黑天鹅笔记

1. 黑天鹅现象,黑天鹅现象具有三个特点:不可预测性,影响重大,事后可解释。 
2.我们不断根据事件发生之后我们觉得有道理的逻辑重新叙述过去的事件。
3.避免叙述错误的办法就是强调实验而非讲故事,强调体验而非历史,强调客观知识而非理论。
4.那些我们没有看到的结果可能,不,是通常更具有意义。
5.我们冒险通常不是出于自信,而是出于无知和对不确定性的无视!
6.我们在对随机事件的认识上容易犯不对称的错误。我们把成功归因于能力,把失败归因于在我们控制之外的事物,比如随机性。对好结果我们感到有功劳,对坏的结果却不感到有责任。
7.你等待的时间越长,你预期还要继续等待的时间就越长。
8.一旦有了想法就去实施,之后再“完善”这种想法或者产品。——做产品或码代码也是如此!
9.最成功的企业就是那些懂得接受事物的内在不可预测性并利用它的企业。
10.学会区分从事哪些事在不具可预测性时会对我们极为有利,从事哪些事在不具可预测性未来时有害。
11.叙述谬误指的是我们无法在不编造理由或者强加一种逻辑关系的情况下观察一系列事实。对事实的解释会与事实混在一起,使事实变得更容易被记住,更符合道理。这种倾向的坏处在于它使我们以为对事物有了更好的理解。
12.黑天鹅现象来自我们对意外事件发生的可能性(或者说我们的知识盲区)的无知,因为我们把自己知道的东西太当回事了。
13.我们不学习规律,而是学习事实,而且只学习事实。我们似乎不太善于认识到我们的超规律(即我们倾向于不学习规律的规律)。我们蔑视抽象的东西——疯狂地蔑视。
14. 故事,我们喜欢故事,喜欢总结,喜欢简化,也就是减少事情的影响因素。故事严重扭曲了我们对世界的思维反应,在稀有事件上尤其严重。 
15.过度解释,过度寻找原因的问题根源在于大众,没有人愿意去听某个无聊的抽象统计学讲座,我们喜欢听故事,这没有错,我们只是要去更加彻底的审视,故事是否对事实做了严重扭曲。 
16.规律,我们十分渴求规律和模式,因为我们需要把事物简化,好让它们进入我们的大脑。找到了模式,找到一系列事物的逻辑,你再不需要记住所有事情,你只需要保持这一模式。 
17.利用叙述谬误减少痛苦,花15分钟写下烦劳会好很多,你对于没能避免一些事情的自责会减少,责任会减轻,因为事情看上去不可避免。 
18.推理模式,人类的推理行为大致分为两种模式,系统1(经验模式)就是所谓的“直觉”,系统2(认知模式)也就是我们说的逻辑思考。我们的大部分推理错误在于我们以为自己在使用系统1时,实际上使用的是系统2。为什么?因为我们的反应是不经过思考和反省的,而系统1的主要特点是我们对它的使用是无意识的。
19. 自信,人们会相信你说的话,只要你不表现出一丝动摇。你得尽量用自然的方式使用这种技俩。在你表现得极为礼貌和友好的时候,传递出自信要容易得多。你可以在人们毫不察觉的时候控制他们。关键不在于你说什么,而在于你怎么说。为了自信,你必须在别人面前保持低调和超然的冷静。 
20.极端斯坦的行业,智力,科学和艺术行为属于极端斯坦,在这里成功是高度集中的,少量赢者得到蛋糕的大部分。极端斯坦基本上适用于所有“有意思”的职业,但从事他们并不是好主意,因为在这些行业赢家太少,挨饿的演员比挨饿的会计师要多。 ————互联网属于极端斯坦的行业
21.要想理解成功并分析其原因,我们需要了解失败的特点。 ————我更喜欢听别人失败的原因而胜过成功的原因
22.冒险家,许多冒险家自以为是命运的宠儿,这只是因为冒险家很多,而我们没有听过那些背运的冒险家的故事。————因为我们只注意到成功的冒险家,背运的冒险家往往被我们忽略了.
23. 避免叙述谬误,最好远离叙述谬误的来源,关掉电视,少读报纸,不看博客,训练推理能力以控制决策,对重要决策系统避免使用系统1,训练自己辨别情感和经验事实的区别。同时,请记住在概率方面我们是多么肤浅,你不需要再做什么旨在对周围事物有更深理解的事。
24.认知自大,我们在自以为拥有的知识方面非常自大,我们有一种内在的倾向,以为我们比实际上知道得多一些,这一点常常招致严重的麻烦。认知自大有双重影响:我们高估我们的知识,低估不确定性。(也就是低估未知事物的范围)
25.我们的思维是有惯性的:一旦形成一个观点,我们就很难改变,所以情况对那些推迟形成观点的人更有利。当你以糟糕的证据为基础形成观点时,你会很难解释与这些观点矛盾的后续信息,即使这些新信息更明显、更准确。有两个机制在起作用:我们在第五章讨论了证实偏差,以及信念坚持偏差,即坚持不改变已有观点。记住,我们把思想当做财产,所以很难舍弃他们。
26.信息妨碍知识,人们对于经验现实的细节知识了解的越多,看到的噪点就越多,就可能把它们错当成真实信息。请记住我们是受情感影响的,每小时收听广播比阅读周刊糟糕的多,因为较长的时间间隔能够过滤掉一些信息。 
27.锚定,锚定是一种经典的思维机制,通过设想一个具体数字(参照点),你降低了对不确定性的不安,然后你向它下锚,就像在真空中抓住一个物体。 
28.所有具有传染性的思想一定是那些我们准备要相信的,甚至是天生要相信的。一种思想要获得传播,就必须与我们的本性相符。
29.对黑天鹅的应对方法是在思维中避免从众。但在避免上当之外,这种态度受制于一种行为方式,不是思维方式,而是如何将知识转化为行动,并找出哪些知识是有价值的。
30.错过列车,只有在你追赶它时才是痛苦的!同样,不能达到别人对你期望的成功,只有在它也是你所追求的东西时才是痛苦的。
31.你不能忽视自我欺骗。专家的问题在于他们不知道自己不知道什么。知识的缺乏对你所掌握的知识的错觉是相伴而行的,你在知识减少的同时也变得对自己的知识更加满意。而且,我们不是作范围预测,而是喜欢作精确预测,也就是相信自己预测精确数字的能力。
32.我们在总体上高估了不幸事件的影响持续的时间。

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值