《算法之美》是一本由[美]布莱恩·克里斯汀 / [美]汤姆·格里菲思著作，中信出版集团出版的精装图书，本书定价：59.00，页数：376，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。
《算法之美》读后感(一)：规律
要想把算法融入生活，首先要了解它是什么，其实不知不觉中算法早就无处不在了，只是人们从来都没有注意到过。之前读到过一个有关于终极算法的文章，华盛顿大学教授Pedro Domingos在书中这样描述：“终极算法”就是通过机器学习的方式，自动发现和创作其他所有的算法的“主算法”。在《黑客帝国》里，“终极算法”就是Matrix—母体，看过黑客帝国的人，都可以感受到母体的变态。
算法和数据是息息相关的，比如2016年很很火的特斯拉、自动驾驶，里面的判断都离不开算法的判定，还有移动医疗，要是在数据库中输入所有的资料，再以终极算法计算，只要能有足够多的数据，一段代码就能动手术，而且更精确。当然个人认为，人工也很重要，代码始终是代码，而不能创新，创新最终要是要考人类的大脑思维。曾经有个人说过，互联网将改变人类生活的方方面面，那么相信，在未来，终极算法将改变整个社会环境。
那么这本书中把算法融入到日常生活当中去，目的就是让我们更有效率的做每一件事，凡事都讲究一个概率学，没有绝对的完美，只有技术上的严谨。之前很多人还觉得数学没有用，毕业了之后就几乎用不到，这下那些人就该后悔了，当懂得这些数学问题时，甚至都省去了思考的时间，使一切都变得清晰明朗。还好在书中已经给出了计算过后的答案，所以说也不用担心自己算不明白，这就是“37%法则”。通过书中的实例，可以知道这个法则的原理和精准性，最关键的就是它有一个通用性，要想学会这一套理论其实很简单。当然了，按照这个法则未必就一定会得到最佳的答案，只是增加了成功的概率，至少能够保底。
其实这本书并没有完全深入去探讨算法，而是根据实际需要，运用这个法则来帮助决策。比如说择偶、找房等等常见问题，通过这个方法，也能够避免选择员工时的人才流失，最后再做决定比一点点去试探要靠谱的多，这也无疑增加了思考的时间，之前很多人也是这么做的，只不过没有发现其中的规律罢了。无论是网络中的代码，还是一些规律，都是通过生活总结出来的，最终还是能回归于生活，这就是算法之美。
《算法之美》读后感(二)：数学家告诉你：何时谨慎观察，何时果敢行动？
摘编 | 孙熙霁
假设你想在市区中心的单位附近租个房子，你会怎么做呢？是左顾右盼，谨慎一些，还是立刻先下手为强？
理论上讲，认真调查、仔细斟酌是理性消费者的一大特征，但是诸如北上广这样的残酷市场，并没有给你留下多少权衡的机会和时间。随便逛街买个衣服，你尚且可以反复权衡再做出决定，但是在租房子上面，你并没有这个特权——你必须迅速做出决定：要么舍弃其他所有可能的选择，就选定当前正在看的这套房子，要么掉头就走，再也不要回头。
那么，如何才能在众多选择中，做出最优判断呢？答案就是，37%。
37%，继续挑选与立刻下手之间的最佳平衡点
当然，租房子还有其他要考虑的因素，诸如社区环境、你的预算、是离公司近一些还是远一些、近多少又远多少……我们简单起见，姑且假设，你唯一关心的就是尽最大可能增加挑中最理想公寓的机会。你的目标是把“看过的好房子被人挑走”与“还有好房子没来得及看”这两种遗憾的发生概率降至最低。
于是，你立刻发现自己陷入了两难境地：如果没有衡量的标准，如何判断一套公寓是否是最合适的呢？如果你不先看一些公寓（这些公寓将被你放弃），又如何确定衡量标准？你收集的信息越多，越能在最合适的机会出现时准确地认出它，但是你已经与最合适的机会失之交臂的可能性也越高。
那么，到底该怎么办？如果收集信息的行为会危及结果，那么怎样才能在掌握足够多信息的基础上做出明智决定呢？这个令人极其为难的情境近乎于一个悖论。
答案就是37%。
作者布莱恩·克里斯汀和汤姆·格里菲思，在新书《算法之美》这本书中提到：如果你希望选中最合适公寓的可能性达到最大，那么在看前37%的房子时不要做出任何决定（如果你准备花一个月的时间挑选房子，那么在前11 天不要做出决定）。这段时间你是在为制定标准做准备，因此看房子时把银行卡放在家里吧。但是，过了这个时间点之后，你就要做好随时签约的准备（包括准备好定金等），一旦你对某套房子的满意程度超过之前看过的所有房子，就立刻下手。在继续挑选与立刻下手之间做出的这种妥协，并不仅仅是一种直觉，而是已经得到证明的最优解。
找房子的问题属于数学上的“最优停止问题”（optimal stopping），也就是如何在面临一连串选择时，做出最优决定。最优停止问题经常会改头换面，以不同的形式出现在我们的生活当中。而它最大的难点，不在于选择哪一种可选方案，而是确定自己需要考虑多少种可选方案。
“37%法则”源于所谓的“秘书问题”——最优停止问题中最著名的一类难题。秘书问题的情境与我们前面考虑过的租房难题十分相似。
假设一堆人申请一个秘书岗位，而你是面试官，你的目标是从这堆申请人中遴选出最佳人选。你不知道如何给每一名申请人评分，但是可以轻松地判断哪一名申请人更加优秀。(用数学语言来表述，就是说你只能看到序数，即申请人相互比较的排名，但是无法看到基数，即在一般性评分标准下的得分。)你按照随机顺序，每次面试一名申请人。你随时可以决定将这份工作交给其中一人，而对方只能接受，于是面试工作就此结束。但是，一旦你否决其中一名申请人，就不能改变主意再回头选择他。
在选择秘书时，遴选程序停止过早或者过晚都会导致不理想的结果。停止过早，最优秀的申请人还没有得到亮相的机会;停止过晚，就说明你在为一位根本不存在的更优秀的申请人保留这份工作。要取得最理想的结果，显然需要在两者之间找到最合适的平衡点，在甄选时既不可迟迟不决，又不可草草收手。
如果找到最优秀申请人是你追求的唯一目标，那么在整个面试过程中，只要不是已有申请人当中的最优秀人选，你都不会接受。但是，仅仅达到“目前最佳”这个条件，还不足以说服面试官。比如说，第一名申请人毫无疑问就符合这个条件。一般而言，我们有理由相信，随着面试程序不断进行下去，出现“目前最佳”申请人的概率将不断下降。例如，第二名申请人是截至目前最优秀申请人的可能性是50%，第五名的可能性只有1/5，第六名的可能性只有1/6，以此类推。因此，随着面试工作的深入，目前为止最优秀申请人一旦出现，必然会令人眼前一亮(别忘了，根据定义，这名申请人比之前所有申请人都更加优秀)，不过，这种可能性在不断降低。
所以说，看到第一个目前最优秀申请人就欣然接受(也就是说，面试第一名申请人之后就结束面试程序)，显然是过于草率了。在一共有100名申请人时，也不能因为第二名申请人比第一名申请人更优秀就迫不及待地选择他，因为这种做法同样有些操之过急。那么，我们到底该怎么办？
凭直觉，我们可以找到几种应对的办法。例如，当第三次(或者第四次)出现胜过前面所有的申请人时，就把工作机会交给他。或者，在连续多个申请人都不理想的情况下，一旦出现一名目前为止最优秀的人选，就毫不犹豫地接受他。
但是，事实证明，所有这些相对来说似乎有道理的策略都算不上是最明智的做法。如果只有一名申请人，这个问题就非常简单——接受她的申请!如果有两名申请人，无论你如何选择，你成功选到优秀人选的概率都是50%。你可以接受第一名申请人(此时，她是半程最优秀申请人)，或者拒绝她，而拒绝第一名申请人就意味着接受第二名申请人(她也是半程最优秀申请人)。
如果有第三名申请人，情况就一下子变得有意思了。如果随机选择一名申请人，得到理想结果的概率是1/3，也就是33%。有两名申请人时，我们没有办法取得比碰运气更好的结果。那么，在有三名申请人时，会怎么样？事实证明，我们可以取得更理想的结果，而其中的关键就在第二场面试。在面试第一名申请人时，我们没有任何信息——她肯定是目前最优秀的申请人。在面试第三名申请人时，我们没有任何能动性——我们只能将工作机会交给这名申请人，因为我们已经拒绝了其他人的申请。但是，在面试第二名申请人时，我们既掌握了一些信息，又有一定的能动性——我们知道她与第一名申请人相比孰优孰劣，同时我们既可以接受她，也可以拒绝她。如果她比第一名申请人优秀，我们接受她，反之就拒绝她，那么会产生什么样的结果？事实上，在有三名申请人时，这是最理想的方案。令人吃惊的是，在有三名申请人时采用这个方法，与有两名申请人时选择半程最优秀人选的方法相比，效果不相上下。
在有4名申请人时，穷举所有可能的情况之后就会发现，我们仍然应该在面试第二名申请人时采取行动;如果一共有5名申请人，我们应该等到面试第三名申请人时才采取行动。
随着申请人数不断增加，观察与行动之间的分界线正好处在全部申请人37%的位置，从而得出了37%法则:在考察前37%a的申请人时，不要接受任何人的申请;然后，只要任何一名申请人比前面所有人选都优秀，就要毫不犹豫地选择他。
事实证明，利用这种最优方案，我们选中最优秀申请人的概率为37%。方案本身与出现理想结果的概率正好相等，这是这类问题表现出来的令人奇怪的数学对称性。上表列出了申请人数不同时的秘书问题最优解决方案。从中可以看出，随着申请人数不断增加，取得理想结果的概率(以及从观察期切换到行动期的时间点)在37%左右。（其实，应该是略低于37%。准确地说，考察申请人的最优比例是1/e，其中e是复利计算中经常出现的数学常数，等于2.71828……。但是，如果你记不住e的12个小数位，也无须着急。只要这个比例在35%与40%之间，取得最理想结果的可能性就非常接近于最高值。）
采用最理想的方案也会有63%的失败率，这是一个令人警醒的事实。在面对秘书问题时，即使我们采取了最理想的行动方案，在大多数情况下也会遭遇失败，也就是说，大多数情况下我们都无法选中所有人选当中最优秀的那名申请人。对于把爱情视为寻觅“真命天子”的人来说，这确实是一个坏消息。不过，也不完全都是坏消息。直觉告诉我们，随着申请人数的不断增加，选中最优秀申请人的可能性将稳步下降。例如，如果采用随机选择的方式，在申请人总数为100时，我们得到理想结果的可能性是1%，在总人数为100万时，可能性就会降到0.0001%。但是，令人意想不到的是，秘书问题的计算结果不会发生变化。如果采用最优停止理论，在100人当中选中最优秀申请人的可能性是37%。而总人数是100万时，无论你相信与否，你得到理想结果的可能性仍然是37%。因此，申请人总数越多，最优算法理论就越有价值。的确，在大多数情况下，大海捞针都会无功而返，但是，无论“海洋”多么辽阔，最优停止理论都是最理想的工具。
《算法之美》强调，最优停止问题经常会改头换面，以不同的形式出现在我们的生活当中。比如，在驶入停车位之前，需要绕整个停车场多少圈？在商业风险中何时套现脱身？在择偶上，何时观望，何时步入婚姻殿堂？当你再次面对这类问题时，至少可以通过数学方法来解决。借助并不繁复的算法，我们不仅可以解决找房子的问题，生活中遭遇的所有最优停止问题都可以被妥善处理。
因此，如果你的身边再出现因为租房子、停车、求婚而感到苦恼的人，你可以告诉他们，他们不过是在自寻烦恼。他们需要的不是治疗师，而是一种算法。而算法会告诉他们，这个平衡点就是37%。
文 / 董小琳
最近，小琳老师和几位小伙伴，搞起了社群，组建了天津的拆书帮分舵。
第一期报了8个人，最后2个人顺利毕业（给我块豆腐让我撞死算了）。 第二期吸取了教训，报了5个，全部顺利毕业。但毕业后就有人找我说：老师，我拆够了，不想再继续了。 第三期、第四期，未完待续……由此，一个问题在我的脑中越来越清晰。而且，想得越多，越感觉无解！
那些我们没有继续做完的事，究竟是因为要及时止损，还是毅力不够？ 二者之间的界限，该如何划定？ 难道说，只能依据当事人的主观判断？ 这似乎……不靠谱……想了好多天，结果不仅这道题没想出答案，反而更多的问题如雨后春笋般地跳了出来——
作报告时，说得太细，领导不爱听；说大框架又体现不出工作量。怎么办？ 点个外卖，是叫个新菜换换口味？还是稳妥起见，每次都一样？ 时间有限，到底该先做快速简单的，还是从“硬骨头”啃起？ 聚焦当下与放眼未来，二者之间的黄金比例是多少？ （在《时间的悖论》书评中，我们讲过，应该“酌情”搭配各种时间观的比例，但在实际行动时，却很难确定出具体的投入比例。）类似的问题层出不穷，而我们大部人都在用一种十分“写意”的方式处理。
“大概，应该这样吧。”
直到我看到了这本《算法之美》。书中说，与其浑浑噩噩地跟着感觉走，不如通过了解一些基础的数学算法，用理性决策来应对这个越来越复杂的时代。
书的作者有两位，分别是拥有美国布朗大学计算机和哲学双学士的布莱恩·克里斯汀，以及加州大学心理和认知学教授汤姆·格里菲思。从头衔中不难发现，两位作者都是拥有跨领域的研究背景，也就自然决定了这本书，兼具理性与感性的双重内容，阅读体验极佳。
也正是因为这本书，让我一一清除了刚才的诸多疑问。如果你也和我一样，有过面对复杂决策，难以抉择的时刻。那我要强烈建议你不妨先从这篇文章开始，一起来了解下，如何在算法世界中，做出最优的理性决策。
1
说到“算法”这个词，可能大多数人会想到数学课堂，或者与计算机、人工智能这些高科技的运行机理联系起来。
总之，是一些我们平时接触不到的、高深莫测的技能。
其实不然。
实际上，每个人每天都会使用到算法，只是感觉不到而已。
比如，小朋友们上学校。老师说：按照大小个站好队，然后一起入校。
这时，你会怎么做？
先拉过来一个孩子作为参照，比他高的站后面，矮的站前面。然后再依次作对比，直到所有孩子都站在了对的位置。
这，就是一种算法。
那么，假如我们不用对比。每次都把所有的孩子看一遍，然后挑出当时最高的（或者最矮的）一位，加入新的队列。虽然最后也能得到符合要求的结果，但完成的时间会多很多。而且，肯定也没有人这么做。
因为我们都知道，第一种算法能提升效率。
2
书中开篇，作者就为我们列出了学习算法带来的好处：
解决具体问题 理解事物深层次的运行规则 回答“如何过好这一生”也就是说，懂得了算法，不仅能回答眼前的复杂问题，更是能帮助我们透过表面，看清事物的本质运转规律，把提升认知作为过好一生的基本手段，让自己的决定越来越有底气。
也许你会说，这是不是说得有点过呀。不就是做数学题嘛，还能决定人生了？
还真没夸张，就拿书中第一章讲到的“最优停止理论”来说吧。
一个人到了谈婚论嫁的年纪，寻找终身伴侣就成了首要问题。
一般来说，会出现两种极端：
总想着还会遇到更好的，拖拖延延地成了大龄青年； 义无反顾地和初恋走入婚姻殿堂。除此之外，大多数人是介于二者之间的：在某一个时间点，遇到了Mr. Right。
如果把这个问题“算法化”，则变成了：
在界定的范围内，找到一个最优决策点，然后做出选择。我们不妨将范围定位在时间维度上，毕竟谁也不知道自己一生中会遇到多少个异性，但年龄是客观确定的。因此将问题进一步细化为：
从20岁开始，到40岁结束，在哪个时间点选择伴侣最明智？答案是：27.4岁。
这就是著名的37%法则。也就是说，在前37%的时间里，最好保持观望，接触异性而不做出选择；过了27.4岁以后，如果发现了合适的对象，就可以果断出手了。
当然，以上是理想情况下的最优方案。很可能还会出现被对方拒绝，之前的对象“复活”重来等情况。所以，根据实际情况调整算法模型，也是让决策最优的关键步骤。
从“最优停止”的例子中，相信你已经感受到了算法思维的强大威力。
它能够帮助我们化解，在面对复杂问题时的犹豫不决，一味依赖于直觉和经验而产生的感性偏见。
单纯用算法计算，是机器人（AI）的专长； 跟着感觉走，凭经验做事，是人类独有的思考方式。今天的算法思维，则试图将二者统一起来。在感性选择的基础上，增加理性计算的过程。最好的算法可以让我们花费最少时间，做出最合理的决策。
这就要求我们，既要有严谨的数学推演过程，同时也离不开对现实各种因素的考虑权衡。
从这本书中，我似乎看到了人与计算机深度融合的未来世界。
其实，谁又能说清，某个决策究竟是对还是错呢？
你有没有过面对复杂问题，不知如何抉择的时刻呢？ 欢迎留言。—END—
《算法之美》读后感(四)：用不到的，就扔了它吧！
你遇到了一个问题——橱柜里塞满了裤子、衬衫和内衣。于是，你想：该整理整理了。这下你面前就出现了两个问题：
1. 哪些东西需要保留呢？
2. 留下的东西应该如何摆放呢？
如果你也像我一样选择困难，那这个存储问题一定会让你十分头疼。但幸运的是世界上有一群十分痴迷于存储问题的人，为我们提供了解决思路。他们就是用算法为存储问题提供解决方案的计算机科学家。
用计算机算法指导人类生活听起来感觉怪怪的。因为“算法”这个词看上去是如此神秘莫测，与大数据、大政府、大企业有着密切联系，但其实算法指的就是解决问题的一系列步骤。早在计算机开始使用算法前，人类就已经把算法应用到生活中了：按照食谱学习烤面包时，食谱上的所有步骤就是一个算法；按照图样编织毛衣时，这份图样就是一个算法；使用鹿角的末端连续精确地敲打，使石器形成锋利的刃的过程，也是一个算法，可见算法与我们并不陌生，甚至从石器时代开始，就已经是人类生活的一部分了。
橱柜整理与计算机存储器管理所面临的问题非常相似：空间有限，而目标是节省金钱和时间。我们和计算机其实都是在进行组织工作，只不过我们组织的是衣橱中的物理对象，而计算机组织的是内部的数字信息。也正是由于问题高度的相似性，使缓存作为计算机科学的解决方案，同样适用于人类的家庭生活。
一、To 扔or not to 扔，this is a question！
当你决定物品该扔还是该留时，缓存算法中的最近最少使用原则可能是一个有效的指导原则，最近最少使用法告诉我们，我们需要的下一个程序可能就是之前我们需要的最后一个程序，接下来我们可能还需要之前需要的倒数第二个程序。我们最不需要的可能就是我们弃用时间最长的那个程序。除非有充分的反对理由，否则我们可以认为对未来最有借鉴意义的就是历史的镜像。最接近于未卜先知的做法就是假定历史会重演，不过是按照相反的顺序重新上演。因此，如果你现在还时不时穿一下上大学时穿的T恤，那就没有必要把它扔掉。但是你好久没穿过的那条格纹裤呢，最好还是把它送到闲鱼上处理掉吧！
二、找准物品的位置
当你决定把物品留下来的时候，我们就应该合理利用地理位置，尽可能把物品的“缓存”建立在它们通常使用的位置附近。根据人们的亲身体会，这个策略的效果非常好。在朱莉·摩根斯特恩的《组织管理探秘》一书中就有人说过“我把跑步和锻炼用的服装放在前衣帽间里的一个柳条箱里，这里距离前门比较近。”
三、多层级分级存储
拥有缓存可以取得一定的效果，但是建立多个缓存级别，包括从体积最小、速度最快的到体积最大、速度最慢的各种缓存，可能会有更好的效果。从你的所属物品这个角度看，你的衣柜是一级缓存，地下室是另一级，而自助存储柜是第三个。（当然，存储速度回依次降低，因此你应该根据最近最少使用原则，决定把哪些物品清理到下一级。）但是，你也可以再添加一级缓存以加快存储速度：一个比壁橱体积更小、速度更快、距离更近的缓存。
四、要不要物以类聚？
迄今为止，我们见过的所有家居管理建议中，必不可少的一个“常客”就是“物以类聚”了。但实际上你并不需要因为衣橱里的杂乱无序而感到压力或自责。因为这不是杂乱无序的标志，而是最精心设计和最小的组织形式之一。在别人开来，这可能是一种没有组织的混乱局面，但是实际上，它却是一个恰如其分的自组织混乱。把穿过的衣服放回衣橱最触手可及的位置，是你在无法预测未来时可以采取的最有效的做法。所以在某些情况下我们已经不需要再考虑如何整理衣橱的问题了，因为，优秀的你其实已经把衣物组织得很好了。
缓存技术不仅在计算机的内存架构中起着至关重要的作用，它同时也为人类生活中的各种存储系统系统和“内存条”提供了一个新的思路。不仅计算机离不开缓存，我们的橱柜、办公室、图书馆甚至我们的思想都可以从中受益。而这还只是缓存算法理论带给我们的指导意义，还有更多的算法理论可以应用人类的日常生活中，从更广泛的意义上看，借助计算机科学，我们可以了解人类思想的本质和理性的意义，学会回答如何度过一生这个最古老的问题。
《算法之美》读后感(五)：用算法找对象：有实用价值的算法入门，有点烧脑：4星|《算法之美》
全书是算法入门，从生活中的各种问题说起：租房、谈恋爱、老虎机、拍电影、面试、买彩票、各种排序、找停车位、寻找新药、临床试验、奥巴马拉赞助、预估电影票房，讲数学家对这些问题的解决办法（也就是算法），一般从算法的由来开始说起，到现在的实际应用情况，还有各种变化与争议，比较有意思。
租房与谈恋爱在书中都被归入“最优停止”问题，算法的答案是在37%的时候做选择。细节可以看书。
涉及到一些技术细节，我估计高中毕业就能看明白。
我认为全书的内容还是比较有帮助的，比鸡汤类读物要有用一个数量级。
翻译不错。有一个地方我感觉有问题：#174：‘“算法”（algorithm）一词得名于波斯数学家花拉子密。’。这里的“花拉子密”一般译作“花剌子模”。
总体评价4星，比较有价值。
以下是书中一些内容的摘抄，#号后面是kindle电子版中的页码，【】中是我根据上下文补充的信息：
1：如果你希望选中最合适公寓的可能性达到最大，那么在看前37%的房子时不要做出任何决定（如果你准备花一个月的时间挑选房子，那么在前11天不要做出决定）。#145
2：我们知道这个答案，是因为找房子问题属于数学上被称作“最优停止”（optimalstopping）的一类问题。37%法则明确了解决这些问题的一系列简单步骤（计算机科学称之为“算法”）。#150
3：舒普指出，当停车位占用率从90%升至95%时，尽管仅多停了5%的车，但是大家寻找停车位的时间就会翻一番。#526
4：事实证明，探索与利用的取舍问题在网页设计与临床试验（以及其他领域）中占有核心地位——正常情况下，这两个名词不会出现在同一个句子中。#688
5：《经济学人》杂志指出：“在成本上升、收益下降的双重压力下，大型电影公司的应对之策是制作续集、前传或者邀请名演员担纲主演，因为他们相信这些电影肯定会火起来。”换句话说，在被淘汰出局之前，他们正争分夺秒，在他们发现的最容易吐钱的“老虎机”上进行赌博游戏。#727
6：基廷斯把这个问题【制药公司筛选药品】变成了尽可能简单的形式：有多个可选方案，每个可选方案得到回报的概率不同，可分配的精力（金钱或时间）是确定的。于是，这个问题变成了多臂老虎机问题的另外一个化身。
7：西罗克在奥巴马捐赠页面上完成的A/B测试反映了一些问题。对于第一次访问竞选网站的用户，“捐赠并领取礼物”按钮取得了最好的成绩，即使把发放礼物的成本剔除之后，仍然效果最佳。#906
8：优化网站配置的实验会造成成千上万美元的影响，但是在临床试验中，寻找最有效治疗方案的实验直接关乎病人的生死。越来越多的医生和统计人员认为我们的做法是不正确的。他们主张，我们应该把医疗方案选择问题视为多臂老虎机问题，在实验正在进行的同时努力寻找更好的治疗方法。#967
9：1969年，马文·泽伦（现在是哈佛大学的一名生物统计学家）建议采用“自适应性”试验。他提出的一个建议是随机化“胜者优先”算法——另外一个版本的赢留输变算法。根据这个算法，使用某个特定治疗方案的可能性随着每次成功治愈有所增加，反之则会减少。#969
10：也就是说，我们在招聘秘书时会过早地递出橄榄枝，但是在放弃新航空公司这个方面，我们的决定又往往来得过晚。#1046
11：探索者为了获得知识，付出的代价是心情愉悦。我们已经知道，因为意外惊喜有可能带给我们多倍补偿，所以基廷斯指数和上限置信区间都夸大了对未知选择方案吸引力的期望值。但是，与此同时，这也意味着在大多数情况下，探索必然会让人失望。#1126
12：这种方法现在被称作“合并排序”，是计算机科学中的传奇算法之一。正如1997年的一篇论文所指出的：“合并排序在排序历史中的重要地位与排序在计算历史中的重要地位旗鼓相当。”#1312
13：一些动物很幸运，也建立了非常明确的优势等级。诺依曼说：“比如说鱼。它们的关系就非常简单，大鱼居于优势地位。”正因为简单，所以鱼类可以和平相处。与鸡和灵长类动物不同，鱼可以在不流血的情况下建立秩序。#1595
14：在直接应用之外，约翰逊的研究还揭示了更深层次的两点内容：第一，时序安排可以通过算法表达；第二，存在最优时序安排方案。这引发了一项庞大的研究，为大量假定工厂中不同数量和种类的机器运行提供策略。#2026
15：【1997年】当喷气推进实验室团队的工程师将探路者号的这一问题识别为优先级反转的情况后，他们立即编写了一个修正代码，并将新代码数传送到百万英里之外的探路者号上。他们穿越太阳系发射的解决方案是什么呢？那就是优先级继承。#2147
16：事实证明，即使你不知道什么时候会开始工作，最早到期日和最短加工时间仍然是最佳的策略，这能够保证你在面对不确定性时表现出最佳状态（平均来说）。#2227
17：事实上，如果买n张彩票共w张中奖，那么中奖率就是中奖数加1，除以所购买的数目加2，即(w+1)/(n+2)。这种令人难以置信的简单的方法估计概率的简单方法被称为拉普拉斯定律，它很容易就能适用于任何你需要通过历史事件来评估概率的情况。#2459
18：戈特看到柏林墙时已经建成8年了，所以他最好的猜测是，它将再存在8年。（最终，这个数字是20年。）这个简单的推理，被戈特称为哥白尼原则，它可以得出一个简单的算法，能为各类事件做出预测判断。#2515
19：20世纪20年代中期，贝叶斯统计学家哈罗德·杰佛利曾考虑仅仅通过一辆城市有轨电车的序号来确定一个城市有轨电车的数量，并得出了相同的答案：该数字的双倍。#2551
20：在第二次世界大战期间，同盟国试图估计由德国制造的坦克数量。他们通过所捕获的坦克的序列号，在纯数学估计的基础上进行预测，得出的结果是德国每月生产246辆坦克，而通过广泛的（高度危险的）空中侦察所获得的估计表明，这个数字更接近于1400。而战后，德国记录显示的真实数字是：245。#2553
21：对于任何幂律分布，贝叶斯法则表明，一个合适的预测策略就是相乘法则：将迄今观察到的数量乘以一些常数。对于无信息先验，这个常数一般是2，哥白尼预测的方法由此得来；在其他幂律的情况下，所乘的数将取决于你工作的精确分布。例如，对于电影票房，它正好是1.4。#2596
22：丹麦数学家瓦格纳·厄兰研究了这种现象，他将独立事件之间的间隔形式化并推导出带有他名字的函数：厄兰分布。这条曲线的形状不同于正态分布或幂律分布：它有一个类似翅膀的形状，峰值上升较缓，尾部下降的趋势比幂律分布得快，但比正态分布得缓。#2617
23：厄兰分布给出了第三种预测法则——相加法则：总是预测事物只会再持续一个常量。我们经常听到的“只需5分钟！#2624
24：这三个非常不同的最佳预测模式——相乘法则、平均法则和相加法则都是通过将贝叶斯法则应用到幂律、正态和厄兰分布上得出结果的。#2633
25：事实证明，人们所做的预测与贝叶斯法则所得出的预测非常接近。直觉上，人们做出不同类型的预测也是遵循在现实世界中的不同分布——幂律、正态和厄兰分布。#2665
26：对于布冯来说，推导出这个公式就已经足够了。但在1812年，皮埃尔-西蒙·拉普拉斯（也就是我们在第6章提到的英雄）指出，这个结果还有另一层含义：一个人可以仅通过针掉在纸上来估计π的值。#3273
27：但是，对这种基于类比的方法的不信任很快便会消失：在IBM公司，柯克帕特里克和盖拉特使用模拟退火算法设计出比那些专家设计的更好的芯片布局。#3556
28：从1971年开始，指数退避算法就成为阿罗哈网络成功运作的一个重要组成部分，20世纪80年代，它被应用于传输控制协议，并成为互联网的一个重要组成部分。几十年后的现在，它仍然是如此重要。#3803
29：事实上，在美国，过去的十年见证了一场悄无声息的革命的开始，这场革命让司法系统本身就能处理好对毒品犯罪者的社会监控。这场革命是由一个名为“希望”的试点项目发起的，该项目采用了阿罗哈网络的指数避退原则。而这也是一个惊人的巧合，它也始于阿罗哈网络的诞生地——檀香山。#3830
30：缓冲膨胀的感觉就像是需要在互联网上查看每一件东西，要阅读所有可能的书籍，或要看所有可能的节目。你错过了你最喜欢的连续剧的一集，然后看了一小时，一天，十年。你去度假，回到家看到一大堆信件。之前若有人敲你家的门，没人应答，他就走了。现在，当你回家时，他们已经在门外排队等待。#4011
31：令人惊讶的是，蒂姆·拉夫加登和康奈尔大学的伊娃·塔多斯在2002年证明了“自私路由”方法的调和率仅仅是4/3。也就是说，完全公开只比组织严密的完美的协调差33%。#4186
32：的确，自动驾驶汽车应该减少交通事故的数量，并且能够使汽车更紧密地往前行驶，实现这两方面都能加快交通速度。但从拥塞的角度来看，调和率只有4/3，而完美的协调意味着完全协调的通勤只能是现在的3/4。#4193
33：对于博弈理论家来说，维克瑞拍卖有很多吸引人的地方。特别是对于一个算法博弈理论家来说，这其中有一种特性尤其突出：鼓励参与者诚实。#4451
更多良心书评参见我的公众号：左其盛经管新书点评