机器学习中的模型和数据

我在一段时间里大量看机器学习的书和视频，事实上，所有的机器学习问题都是在模仿大脑，要做人工智能。所以，我们从这些思想和方法上也可以反过来对我们的大脑有一些理解和认识。

按照机器学习的理论，一个机器学习系统，往往是模型+数据，比如你用一个贝叶斯模型训练一个垃圾邮件分类器。你选定一个模型后，数据越多，往往结果越准确（当然也有过拟合问题，这里不讨论了）。而假设数据总量不变，你选取更好的模型，或者说，同一种模型更好的参数，结果也会越来越准确。

可以类比的是，我们上学学会了数学，也学会了物理，也学会了语文。这些不同的学科，实际上是不同的模型，用来解决不同的问题，你要是用错误的模型去解决问题，结果当然不好。

人的大脑比机器目前强大的地方是，人的大脑没有固化任何模型，老师可以教你任何一种知识，这些其实都是不同的思维模型。(www.xing528.com)

回到看书来说，我认为看书给你的收获，一般情况下有两种。第一，改造你的思维方式，给你新的思维模型。第二，在现有思维模型下，给你数据，让你对现有模型更精通，更确信。

看书，我认为如果能追求到数据增长，就已经是好事儿了。但是，最重要的追求是模型增长。这个世界没有绝对真理，所有的信息、经验、Know-How（技术决窍）、对人有用的东西，散落在这个世界的各个角落，在实践中、在书籍里面、在文章里、在很多人的脑子里面。我们慢慢地学习成长的过程，就是不断汲取这些东西的一个过程，随着你越来越逼近这个世界的真相，你就会有越来越大的能力，所以核心还是怎么看待这个世界的问题。

当你看书，可以看到一些让你的模型获得成长的书的时候，你会有感觉的，你也不会担心如何外显的问题。所有跟我聊天的人，不需要我去外显什么，他们会沉浸在跟我的交谈里面，觉得受益匪浅，然后不断地想约我聊天。