最優(yōu)停止理論：
需要在有限時間悦穿、有限選擇內(nèi)做出決定羹膳，當(dāng)你面對選擇時要么選擇要么放棄，放棄后不能再選擇肠套，這種情況下怎樣做出最理性的選擇舰涌。算法告訴你是在37%之后面對不錯的選擇就決定。
這個算法可以告訴你最佳結(jié)婚年齡你稚。假設(shè)你打算35歲之前結(jié)婚瓷耙，從25歲開始相親朱躺，那么29歲之前不要做決定，29歲以后遇到比較好的人就趕緊嫁（娶）了吧哺徊。
探索還是利用：
當(dāng)你到一個新的城市生活室琢，你會開始嘗試附近的各個餐館，這是探索階段落追，那么什么時候停止探索盈滴，而充分利用已知的餐館信息作出你下頓晚餐的決定。
一種算法是“贏留輸變”轿钠，當(dāng)你覺得這家餐館好吃巢钓，就繼續(xù)吃，直到你覺得不好吃為止疗垛，再換下一家症汹，如此往復(fù)。
另一種算法是“最小遺憾”贷腕，當(dāng)你覺得某家著名餐館其他城市沒有背镇，不去嘗試下可能會有遺憾，那么就一定要去嘗試泽裳。
排序：
無論在計算機(jī)還是生活領(lǐng)域中排序都是一種非常消耗性能的活動瞒斩，因此我們的生活中大部分情況是避免排序。
解決排序的辦法：淘汰賽涮总，比如世界杯胸囱，如果把32支球隊排個序需要打多少場比賽？但淘汰賽就很快能得出結(jié)果瀑梗，但是注意到一點(diǎn)烹笔，這種淘汰賽機(jī)制下只有金牌冠軍是有意義的，銀牌可能是假的抛丽，有更強(qiáng)的隊伍在很早的時候就被冠軍給淘汰了谤职。
我個人的觀察，公司內(nèi)或者政府中的級別制度亿鲜，也是一種減少排序的辦法柬帕，在一個很大的公司或組織里，為每個人論功行賞也是一件很難的事情狡门，那么先把人劃分幾個級別，根據(jù)總共有幾個級別锅很、每個級別有多少人其馏、總的獎金包能很快速的算出每個級別平均能拿多少錢，在級別內(nèi)再根據(jù)貢獻(xiàn)度做一些小范圍的區(qū)分爆安，這樣總得來說就變得可以操作了叛复。
貝葉斯定理：
貝葉斯定理是說明兩件事A、B，各自發(fā)生的概率和相互為前提發(fā)生的概率是有關(guān)系的褐奥，這樣我們通過一些計算可以通過A的概率咖耘，推導(dǎo)出發(fā)生B的概率。
書中例子不是特別好撬码，我的理解是要用概率的思維做決策儿倒，比如酒后駕車，其實(shí)就是事件A是喝酒呜笑，事件B是車禍夫否，這2者相關(guān)性很大，站在政府角度即使不是每次喝酒都會發(fā)生車禍叫胁，但是如果喝酒的人足夠多凰慈，就會必然發(fā)生車禍。對個人來說驼鹅，喝一次酒就增加一次車禍概率微谓，次數(shù)多了就必然容易發(fā)生車禍。
在公司里输钩，有些工作不一定能幫助我們晉升豺型，但只要它對我們晉升的概率有正向的作用，我們就應(yīng)該樂于承擔(dān)张足。
過度擬合：
過度擬合是統(tǒng)計學(xué)上的術(shù)語触创，我們得出的結(jié)論與訓(xùn)練數(shù)據(jù)過度重合，就不能很好的預(yù)測未來为牍。
作者舉了擊劍運(yùn)動的例子哼绑，擊劍算分是通過裝在劍頂端的按鈕來積分，只要能把劍尖碰到對方就可以了碉咆，這樣運(yùn)動員發(fā)明了“甩尾”的動作抖韩，這讓劍看起來更像鞭子，已經(jīng)離傳統(tǒng)的劍術(shù)相去甚遠(yuǎn)了疫铜。
我舉些例子茂浮，如果一個公司以代碼量作為程序員的考核標(biāo)準(zhǔn)，那么它的員工為了指標(biāo)好看壳咕，可能會人為的制造很多無意義的代碼席揽，這就馬上讓代碼量編程一個很糟糕的指標(biāo)。其實(shí)很多量化的指標(biāo)都有可能造成這個結(jié)果谓厘。
還有一種情況我們的職業(yè)選擇幌羞，當(dāng)你父母是公務(wù)員，工作輕松待遇又好竟稳，讓你覺得公務(wù)員就是唯一正確的職業(yè)選擇属桦，對你來說可能是信息量太少導(dǎo)致的過度擬合熊痴。
隨機(jī)性：
統(tǒng)計學(xué)上有一種術(shù)語叫局部最優(yōu)解，就是根據(jù)數(shù)據(jù)計算出來一個看起來比較好但不正確的結(jié)果聂宾，就像在地圖上找一塊最洼地果善，如果只能看清附近有限的空間，你找到的洼地系谐，比翻過幾個山峰的洼地高很多巾陕。在統(tǒng)計算法領(lǐng)域解決辦法就是引入隨機(jī)性，隨機(jī)的沖破當(dāng)前的搜索范圍蔚鸥，避免只找到局部最優(yōu)解惜论。
在生活和工作中引入隨機(jī)性也是一種沖破盒子的辦法，比如你喜歡看懸疑類電影止喷，偶爾嘗試一下劇情倫理類的作品可能會得到意想不到的收獲馆类。假如你是Team Leader，組建團(tuán)隊時都選跟你很類似的成員弹谁，可能會窄化整個團(tuán)隊的眼光乾巧，失去很多可能性。
