读书笔记之人生算法(5)

本文探讨了人类决策中的非理性因素,提出通过理解动物本能、运用理性策略(如承认未知、关注长远、学习实践等)以及结合直觉与理性(如多维度评估、关键指标提取、直觉后计算)来提高决策能力。同时强调了灰度认知和黑白决策的重要性,指出决策并非绝对,而是基于概率的权衡与选择。

算法十八关7-9

跨越出身和运气,实现富足与自由,用概率思维做好决策

7非理性

非理性:如何管住你的动物精神

什么是理性?理性就是非条件反射。本杰明富兰克林曾说过如何有效说服别人:要诉诸利益,而非诉诸理性。

说明一个理性的人,是具备独立思考能力与批判性思维的。但是非理性是人类作为动物的本能:

  • 作为丛林动物,我们恐惧
  • 作为社会动物,我们多情
  • 作为科学动物,我们无知
  • 作为经济动物,我们贪婪
    在这里插入图片描述

传统经济学上把人作为理性动物来研究,但是其实人们在做决定时,往往不是那么理性,所以才诞生出了研究人们行为的行为经济学。

很多理性的人正是利用人们的非理性来获利。

理解了人的动物属性后,我们如何应对非理性呢?

有7个策略值得我们参考:

  • 1 勇于承认我们不知道
  • 2 关注长期,长线思考,出发点和愿景很重要
  • 3 知错就改,学会止损
  • 4 多学习,多思考,多实践,深入观察事物本质
  • 5 掌握求真、理性科学精神
  • 6 建立多元化思维模型
  • 7 将正确思维内化为一种行为习惯

所谓的终身成长,本质是理性的成长。理性需要我们走上街头,在激烈打斗中一步步实现成长,相信你永远有被击倒的那一天。

8冲动

冲动:像阿尔法围棋一样,兼顾直觉和理性

完美的决策等于:直觉+经验+数据

那些不需要基本功和苦功夫就能让人修炼出惊人直觉的领域,基本都是玄学。

上一关我们讲的是非理性,直觉有点像理性中的非理性。

女人们经常会通过直觉来判断一些事情,而从科学的层面说,直觉其实来自潜意识的判断。

鉴于直觉的优势和劣势很明显,我们在做决策时,不能完全依赖直觉思维,还必须加入理性思维,二者结合起来才能形成强大的算法。

有三位高手为我们提供了范式,如何约束直觉。

在这里插入图片描述

  • 卡尼曼的多维度评估法
给直觉装上围栏。
丹尼尔卡尼曼是诺贝尔经济学得主,它有两本著名的畅销书:《思考的快与慢》、《噪声》。
他21岁时候在以色列国防军担任中尉一职,被要求设计一个新的面试系统。
老的面试系统主要依赖军官与士兵的面对面15分钟沟通。这种方法太原始,效果也不太好。
卡尼曼接手后设计了一个六维度的打分系统,采用一套固定的计算方法。
他采用对各维度进行评估打分,给面试官的直觉安上了理性的围栏。
新方案评估的非常准确,以色列军方沿用至今。
  • 吉仁泽的提取关键指标法
使用简捷启发式方式来做出决策。
这是一种兼顾了直觉与理性的算法。
比例以前一个心脏病人被送到急诊室,医生们需要通过19项指标来确定病人的危急程度。
但如果是真的急诊病人,恐怕等不到19个指标全部检查完。
一方面是医疗资源有限,一方面是可能贻误治疗的风险。
为了解决这个问题有位叫布里曼的医生根据提取关键指标法。
他设定了一个简单的策略模型,将判断精简到了三步。
  • 阿尔法围棋的先直觉再计算法
阿尔法围棋模仿了人类下围棋的模式。
第一步按直觉选择几个点落子
第二步利用强大的计算力计算这些落子的最终胜率,然后选择高的那个下。

面对决策难题,我们可以学习上面三位高手的解决方案。

直觉本质上一种大局观思想,就如模糊的精确般。

而理性让我们采用科学的算法来进行决策。

直觉就像惊险一跃,理性就像保险措施。

要像行动者那样思考,要像思考者那样行动。

二者结合,局可破也。

9 犹豫

犹豫:灰度认知,黑白决策

灰度认知就是要保持开放性,不要先入为主;黑白决策就是要学会在迷雾中做出选择,按下按钮,并承担后果。

认知是概率化的,而决策是现实的一瞬间。

在这里插入图片描述

当我们拥有一个观点时,不管你有多自信,都不可能是百分之百正确,它仍然间于0%到100%之间,这就是灰度认知。

灰度认知的底层是我们之间讲过的概率思维。

黑白决策的潜台词就是别后悔,即使错了也要采取积极性的后悔,这才是复盘。

好的决策能力需要长时间的训练,我们看到那些决策厉害的人都是长期努力的结果,正所谓台上一分钟,台下十年功。

认知是发散的、开放的,所以是灰度的。

决策是收敛的、闭合的,所以是黑白的。

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)(methods)或者算法(algo),和各同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方来实现. 任何机器学习方基本的流程结构都是通用的;使用的评价方也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方分为四种: 无监督(unsupervised) 训练数据没有给定...
评论 1
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