【读书笔记】AI极简经济学 Prediction Machines

这本书是我参加CSDN公众号活动时赢取的，感谢小李以及我小伙伴们的援助~

1. 英文翻译过来的书，看起来真别扭

2. 太久没读“枯燥的”科普读物，很难精心，需要进一步修炼

# 目前的“人工智能”其实是预测，预测是根据你掌握的信息(数据)，生成你未掌握的信息

# 预测成本下降会影响其他东西的价值：互补品(如数据)价值升高，替代品(人类预测)价值降低。然而，廉价带来的影响却常常意想不到。例如，计算变得廉价后，音乐CD行业由于数字音乐的兴起而变得一蹶不振

# 计算机还不会思考，思考不会变的廉价

# 人工智能能协助组织执行当前的战略，但当人工智能过于强大时，会促成战略的改变。例如，如果亚马逊可以预测购物者想买什么，就可以先寄后买。2013年亚马逊就申请了“预测性购物”的专利

# 预测除了生成未来的信息，还会生成现在和过去的信息。例如，信用卡盗刷检测

# 准确度的小幅提高可能有迷惑性。比如，准确度从80%提高到90%，幅度为从98%到99.9%的两倍。然而，前者意味着错误率降到了2/3，后者意味着降到了1/20

# 回归是根据过去发生的事件的平均值进行预测，回归模型渴望无偏差的结果。因此，预测的足够多，预测在平均概率下就是完全正确的。但无偏差的预测也并非完美

# 与回归不同，机器学习的预测平均概率下可能是错误的，但允许偏差，以求减小方差

# 🌰预测无线电视客户流失，运用回归模型的人会挑选影响因素，而运用机器学习的人会将影响因素的选择权交给了机器。因此，我们“意外的”发现，爱发大量短信、付费时间迟的人容易流失。而上述因素恰恰未被归入回归模型

# 数据是预测的互补品，随着预测变得廉价，数据的价值水涨船高

# 大数据热的原因：人们希望数据能帮助减少不确定性，以及了解正发生的事情

# 要平衡获取数据的成本，与提高预测准确度的好处，需要估算投资回报率

# 从统计角度看，数据收益递减。每增加一个数据对预测的改善，都比前一个小。例如，第一百次测量，比第一万次测量对预测提升更大

# 从经济角度上看，往大库存中增加数据，或许比往小库存中增加数据效果更好。例如，就算只比竞争对手好一点点，也能获得巨大的收益

# 亚当 · 斯密(Adam Smith)提出劳动分工的经济思想：根据相对优势来分配任务

# 即使是专业人士，人类也会过分看中凸显信息，而忽视统计信息。例如，“存活率为90%”时更多医生选择手术，而“死亡率为10%”时更少医生选择手术。

# 世上存在“已知的已知”，“已知的未知”，“未知的已知”，“未知的未知”

# 对于“已知的已知”，机器能提供更好地预测

# 对于“已知的未知”，人类更擅长在数据极少时进行预测。例如，美国总统选举时，候选人和环境随时都在变化，只提前几天预测也很难做到。(不只是对于机器，人类亦然)

# 面对“未知的未知”，人和机器都会失败。黑天鹅事件

# 面对“未知的已知”，例如，旺季需求多价格高，但错误归因会让人认为，价格高可以提升销量

# 人和机器之间应该恰当分工

# 预测的成本随着应用频率而下降，预测机器可以规模化扩展。总而言之，人类有认知，故可根据少量数据来预测。机器则生成大部分常规预测，面对罕见情况时，要寻求人类协助。