人的力量永远来自心灵，当你的心灵产生力量后，外界的环境看上去也就没想象中的险恶了。
最重要的两点：
对事：心放大事就变小了；
对人：换位思考（理解对方）
以上其实也是一种换个角度看问题的具体化。有个技巧就是当一件事情发生的时候，你认为它是正常的，就能减少很多的烦恼。俗话说，当局者迷，旁观者清，碰到事情，学会以一种旁观者的姿态去看待问题。
知足常乐和不焦虑是一体两面。俗话说，既得陇复望蜀，所以人心是永不知足的，这就是烦恼的来源。关于焦虑，像毛主席说得好，矛盾是事物的本质，是永远会存在的，你解决了这个矛盾，又会有新的矛盾出来，所以面对问题、面对矛盾的时候不需要焦虑，因为，无论如何都有新问题、新矛盾出现。
"你无法在摘要上进行模式匹配，阅读他人对知识的压缩会创造知识的幻觉；二手洞见不是洞见，模式识别需要高质量的数据。"
这句话讲得很好，学习一门新知识，必须系统的看一些经典的书籍。
关于机器学习（或深度学习）的书籍也看了很多，推荐几本书以及阅读顺序（书籍封面见文末）。
1、《Deep Learning with Python》（《Python深度学习》 国内有该书第二版的正式中文版），深入浅出的介绍了机器学习的内容，作为宏观的机器学习（深度学习）的入门级书籍，条理很清晰，让你知其然；
2、《Hands-On Large Language Models》，一本很新的书，2024年出版的，没有正式的中文版（不过为了阅读方面，自己倒是翻译了），这本书的特色是图文并茂，人是视觉动物，一张图胜过千言万语，这本书把大语言模型的基础概念、基础原理简述得很清楚，在技术的深度上也把握得很好，不过太过技术化。这本书在阅读过《Deep Learning with Python》的基础上再看更好，因为大语言模型的底层技术架构是深度学习，需要对神经网络的一些概念有基础。
3、《Practical Statistics For Data Scientists》（数据科学家的实用统计，国内有第一版的正式中文版，不过，为了方便阅读，自己翻译了该书的第二版），这本书从数据科学家所需要的统计视角来展开，介于基础数学和计算机之间，主要从统计学的角度去阐述相关的主题和概念，关键的混淆点也能指出。并且结合Python、R，列举了很多的案例，是一本很好的统计学基础书籍。这本书从数据科学家而不是数学家的角度出发，所以摒弃了很多数学公式和细节。
4、《MATHEMATICS FOR MACHINE LEARNING》 （《机器学习的数学基础》，网上有该书Part I部分的翻译，为了方便阅读，自己翻译了Part II部分），这本书详细的把机器学习相关的数学知识和概念系统的介绍了一次，让你知其所以然。这本书系统化的介绍了与机器学习有关的数学概念，整体性、系统性非常好。概念之间的联系非常清晰。 关于机器学习相关的数学书籍，可以参考“打好数据科学和机器学习的基础——6本书带你学数学” https://www.dataapplab.com/6-best-books-to-learn-mathematics-for-data-science-machine-learning/
以上几本书是从原理的角度出发，从AI深度学习原理、深度学习的数学基础、统计学基础等方面进行讲解，那以下这本书就是AI的实际应用，智能体（agent）的讲解。
5、《Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems》（Antonio Gulli 所著）
该书是一部全面的技术指南，涵盖了现代人工智能系统中智能体 (Agent) 设计的核心概念和实践方法。
这本书还有一个特点，就是这本书的英文版先是在google doc中公开的，在英文版正式付印前，github上的中文翻译版已经完成了。这就是AI的力量，通过AI翻译，让中文读者能第一时间看到英文版的资料（当然是符合相关的开源协议，也所谓的知识民主化）
1、芝诺悖论
这涉及到潜无限问题，即无限过程无法完成，即1只能无限逼近，不能达到1，乌龟是不能被追上的。为此，潜无限只能假设空间不可以无限分割，这样悖论就不存在了。但实无限认为，无限过程可以完成，即极限可以达到1，乌龟可以追上。现在的实数，极限，微积分都建立在实无限上。对潜无限来说，实数，极限等都不成立，只能无限逼近。 P.S.目前数学界有"0.9999999999.......=1"之证明如下。
《人间失格》是日本著名小说家太宰治最具影响力的小说作品，发表于1948年，是一部自传体的小说，在发表这部作品的同年，太宰治就自杀身亡。
这本小说去年就看完，之所以不按惯例在看完之后写下心得，主要是书中透露出的那种极致的颓废、极度的绝望，实在是和现实要求的正能量相距甚远。
就像鲁迅在《呐喊．自序》中曾指出：
「但既然是呐喊，则当然须听将令的了，所以我往往不恤用了曲笔，在《药》的瑜儿的坟上平空添上一个花环，在《明天》里也不叙单四嫂子竟没有做到看见儿子的梦，因为那时的主将是不主张消极的。至于自己，却也并不愿将自以为苦的寂寞，再来传染给也如我那年青时候似的正做着好梦的青年。」
所以，相对于鲁迅的那一圈红白的花，还给我们的人生留了一点念想和希望，而太宰治的书实在是一条道走到了底。
之所以今天想起记录一下这本书，因为村上春树《挪威的森林》中提到了太宰治，权当看在村上春树的份上，就随笔记录一下，仅此而已，但书中传递的价值，不代表本人的立场:)。
刘震云2011年茅盾文学奖的长篇小说《一句顶一万句》，看完印象深刻的几点：
世界上的人只有说的着和说不着
小说中说：“有些人说得着，有些人说不得着；有些人现在说不得着，将来或许能说得着；有些人现在说得着，将来未必能说得着；有些人这一辈子也说不得着。找一个能说得着的人过一辈子是福分，不管是爱人、朋友还是亲人。”
就像伯牙子期高山流水的故事：伯牙鼓琴，锺子期听之。方鼓琴而志在太山，锺子期曰：“善哉乎鼓琴，巍巍乎若太山。”少选之间而志在流水，锺子期又曰：“善哉乎鼓琴，汤汤乎若流水。”锺子期死，伯牙破琴绝弦，终身不复鼓琴，以为世无足复为鼓琴者。
反复使用的句式：A发生，不是因为显而易见的B，也不是相关的C，而是新的D，从而引出了与D相关的故事。
例如： 牛爱国他妈叫曹青娥。牛爱国他妈本不该姓曹，应该姓姜；本也不该姓姜，应该姓吴；本也不该姓吴，应该姓杨。曹青娥五岁那年，被人从河南卖到山西。
又例如：
但等孩子买下之后，老曹才知道，老婆要这个孩子，既不是为了孩子，也不是为了老曹两口，也不是为了造七级浮屠，而是为了跟二叔置气。
每个人都是孤独和漂泊的灵魂
书中插入了一段关于意大利神父老詹在延津传教的故事。带出了人生的三大哲学问题：你是谁，从哪里来，到哪里去；给本书关于孤独和漂泊的主题注入了背景色。
书的尾篇，提到神父老詹的教堂现在已经成为：“金盘洗脚屋”，一股浓浓的讽刺味。也许这就是中国人魂无所依、注定漂泊的原因吧。
过日子是过以后，不是过从前
这个大道理都能看懂，但是大道理之所以称为大道理，就是因为难以做到。人的以前也是构成你的一部分，割舍过去，就像把自己的一部分切割开，这岂是我们这些凡夫俗子能做到。
生命中遗失的最重要的那句话
牛爱国情人章楚红要给他说的那句话（这也是终篇时牛爱国说得找的理由吧），吴摩西（杨百顺）死前想对巧玲说的那句话，曾志远想见面与牛爱国说的那句话等等；最终都错过了。人们为了这句话，寻寻觅觅，其实背后寻找的是生命里“一句顶一万句”的那个人 。
《Practical Statistics for Data Scientists》书籍英文版
《面向数据科学家的实用统计学》中文版书籍
Unsupervised Learning
无监督学习这个术语指的是在没有标注数据（即已知感兴趣结果的数据）的情况下，从数据中提取意义的统计方法。在第四章到第六章中，目标是构建一个模型（一套规则），用一组预测变量来预测一个响应变量。这就是监督学习。与此相反，无监督学习也构建数据的模型，但它不区分响应变量和预测变量。
无监督学习可以用于实现不同的目标。在某些情况下，当没有带标签的响应变量时，它可用于创建预测规则。例如，聚类方法可以用于识别有意义的数据组。我们可以使用用户在网站上的点击和人口统计数据，将不同类型的用户分组。然后，网站可以根据这些不同类型进行个性化。
在另一些情况下，目标可能是将数据的维度降至一个更易于管理的变量集。然后，这个缩减后的集合可以作为输入用于预测模型，比如回归或分类。例如，我们可能有成千上万个传感器来监测一个工业过程。通过将数据简化为一个更小的特征集，我们也许能够构建一个比包含数千个传感器数据流更强大、更可解释的过程故障预测模型。
最后，无监督学习可以被视为探索性数据分析（参见第一章）的延伸，适用于您面对大量变量和记录的情况。其目的是深入了解一组数据以及不同变量之间的相互关系。无监督技术让您能够筛选和分析这些变量，并发现其中的关系。
《Practical Statistics for Data Scientists》书籍英文版
《面向数据科学家的实用统计学》中文版书籍
Statistical Machine Learning
统计学在近期发展中，致力于开发更强大、更自动化的预测建模技术，涵盖了回归和分类。这些方法与上一章讨论的方法一样，都是有监督学习——它们通过在已知结果的数据上进行训练，来学习如何预测新数据的结果。它们属于统计机器学习的范畴，与经典统计方法不同之处在于，它们是数据驱动的，并且不试图对数据强加线性的或其他整体结构。例如，K-最近邻(K-Nearest Neighbors)方法非常简单：根据相似记录的分类方式来对一条记录进行分类。最成功和应用最广泛的技术是基于集成学习(ensemble learning)并应用于决策树(decision trees.)的方法。集成学习的基本思想是使用多个模型来形成预测，而不是仅仅使用一个单一模型。决策树是一种灵活且自动化的技术，用于学习预测变量和结果变量之间关系的规则。事实证明，将集成学习与决策树相结合，可以产生一些性能最佳的现成预测建模技术。
许多统计机器学习技术的发展，可以追溯到加州大学伯克利分校的统计学家 Leo Breiman（参见图6-1）和斯坦福大学的 Jerry Friedman。 他们的工作，以及伯克利和斯坦福其他研究人员的工作，始于1984年对树模型的开发。随后在20世纪90年代开发的装袋法（bagging）和提升法（boosting）等集成方法，奠定了统计机器学习的基础。
个人注：以下使用gemini翻译 20250916
《Practical Statistics for Data Scientists》书籍英文版
《面向数据科学家的实用统计学》中文版书籍
数据科学家经常需要为商业问题提供自动化决策。一封电子邮件是钓鱼邮件吗？一个客户是否可能流失？一个网络用户是否可能点击广告？这些都是分类问题，一种监督学习形式。我们首先在已知结果的数据上训练一个模型，然后将该模型应用于结果未知的数据。分类也许是预测最重要的形式：其目标是预测一条记录是1还是0（例如，钓鱼/非钓鱼、点击/不点击、流失/不流失），或者在某些情况下，预测它属于几个类别中的一个（例如，Gmail 将你的收件箱过滤为“主要”、“社交”、“推广”或“论坛”）。
很多时候，我们需要的不仅仅是一个简单的二元分类，我们还想知道一个案例属于某个类别的预测概率。大多数算法都可以返回一个属于目标类别的概率分数（probability score）（倾向性）（propensity），而不仅仅是简单地分配一个二元分类。事实上，对于逻辑回归，R 的默认输出是对数几率（log-odds）尺度，这必须被转换为倾向性。在 Python 的 scikit-learn 中，逻辑回归与大多数分类方法一样，提供了两种预测方法：predict（返回类别）和 predict_proba（返回每个类别的概率）。然后，可以使用一个滑动截止点（ sliding cutoff）将倾向性分数转换为决策。一般方法如下：
截止点越高，被预测为1的记录就越少；截止点越低，被预测为1的记录就越多。
本章将介绍几种用于分类和估算倾向性的关键技术；下一章将描述既可用于分类也可用于数值预测的其他方法。
《Practical Statistics for Data Scientists》书籍英文版
《面向数据科学家的实用统计学》中文版书籍
在统计学中，也许最常见的目标就是回答这样的问题：“变量 X（或者更常见地，X₁, …, Xₚ）是否与变量 Y 有关联？如果有，这种关系是什么，我们能否利用它来预测 Y？”
在预测领域——特别是基于其他“预测变量”的值来预测一个结果（目标）变量——统计学与数据科学的联系最为紧密。这一过程是在结果已知的数据上训练模型，以便随后将其应用于结果未知的数据，称为监督学习。数据科学与统计学的另一个重要交叉领域是异常检测：最初用于数据分析和改进回归模型的回归诊断方法，也可用来检测异常记录。
《Practical Statistics for Data Scientists》书籍英文版
《面向数据科学家的实用统计学》中文版书籍
实验设计是统计实践的基石，在几乎所有研究领域都有应用。其目标是设计实验以确认或拒绝某个假设。数据科学家往往需要持续进行实验，尤其是关于用户界面和产品营销方面的实验。本章回顾了传统实验设计，并讨论了数据科学中常见的一些挑战；还介绍了一些统计推断中经常被引用的概念，并解释了它们的含义及其与数据科学的相关性（或不相关性）。
当你看到统计显著性、t 检验或 p 值等术语时，通常是在经典统计推断“流水线”的上下文中（见图 3-1）。这个过程从一个假设开始（例如“药物 A 优于现有标准药物”或“价格 A 比现有价格 B 更有利可图”）。然后设计实验（可能是 A/B 测试）以检验这个假设——设计得尽可能能够得出结论性结果。接着收集并分析数据，然后得出结论。术语“推断”体现了这样一种意图：将涉及有限数据集的实验结果，应用到更大的过程或总体上。