墨语浮生

为了平复《一句顶一万句》和《挪威的森林》所带来的情绪波动，需要一些深刻的文字来中和一下。中间读了《长安的荔枝》，不过似乎力道不够，于是，想到了鲁迅，想到了鲁迅的杂文。

刚开始写读书心得时，还会很认真地写感想并把书中的精彩语句逐条摘录出来，整理成文字附在文章末尾。后来嫌麻烦，就改成直接拍照，以图片形式写读书心得和放在文末。这样做确实更省事，还能把书页边栏里随手写下的批注原汁原味地保留下来。

前段时间，电视剧《长安的荔枝》因演员事件闹得沸沸扬扬，故也借机抽空把原著小说看了一遍。这是一部中篇小说，两天也便读完了。

本书虽然披着古装的外壳，但本质上却是一部讲述职场厚黑学、传统官场斗争与权谋心术的故事。和同类题材相比，小说在情节推进中加入了许多现代项目管理的思维方式，例如看板管理、瓶颈意识、风险管理等，算是有些新意。

刚开始跑步、读书的时候，对参加所谓的跑团或读书会很感兴趣。但后来渐渐淡了，因为慢慢明白：跑步和读书本就是属于孤独的个人体验。跑步时的思绪涌动，是与自己的身体、与天地万物对话的过程；而读书则是与心灵、与灵魂交谈。俗话说，一千个读者就有一千个哈姆雷特，读书的过程，是将个人的生活体验与书本发生化学反应的过程；离开了自己的经历，别人所谓的“感同身受”往往是不存在的。所以，许多读书分享会反而更像是一种社交，而这与读书所强调的个体性的、心灵与书本交融的孤独本质，未免有些背离。跑步亦然。

读完《挪威的森林》，不由自主想起日本那部经典电影《情书》。相比前者那种近乎放纵的克制，我反而更喜欢《情书》里那份克制后的错失，也许这是价值观的不同吧。

第一次接触村上春树大概是在 2013 年。那时我开始夜跑，而村上又是业余马拉松爱好者的代言人，于是读了《当我谈跑步时我谈些什么》。时间久远，书中内容大多已模糊，而他挑战 100 公里超级马拉松的情节却历历在目。

《人间失格》是日本著名小说家太宰治最具影响力的中篇小说之一，发表于1948年。这是一部明显带有自传色彩的作品，而在同年，太宰治便选择了自杀，令人读来更添几分唏嘘。

这本小说其实在年初就读完了，篇幅不长，是在方所书店断断续续看完的。没有在读后立即写下心得，是因为书中那种极致的颓废与深沉的绝望感，与现实世界所强调的正能量相去甚远，读完后的心境一时难以整理。

刘震云2011年茅盾文学奖的长篇小说《一句顶一万句》，终于抽出时间拜读完毕。

小说分上下两部分，上半部“出延津记”，写的是杨百顺身上发生一连串变故，最终与养女巧玲离乡背井、踏上寻人之路；下半部“回延津记”，讲的是巧玲的儿子牛爱国，在经历人生种种的是是非非之后，因为母亲收到的一封信，走回延津......

上下两部分，就像个轮回，变的是人物，不变的是故事背后的柴米油盐，不变的是漂泊的人生和孤独的灵魂。虽然本书没有《百年孤独》的魔幻，但那种宿命感的底色并无二致，读罢心头始终萦绕着一股悲凉。 不过在终篇，牛爱国的那句话：“不，得找。”又仿佛留住了人生最后的一丝希望，不让人生显得太过苍白。

"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。"

这句话说得极好，学习一门新知识，最终还是要回到系统的、成体系的经典书籍上。

关于AI学习，读过很多相关书籍，结合自己的体会，按照较为合适的阅读顺序推荐以下几本：

1.《Deep Learning with Python》（《Python 深度学习》）

——“知其然”的最佳入门书

这本书深入浅出地介绍了深度学习的核心思想，是非常优秀的宏观入门读物。行文清晰、结构紧凑，让初学者能够迅速建立对深度学习整体框架的理解。国内已有第二版的正式译本。 在线阅读的网址：https://deeplearningwithpython.io/

第12章 支持向量机分类

在许多情况下，我们希望机器学习算法能够预测若干（离散）结果中的一个。例如，电子邮件客户端会将邮件分为个人邮件和垃圾邮件，这就有两个结果。另一个例子是望远镜识别夜空中的天体是星系、恒星还是行星。通常结果的数量较少，更重要的是，这些结果之间往往没有额外的结构。 在本章中，我们考虑输出二元值的预测器，也就是说，只有两种可能的结果。这种机器学习任务称为二分类（binary classification）。这与第 9 章形成对比，当时我们讨论的是连续值输出的预测问题。对于二分类，标签/输出可以取的值是二元的，本章中我们用 {+1,−1} 表示。换句话说，我们考虑的预测器形式为 \[ f:\mathbb{R}^D \to \{+1,-1\}. \tag{12.1} \]

回忆第 8 章，我们用 \(D\) 个实数的特征向量表示每个样本（数据点）\(x_n\)。标签通常分别称为正类（positive class）和负类（negative class）。但应当注意，不要根据“正”或“负”字面意义推断+1类的直观属性。例如，在癌症检测任务中，有癌症的患者往往被标记为+1。原则上可以使用任何两个不同的值，例如{True,False}、{0,1}或{red,blue}。二分类问题研究得比较充分，其他方法的综述我们放到 12.6 节再介绍。我们将介绍一种称为支持向量机（Support Vector Machine, SVM）的方法，它用于解决二分类任务。与回归类似，这是一个监督学习任务：我们有一组样本 \(x_n \in \mathbb{R}^D\)，以及对应的（二元）标签 \(y_n \in \{+1,-1\}\)。给定一个包含样本–标签对 \(\{(x_1,y_1),\dots,(x_N,y_N)\}\) 的训练数据集，我们希望估计模型参数，使分类错误率最小。类似第 9 章，我们考虑线性模型，并把非线性隐藏在对样本的一个变换 \(\phi\) 中（见式(9.13)）。我们将在 12.4 节重新讨论 \(\phi\)。

支持向量机（SVM）在许多应用中都能提供最先进的结果，并且具有坚实的理论保证（Steinwart 和 Christmann, 2008）。我们之所以选择用 SVM 来说明二分类问题，主要有两个原因。

首先，SVM 提供了一种几何方式来思考监督学习问题。 在第 9 章中，我们是从概率模型的角度来看待机器学习问题，并用极大似然估计和贝叶斯推断来解决。而在这里，我们考虑一种替代的方法，即从几何角度来推理机器学习任务。这种方法高度依赖于我们在第 3 章讨论过的内积和投影等概念。

第二个原因是，与第 9 章不同，SVM 的优化问题没有解析解，因此需要借助第 7 章介绍的各种优化工具。 SVM 对机器学习的理解与第 9 章的极大似然方法存在细微的差异：极大似然方法是基于数据分布的概率观点提出一个模型，再由此推导出一个优化问题；而 SVM 的方法则是从几何直觉出发，先设计一个需要在训练过程中被优化的函数。我们已经在第 10 章看到过类似的情况，当时我们从几何原理出发推导了 PCA。在 SVM 的例子中，我们通过设计一个损失函数来度量训练数据上的误差，并遵循经验风险最小化原则（第 8.2 节），在训练中加以最小化。

第11章 高斯混合模型的密度估计

Density Estimation with Gaussian Mixture Models

在前几章中，我们已经讨论了机器学习中的两个基本问题：回归（第 9 章）和降维（第 10 章）。在本章中，我们将探讨机器学习的第三个支柱：密度估计。在这一过程中，我们会引入一些重要的概念，例如期望最大化（EM）算法，以及通过混合模型来理解密度估计的潜在变量视角。

当我们将机器学习应用于数据时，往往希望以某种方式来表示数据。一个直接的方法就是将数据点本身作为数据的表示；例如见图 11.1。 然而，如果数据集非常庞大，或者我们更关心数据的整体特征，那么这种方式可能就不太有用了。在密度估计中，我们通过使用某个参数化分布族中的分布（例如高斯分布或 Beta 分布），来紧凑地表示数据。比如，我们可能希望通过数据集的均值和方差，用一个高斯分布来进行紧凑表示。均值和方差可以通过第 8.3 节讨论的工具（最大似然估计或最大后验估计）来求得。接着，我们就可以用这个高斯分布的均值和方差来表示数据背后的分布，即我们认为该数据集是从这个分布中采样得到的一次典型实现。

个人注：高斯混合模型的密度估计是一种表示数据的方法！其实也是一种建模，因为这个分布就是对应该类数据的模型表达。