及如何使用數(shù)據(jù)來改進這些選擇的作品。本文將重點介紹6本塑造“世界觀”而非“方法論”的書，幫助你進一步通過數(shù)據(jù)更好地為現(xiàn)實服務(wù)。本文譯自Medium.com中原標(biāo)題為“A Non-Technical Reading List for Data Science”的文章。

如今的數(shù)據(jù)科學(xué)家經(jīng)常被要求學(xué)習(xí)一系列的建模技術(shù)、運算方法等。諸如線性回歸，很多人都在使用它，但卻不知道為什么使用它，因此就會出現(xiàn)這么一種情況，很多新人隨時都準(zhǔn)備好部署模型，但卻不了解實際情況，這些技術(shù)群體并沒有把重心放在解決技術(shù)的盲目性上，而是放在了關(guān)于選擇何種工具的爭論上(R 或 Python)。

與一些數(shù)據(jù)科學(xué)家可能希望相信的相反，我們永遠不可能將世界簡化為數(shù)字和算法。歸根結(jié)底，決策是由人類做出的，想要成為一名專業(yè)的數(shù)據(jù)科學(xué)家意味著必須既了解人性又了解數(shù)據(jù)。

請體會一下如下案例：

當(dāng)美國科技公司Opower(一家致力于發(fā)掘能源數(shù)據(jù)，為用戶提供節(jié)能建議的公司)想讓人們節(jié)約用電時，他們向客戶提供了大量關(guān)于其用電量及成本的數(shù)據(jù)。然而，僅僅靠這些冷冰冰的數(shù)字并不足以讓人們做出改變。為了達到目的，Opower需要一些關(guān)于心理學(xué)及行為科學(xué)的知識，比如，研究表明，如果在家庭能源賬單上用笑臉表示費用低于鄰居平均水平，用皺眉表情表示高于鄰居平均水平的話，人們的能源使用就會減少，也會更配合能源公司的環(huán)保要求。該市市政部門借此給隨機選出的顧客發(fā)賬單，將他們的能源使用量與相似家庭和最節(jié)能的鄰居進行對比，并給出如何節(jié)能的建議。第二年，統(tǒng)計表明，高消費家庭的用戶減少了3%的用電量!

當(dāng)用電量比鄰居少的時候，通過這種簡單干預(yù)人們的電費賬單的方法直接節(jié)省了數(shù)百萬美元的成本，也有效防止了數(shù)百萬磅的二氧化碳排放。對于一個數(shù)據(jù)科學(xué)家來說，這可能是一件令人震驚的事情——人們直接干預(yù)了統(tǒng)計的結(jié)果!但這對Opower的首席科學(xué)官羅伯特·恰爾蒂尼(Robert Cialdini)來說并不奇怪，畢竟他曾是一位心理學(xué)教授，還寫過一些關(guān)于人類行為的書，對消費心理可謂頗有研究。Opower公司的這一舉動也為市場帶來一個信號：雖然你可以得到任何你想要的數(shù)據(jù)，但仍然需要了解人們的行為對數(shù)據(jù)產(chǎn)生的影響，而有時候后者比前者更能得償所愿。

 

 

相比笑臉表情，柱狀圖也許并不是最有效的可視化方法

作為數(shù)據(jù)科學(xué)家，在日常工作和學(xué)校教育的影響下，我們其實很少考慮“人”在其中的意義，退一步講，我們其實不會思考這份數(shù)據(jù)工作的社會影響。因此，要想做最完美的統(tǒng)計方案，就不僅要閱讀技術(shù)類的文章，還要擴展閱讀一些研究人們?nèi)绾巫龀鲞x擇，以及如何使用數(shù)據(jù)來改進這些選擇的作品，個人認為這一點至關(guān)重要。

為此，在這篇文章中，我將重點介紹6本塑造“世界觀”而非“方法論”的書，其中的知識并不涉及數(shù)學(xué)和算法的講解，但卻能教會人們?nèi)绾瓮ㄟ^數(shù)據(jù)更好地為現(xiàn)實服務(wù)。

No.1 The Signal and the Noise 信號與噪聲

作者：納特·西爾弗(Nate Silver)

 

 

本書可能是世界上最受歡迎的與統(tǒng)計相關(guān)的書籍之一。信號與噪聲是數(shù)據(jù)科學(xué)中一種常用的比喻手法。“信號”指的是我們想要并需要的事實，而“噪聲”則是另一回事，通常指的是不相干的信息，它阻礙或誤導(dǎo)我們搜索真實的信號。

大數(shù)據(jù)時代，海量的信息充斥在我們周圍，然而隨著現(xiàn)實中生活節(jié)奏的逐步加快，所做出的預(yù)測的速度及數(shù)量也被迫逐步增加。

然而事實卻是，現(xiàn)實世界中的很多預(yù)測都失敗了，人們?yōu)榇烁冻隽司薮蟮纳鐣�代價。本書檢視了從颶風(fēng)到地震、從經(jīng)濟到股市、從NBA到政治選舉在內(nèi)的眾多領(lǐng)域的預(yù)測事例，旨在回答一個問題：如何才能從繁雜的海量數(shù)據(jù)中篩選出真正的信號，摒棄噪聲的干擾，從而做出接近的預(yù)測。西爾弗認為，未來是沒有精準(zhǔn)的答案的，只有偉大的預(yù)言家所實踐的基本法則能夠幫助我們改善社會。

任何人都可以從書中提供的簡單建議中獲得如下經(jīng)驗：

像狐貍一樣思考(而不是像刺猬那樣)：以賽亞·伯林(Isaiah Berlin)在古希臘詩歌的影響下曾寫下著名的文章《刺猬與狐貍》。在這篇文章中，伯林區(qū)分了兩類知識分子：一類是刺猬，用一個觀點統(tǒng)攝對世界的認識;另一類狐貍，則承認種種無法統(tǒng)一的經(jīng)驗，拒絕單一觀點。如果你只有一個想法，你會傾向于尋找確認它的證據(jù)，忽略任何與之相矛盾的東西。如果你有很多小想法，你會更關(guān)心什么是正確的，而不是什么支持你當(dāng)前的信仰，當(dāng)證據(jù)不再支持它們時，你可以放棄任何想法。這兩種不同的思維方式也解釋了為什么那些對自己的預(yù)測更有信心的人(比如股票專家)往往更容易出錯。

做大量的預(yù)測并得到快速的反饋：我們對于頻繁發(fā)生的事件，做出估計往往更準(zhǔn)確，主要是因為反饋和改進周期的影響。每天的天氣預(yù)報都是錯誤的，這些信息被輸入到模型中，使明天的天氣預(yù)報變得更好(這也是幾十年來天氣預(yù)報大幅改善的一個原因)。在我們面臨很少遇到的情況時，我們最難做出選擇，在這些情況下，使用盡可能多的數(shù)據(jù)才是關(guān)鍵。

盡可能多地利用各種不同的數(shù)據(jù)來源：每個數(shù)據(jù)提供者都有自己的偏見，但是通過匯總不同的估計數(shù)據(jù)，你可以利用平均值找出錯誤，這一點在Silver的Fivethirtyeight網(wǎng)站上得到了很好的體現(xiàn)。這種群體智慧的方法意味著使用了與你的觀點不一致的資源，而不是僅僅依靠某個領(lǐng)域的“專家”。

要囊括不確定性區(qū)間，不要害怕在證據(jù)改變時更新觀點：人們在預(yù)測時犯的最大錯誤就是只提供一個數(shù)字。盡管有一個答案可能是公眾希望聽到的，但這個世界從來就不是嚴(yán)格意義上的非黑即白，而是存在于灰色的過渡陰影中，我們有責(zé)任在我們的預(yù)測中表現(xiàn)出來這一點。表達不確定性似乎是懦弱的，比如說希拉里有70%的獲勝機會，那就意味著無論結(jié)果如何，你都是對的，但實際上它比一個單一的“是/否”更現(xiàn)實。此外，人們認為改變別人的觀點是一種攻擊性的負面行為，但在數(shù)據(jù)科學(xué)和形成世界觀的過程中，基礎(chǔ)認知的變化實際上幾乎是不可避免而且利大于弊的。

總結(jié)一下作者的經(jīng)典名言：

我們對世界的預(yù)測永遠不會是完全正確的，但這不應(yīng)阻止我們依靠經(jīng)過充分證明的原則做出更高的預(yù)測，從而減少錯誤。

真正的預(yù)測者會用概率的方法思考問題，他們謙虛而且勤懇，能清楚地區(qū)分什么是不可預(yù)測的、什么是可預(yù)測的，他們注重任何靠近真相一步的成千上百個小細節(jié)，他們能辨識出什么是噪聲、什么是信號。

從全球經(jīng)濟的健康到戰(zhàn)勝恐怖主義，都依靠預(yù)測的質(zhì)量。在這里，《信號與噪聲》可以給你想要的答案。此外還有兩本同樣類別的書，分別是菲利普·特洛克的《超級預(yù)測》和《專家政治判斷》。

No. 2 Weapons of Math Destruction算法霸權(quán)：數(shù)學(xué)殺傷性武器的威脅

作者：凱西•奧尼爾(Cathy O’Neill)

 

 

數(shù)據(jù)科學(xué)家凱西•奧尼爾認為，我們應(yīng)該警惕不斷滲透和深入我們生活的數(shù)學(xué)模型——它們的存在，很有可能威脅到我們的社會結(jié)構(gòu)。

通過追蹤一個人的生命軌跡，凱西•奧尼爾試圖在書中揭露數(shù)學(xué)這類殺傷性武器對塑造個人和社會未來的影響。這些“殺傷性武器”會給教師和學(xué)生評分，篩選簡歷，批準(zhǔn)貸款或拒絕貸款，評估員工，甚至監(jiān)督我們的健康狀況，因此凱西•奧尼爾呼吁建模者，要對自己的算法承擔(dān)責(zé)任，并且呼吁政策制定者對模型的使用進行監(jiān)督管理。她還指出，對模型的掌控最終取決于我們自己。這本重要的書迫使我們直面問題，探求真理。

我們生活在一個依賴“算法”的時代，它對我們生活的影響越來越大，我們?nèi)ツ睦锷蠈W(xué)，我是不是應(yīng)該貸款買車，我們應(yīng)該花多少錢來買健康保險，這些都不是由人來決定的，而是由大數(shù)據(jù)模型來決定的。從理論上來說，這一模型應(yīng)該讓社會更加公平，因為每一個人的衡量標(biāo)準(zhǔn)都是一樣的，不應(yīng)該存在偏見。

但是，正如凱西•奧尼爾書里所揭示的那樣，事實剛好相反。如今，被廣泛使用的算法模型，即使其本身充斥著錯誤，也依舊不受管束、不被質(zhì)疑。其中，“強化歧視”的問題特別值得反思：如果一個窮學(xué)生因為被借貸模型認定為風(fēng)險過高(僅僅是根據(jù)該學(xué)生所生活的街區(qū)就得出此判斷)而貸不了款，那么接下來，他就會被剝奪能夠幫他擺脫貧困的接受優(yōu)質(zhì)教育機會，繼而陷入一系列的惡性循環(huán)。

因此，我們今天所使用的這些數(shù)學(xué)模型是不透明的、未經(jīng)調(diào)節(jié)的、極富爭議的，有的甚至還是錯誤的。最糟糕的是，數(shù)學(xué)模型和大數(shù)據(jù)算法加劇了偏見與不公。奧尼爾的書似乎對機器學(xué)習(xí)模式持悲觀態(tài)度，但我更愿意把它看作是一種必要的批評：由于圍繞機器學(xué)習(xí)的熱情如此之大，我們需要愿意退后一步并問：這些工具真的能改善人們的生活嗎?作為一個社會，我們應(yīng)該如何接納他們?

讀完本書，你會發(fā)現(xiàn)，大數(shù)據(jù)的武器化是無處不在的。也許，當(dāng)你看到世界上最強大的數(shù)據(jù)系統(tǒng)做的這些事，你會產(chǎn)生一些焦慮，但是，對于那些我們未能認識到的問題，我們誰都無法解決。

在作者看來，大數(shù)據(jù)猶如一個黑盒，規(guī)模、傷害和隱秘共存，她在書中引用了大量發(fā)生在美國當(dāng)下的、基于大數(shù)據(jù)和算法的、改變個人生活的案例，并對影響這些城市生活經(jīng)驗的算法做了特別的觀察和研究。

作者認為，數(shù)據(jù)和算法的關(guān)系就像槍械和軍火，數(shù)據(jù)沒有價值觀，是中立的，但來自人類行為的輸入，難免隱含偏向，而算法創(chuàng)造的數(shù)據(jù)又對人類行為產(chǎn)生反作用，從而導(dǎo)致更多的不公。

凱西指出：算法模型一旦運轉(zhuǎn)，執(zhí)法行為就會增多，產(chǎn)生的新數(shù)據(jù)又會進一步證明加強執(zhí)法的必要性。形象地說，就是哪里“前科”越多，哪里就越受算法“關(guān)照”，最終形成一個失真，甚至有害的回饋環(huán)路。這個觀點也正是近來Facebook干預(yù)美國大選，國內(nèi)很多專家學(xué)者熱議“今日頭條”推送模式的核心所在。

不過，機器學(xué)習(xí)算法只是工具，和任何工具一樣具有兩面性，使用得當(dāng)也可以造福人類。幸運的是，我們?nèi)蕴幱谠缙陔A段，這意味著我們可以對其進行改造，以確保它們能夠做出客觀的決策，并為大多數(shù)人創(chuàng)造最佳的結(jié)果。我們現(xiàn)在在這方面所做的選擇將在未來幾十年塑造數(shù)據(jù)科學(xué)的未來。

數(shù)據(jù)科學(xué)雖然是一個年輕的領(lǐng)域，但已經(jīng)在數(shù)百萬人的生活中對好與壞產(chǎn)生了巨大的影響。作為這一新領(lǐng)域的開拓者，我們現(xiàn)在的工作人員有義務(wù)確保我們的算法不會變成毀滅性的數(shù)學(xué)武器。

如果你想從事數(shù)據(jù)科學(xué)相關(guān)的工作，這本書絕對是必讀之作。

No. 3 Algorithms to Live By: The Computer Science of Human Decisions 算法之美：指導(dǎo)工作與生活的算法

作者：布萊恩·克里斯汀&湯姆·格里菲思

 

 

How Not to be Wrong: The Power of Mathematical Thinking 魔鬼數(shù)學(xué)：大數(shù)據(jù)時代,數(shù)學(xué)思維的力量

作者：喬丹·艾倫伯格(Jordan Ellenberg)

 

 

計算機科學(xué)和統(tǒng)計學(xué)(包括其他所有的研究性學(xué)科)在學(xué)校的課堂上往往會遇到一個問題：學(xué)起來既抽象又無聊。只有當(dāng)它們被應(yīng)用于解決現(xiàn)實的問題的時候，才會變得足夠有趣，讓我們想要去探索。而上述這兩本書都把枯燥的主題轉(zhuǎn)變成了有趣的、信息豐富的描繪，講述了如何在日常生活中使用算法、統(tǒng)計和數(shù)學(xué)。

所謂算法，是指解題方案的準(zhǔn)確而完整的描述，是一系列解決問題的清晰指令，算法代表著用系統(tǒng)的方法描述解決問題的策略機制。如果我們在考慮問題時，清晰地了解我們所與之對應(yīng)的算法，那么就可以更容易地解析問題或者更優(yōu)地解決問題。

例如，在關(guān)于生活方式的算法中，作者展示了該如何利用探索與利用權(quán)衡和最佳停站的概念，找出我們應(yīng)該花多長時間尋找配偶(或新員工、餐廳等)。同樣，我們可以使用排序算法最有效地整理我們的物品，以便快速檢索需要的東西。雖然你可能接觸過這些想法，甚至可以用代碼來寫，但你可能從來沒有利用它們來優(yōu)化自己的生活吧。

而在艾倫伯格的這本書中，主要講述了數(shù)學(xué)的魅力，以及如何獲得用數(shù)學(xué)原則解決生活中問題的技巧。作者認為，數(shù)學(xué)可以幫助我們更好地了解這個世界的結(jié)構(gòu)和本質(zhì)，應(yīng)該被放在每個有思想的人的工具箱里，用于更好地解決問題，規(guī)避謬誤和錯誤的方法。這本書摒棄了復(fù)雜的專業(yè)術(shù)語，用現(xiàn)實世界中的逸事、基礎(chǔ)的方程式和簡單的圖表，為讀者帶來一堂零基礎(chǔ)的數(shù)學(xué)課。

艾倫伯格通過故事向我們展示了線性回歸、推理、貝葉斯推理和概率等統(tǒng)計概念的使用和誤用，幫助我們學(xué)會最優(yōu)決策。應(yīng)用概率定律表明，玩彩票總是會導(dǎo)致失敗，除非在少數(shù)情況下，實際回報是積極的。

艾倫伯格這本書的中心引述是數(shù)學(xué)思維，“通過其他方式擴展常識”。在許多情況下，主要是在遙遠的過去，我們的直覺很好地服務(wù)于我們，但在現(xiàn)代世界，有許多情況下，我們的最初反應(yīng)是完全錯誤的。在這種情況下，我們不需要依靠直覺，而是可以使用概率和統(tǒng)計數(shù)據(jù)來做出最佳決策。

這兩本書的嚴(yán)謹(jǐn)程度都是恰到好處的，其中夾雜著一些公式邏輯，還有很多實際案例。在此書中，我發(fā)現(xiàn)了許多從未在課堂上完全掌握的數(shù)據(jù)科學(xué)概念，最后我一遍又一遍地翻閱，體驗了獲得知識時刻的快樂。當(dāng)然，數(shù)學(xué)、統(tǒng)計學(xué)和計算機科學(xué)只在能幫你更好地生活的情況下有用，而且這兩本書都展示了你從未考慮過的這些學(xué)科的用途。

No.4 Thinking, Fast and Slow 思考的快與慢

作者：丹尼爾·卡尼曼(Daniel Kahneman)

 

 

人類是非理性的，我們通常會在生活中的各種情況里做出可怕的決定。然而，一旦理解了為什么我們會這怎么做而不是采取最佳行動時，就可以開始著手改變自己的行為以獲得更好的結(jié)果了，這是就是卡尼曼數(shù)十年實驗成果的核心。他的研究打開了認知心理學(xué)、認知科學(xué)、對理性與幸福的研究以及行為經(jīng)濟學(xué)的新局面，而本書也是他的集大成之作。

卡尼曼在《思考，快與慢》中揭示了三十多種理性偏差，如啟發(fā)式聯(lián)想，其中包括可得性偏見、錨定效應(yīng)、直覺判斷、光環(huán)效應(yīng)等;如過度自信，其中包括后見之明、有效性錯覺、算法判斷等;如前景理論，包括風(fēng)險決策、損失厭惡、稟賦效應(yīng)、四重模式等。它們像一面思維的立體鏡子，360度角照見大腦思考過程和頑固的偏差，讓你認知你自己的思考決策過程。

作為2002年諾貝爾經(jīng)濟學(xué)獎獲得者，卡尼曼和他的研究伙伴阿莫斯·特沃斯基(Amos Tversky，因?qū)�決策過程的研究而著名)以及理查德·塞勒(Richard Thaler，2017年諾貝爾經(jīng)濟學(xué)獎得主)等其他人共同創(chuàng)造了行為經(jīng)濟學(xué)的高光時刻，也讓這個經(jīng)濟學(xué)中本來頗為小眾的分支走進了更多人的視野，它將人們視為非理性的決策者，而非追逐效用最大化的理性人。當(dāng)然事實也的確如此。這使得人們不僅在經(jīng)濟學(xué)上，而且在醫(yī)學(xué)、體育、商業(yè)實踐、節(jié)能和退休基金等生活領(lǐng)域的思維和設(shè)計選擇發(fā)生了一些巨大的轉(zhuǎn)變。我們也可以將本書中的許多發(fā)現(xiàn)應(yīng)用于數(shù)據(jù)科學(xué)，例如如何呈現(xiàn)研究結(jié)果等。

《思考，快與慢》的基礎(chǔ)是作者提出的關(guān)于人類的思考框架：系統(tǒng)1和系統(tǒng)2。系統(tǒng)1代指人類的非受控或者說是無意識的思考模式;系統(tǒng)2代指受人自身控制的或為有意識進行的思考模式。用系統(tǒng)1思考或判斷是非�？旖莸模瑤缀跬耆�取決于直覺和經(jīng)驗，因此人們往往第一時間通過它在腦海中形成觀點。但有時系統(tǒng)1可能得不到結(jié)論甚至得到錯誤的結(jié)論，在這種情況下，人類也經(jīng)常求助系統(tǒng)2進行更為復(fù)雜和費力的思考過程，以補充或糾正系統(tǒng)1。

但是，上述說法不等于系統(tǒng)1是感性的、系統(tǒng)2是理性的。實際上系統(tǒng)2經(jīng)常受到系統(tǒng)1的影響。這種影響可能是正確的，也可能是錯誤的。而且系統(tǒng)2很懶惰，經(jīng)常疏于校驗，從而無法糾正系統(tǒng)1形成的錯誤。

這種差異，使我們的直覺充滿錯誤。卡尼曼和其他科學(xué)家的實驗表明：復(fù)雜而華麗的句子，讓我們覺得信息量豐富、容易信服，盡管可能它們什么都沒說;咬住一支鉛筆保持微笑的表情，也會讓熱人的情緒有實質(zhì)性的提升，因為大腦無法分辨自己是真的高興，還是僅僅被一根小木棍抵住了嘴角———正是認知系統(tǒng)的這種不可靠，以及通常我們獲得信息的不完備，讓我們更可能依賴一些簡單的辦法完成日常生活中的認知任務(wù)。

上述這些都是卡尼曼在傳統(tǒng)心理學(xué)方面的研究，正是這樣的研究讓他認識到，經(jīng)濟學(xué)中理性人的假設(shè)是有缺陷的。人們在進行選擇時考慮的效用，是拿未來的預(yù)期與現(xiàn)在的擁有進行比較，然后才進行判斷。在判斷中還有大腦工作的兩種不同的模式會影響最后的結(jié)果。

這本書對于理解人們?nèi)绾巫龀鰶Q定，以及我們作為數(shù)據(jù)科學(xué)家可以做些什么來幫助人們做出更好的選擇至關(guān)重要。

此外，這本書也有一些其他的結(jié)論，適用描述自我概念：體驗和記憶。體驗自我是我們在一個事件中擁有的瞬間的感覺，但比記憶自我重要得多，記憶自我是我們事后對事件的感知。記憶自我根據(jù)體感高峰的結(jié)束過程來評價一種體驗，這對健康、生活滿意度和強迫自己做不愉快的任務(wù)有著深遠的影響。我們會記住事件的時間比我們經(jīng)歷的時間長得多，所以在一次經(jīng)歷中，我們必須努力最大限度地提高我們記憶自我的未來滿意度。

如果你想了解實際的人類心理學(xué)，而不是傳統(tǒng)課堂上的那種理想化的知識，那么這本書是最好的開始。嚴(yán)格地說，卡尼曼并不是一個熱衷于科普書籍的作家，但是他和他的同事杰出的學(xué)術(shù)貢獻，卻深刻地改變了我們對自己的認識。相較之下，近年來很多研究開始將目光投向社會行為的神經(jīng)基礎(chǔ)，用磁共振腦成像之類的法子探究問題。卡尼曼的工作專注于人類的行為，嚴(yán)謹(jǐn)?shù)乇苊膺^多關(guān)于機制的推論。在如今的心理學(xué)界看來，似乎不那么時髦了。但是他的實驗充滿巧思與洞見，卻不會是科學(xué)史上曇花一現(xiàn)的觀點。

No.5 The Black Swan: The Impact of the Highly Improbable 黑天鵝：如何應(yīng)對不可預(yù)知的未來

作者： 納西姆•尼古拉斯•塔勒布 (Nassim Nicholas Taleb)

 

 

只有一個地方可以讓塔勒布在名單上占有一席之地，那就是一個局外人。塔勒布曾是一名定量交易員，在2000年和2007年的市場低迷期間賺了大量的錢，他已成為一名有聲學(xué)者研究者，為他的作品贏得了全世界的目光，數(shù)不盡的贊譽和批評接踵而至。那時，塔勒布感知到一種想法：當(dāng)代思維方式的失敗，尤其是在不確定性的時代的失敗，是非常嚴(yán)重的。在《黑天鵝》一書中，塔勒布提出了這樣一個概念：我們對支配人類活動的隨機性視而不見，因而，當(dāng)事情沒有如預(yù)期那樣發(fā)展時，我們就會被毀滅。黑天鵝最初于2007年出版，自2008年和2016年的金融危機意外以來，它變得更加有說服力，完全顛覆了傳統(tǒng)的一套思維模式。

當(dāng)然，根據(jù)中心前提，我們所要思考的問題是：不可能發(fā)生的事件不會經(jīng)常發(fā)生，那么我們應(yīng)該不應(yīng)該擔(dān)心它們?關(guān)鍵點是，雖然每個不可能發(fā)生的事件本身不太可能發(fā)生，但綜合起來，幾乎可以肯定，許多意想不到的事件最終都將出現(xiàn)在你的一生中，甚至在一年內(nèi)。任何一年發(fā)生經(jīng)濟崩潰的可能性都很小，但這種可能性加起來你就會發(fā)現(xiàn)，世界上每十年都會出現(xiàn)一次經(jīng)濟衰退，這幾乎是可以肯定的。

我們不僅應(yīng)該預(yù)期到那些能使世界變化的事件會以高頻率發(fā)生，而且不應(yīng)該聽取那些被過去經(jīng)驗所束縛的專家的意見。任何投資股市的人都應(yīng)該知道，過去的表現(xiàn)并不能預(yù)測未來的表現(xiàn)，我們應(yīng)該在我們的數(shù)據(jù)科學(xué)模型(使用過去的數(shù)據(jù)進行推測的方法)中考慮這一教訓(xùn)。此外，我們的世界不是正態(tài)分布的，而是長尾分布的，有一些極端事件如大衰退，或一些富有的個人如比爾蓋茨，能夠蓋過其他所有人。所以當(dāng)極端事件發(fā)生時，其實沒有人能準(zhǔn)備好迎接它，因為這種事件遠遠超過了以往任何事件的規(guī)模。

“黑天鵝”對數(shù)據(jù)科學(xué)家很重要，因為它表明，任何僅基于過去性能的模型通常都會出錯，并產(chǎn)生災(zāi)難性的后果。所有機器學(xué)習(xí)模型都是用過去的數(shù)據(jù)構(gòu)建的，這意味著我們不能太信任它們。模型(包括Taleb)是有缺陷的，為了盡可能與現(xiàn)實貼近，我們應(yīng)該確保有系統(tǒng)來處理這些不可避免的失敗。

值得一提的是，塔勒布不僅以其新穎的思想而聞名，而且他的性格也極端好斗。他甚至愿意和所有人較量，經(jīng)常批評像史蒂文·平克(美國實驗心理學(xué)家)這樣的學(xué)者，或者像內(nèi)特·西爾弗(數(shù)據(jù)分析師，曾經(jīng)在2012年美國總統(tǒng)大選中準(zhǔn)確預(yù)測了50個州的選舉結(jié)果)那樣的公眾人物。在我們這個嚴(yán)重扭曲的時代，他的想法有助于理解一些超前的事物，但他的態(tài)度可能有點令人不快。盡管如此，我還是認為這本書值得一讀，因為它提供了一個非主流的思想體系。

(這本書是塔勒布的第二系列的第五部分，因瑟托闡述了他的完整哲學(xué)思想。《黑天鵝》討論了極不可能發(fā)生的事件的概念，而《亂倫：從混亂中獲得的東西》中的第四本書則討論了如何使自己不僅能夠經(jīng)受住破壞，而且能夠因此使自己變得更好。我認為黑天鵝的思想是與數(shù)據(jù)科學(xué)最為貼近的。)

結(jié)論

在盯著電腦屏幕整理了一整天之后，我想不出比看書(印刷品、電子書或有聲讀物都可以)更好的方法來為這充實的一天收尾。需要提醒的是，數(shù)據(jù)科學(xué)需要不斷擴展工具箱中的工具，即使我們想要放松一下，讓我們的思維遠離工作，但也不能停止學(xué)習(xí)。

以上推薦的這些書都是需要全神貫注去閱讀的，它們將教會我們很多關(guān)于數(shù)據(jù)科學(xué)和生活的課程。這些作品將通過展示什么是真正驅(qū)動人類的思想來為更多的技術(shù)作品提供有益的補充。了解人們在現(xiàn)實中的想法而非理想化的模型，對貫徹更有效的數(shù)據(jù)決策來說，與統(tǒng)計它們一樣重要。

譯者：小灼

原文鏈接：https://towardsdatascience.com/a-non-technical-reading-list-for-data-science-d72451429a70

標(biāo)簽： 數(shù)據(jù) 蒲

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。