數學之美
💎 簡單即是美
🎯 什麼情境該想到我
當你「解法越弄越複雜、參數越加越多」，或要在幾個方案間取捨、直覺覺得「正確答案不該這麼繞」的時候。
⚙️ 怎麼用（判準）
- 先假設正確答案是簡單的：牛頓「簡單性原則」——除非必要，別為現象尋找多餘的原因；培根「美德如寶石，樸素襯托最華麗」。
- 用「簡單度」當品質訊號：托勒密用 40–60 個小圓套大圓精準預測行星，卻複雜到後人難以求解；開普勒改用「一個橢圓」就描述清楚——形式上更簡單的模型，往往更接近真相。
- 複雜是警訊而非成就：若你的方案需要一堆特例、補丁、例外說明才成立，通常代表方向或模型不對，該退一步找更簡單的切法，而不是繼續打補丁。
- 簡單≠簡陋：目標是「最簡單且正確」，不是為省事而犧牲正確；找到那個「一句話就能說清楚」的核心。
🧪 我實際套用的紀錄
- 2026-07-24：（待填）
⚠️ 注意 / 什麼時候不適用
- 「簡單」是就本質模型而言；別把「省略必要條件」當簡單。愛因斯坦：一切應盡可能簡單，但不能過於簡單。
🔗 相關工具
托勒密 40 個圓 vs 開普勒 1 個橢圓 正確的數學模型，形式上通常最簡單
「美德就如同華貴的寶石，在樸素的襯托下最顯華麗。」（培根）
🧭 找對模型勝過蠻力
🎯 什麼情境該想到我
當你「用蠻力硬幹一個問題卻事倍功半」，或不確定「是該繼續調參，還是根本換個方法」的時候。作者花整堂課只講「找對模型」有多重要。
⚙️ 怎麼用（作者的四條結論）
- 正確的模型在形式上通常是簡單的：若你的模型像托勒密「40 個圓套在一起」那樣複雜到難以求解，多半是模型錯了，該找更簡單的（如換成一個橢圓）。
- 正確的模型一開始可能還不如「精雕細琢的錯誤模型」準：哥白尼日心說初期誤差比地心說還大；但只要認定大方向是對的，就該堅持下去，別因一時不如舊方法就放棄。
- 大量準確的資料很重要：開普勒能發現橢圓軌道，靠的是第谷留下的大量精確觀測資料。
- 模型遇到雜訊而失準時，別用湊合的修正去打補丁，要找雜訊的根源——這往往通往重大發現（天王星軌道異常，順著找根源就發現了海王星）。
🧪 我實際套用的紀錄
- 2026-07-24：（待填）
⚠️ 注意 / 什麼時候不適用
- 「堅持大方向」的前提是你有理由相信方向對；不是固執己見。判斷方向對錯，看它是否更簡單、更能解釋現有資料、能否舉一反三。
🔗 相關工具
- 工具-簡單即是美 —— 選模型的判準，繞得越少的模型通常越接近本質
- 工具-用資訊消除不確定性 —— 配套量尺，模型好不好用資訊量來衡量而非直覺
- 工具-區分修復與掩蓋症狀 —— 同一心態的工程版，別在錯的模型上一直調參數
🎯 什麼情境該想到我
當你「只會照著公式/流程操作，卻不懂為什麼這樣做」，或想真正學到一個領域高手的思路、而不只是結論的時候。
⚙️ 怎麼用
- 對每個巧妙的方法問三個問題：提出它的人是誰？為什麼是「他/她」想到的？其思維方法有什麼特點？成為大師有偶然性，但更有必然性——必然性就是他們的思維方法。
- 追到最根本的源頭：不停在「怎麼做」，往回追到「這個想法從哪來、要解決什麼原始問題」。理解本質後，看似不同的問題常能用同一個模型解決（人類語言上千種，處理它們的數學模型卻相同或相似）。
- 學思維方法，而非背結論：作者刻意花大量篇幅寫科學家的日常與成功原因——因為可遷移的是他們「化繁為簡、追根究柢」的方法，不是某條具體公式。
- 反向自檢：你能不能講出這個方法「為什麼對、為什麼是這個而不是別的」？講不出，代表還停在表層，值得再往下挖。
🧪 我實際套用的紀錄
- 2026-07-24：（待填）
⚠️ 注意 / 什麼時候不適用
- 追根溯源要花時間；日常瑣事不必事事挖到底。用在你想真正精通、或反覆會用到的核心問題上，投報率最高。
🔗 相關工具
大方向對就該堅持 哥白尼日心說初期誤差更大，但模型方向是對的； 發現海王星靠找雜訊的根源，而非湊合修正
📊 資訊＝消除不確定性
🎯 什麼情境該想到我
當你面對一個「很不確定、抓不準」的問題，手上資料一大堆卻越看越亂、算不出答案的時候。核心洞見：資訊量＝不確定性的多少（資訊熵 H = -Σp·log p）。
⚙️ 怎麼用
- 先估「不確定性有多大」：要搞清楚的事越模糊、可能性越多，需要引入的資訊就越多（世界盃 32 強誰奪冠＝5 位元的資訊）。
- 靠「引入相關資訊」把它消掉，而不是玩公式：不確定性 U，引入資訊 I，剩下 U’ = U − I；只有 I 夠大、且與問題相關，才能真正消除不確定性。（二戰佐爾格一則「日本將南下」的 1 位元情報，價值抵過千軍萬馬。）
- 資訊不夠時，去「找更多相關資訊」：可以是直接關於目標的，也可以是與它相關的其他線索（相關資訊也能降低不確定性）。
- 別做最糟的事——引入人為假設：在既有資料上硬套公式、憑主觀臆斷，等於「蒙」，結果只會更糟。沒有新資訊，任何公式都消不掉不確定性。
🧪 我實際套用的紀錄
- 2026-07-24：（待填）
⚠️ 注意 / 什麼時候不適用
- 關鍵是資訊要「相關」；引入一堆無關資訊（德軍在北非的動向）解決不了你真正的問題（日本的意圖）。先問：這條資訊跟我要判斷的事有關嗎？
🔗 相關工具
- 工具-用度量取代模糊判斷（用互資訊量化「相關」）、工具-找對數學模型、工具-從規則到統計
資訊熵 H = -Σ p·log p 引入相關資訊才能消除不確定性，玩公式沒用
🔄 從規則到統計
🎯 什麼情境該想到我
當你「靠一條條寫死的規則去處理複雜、充滿例外的問題，規則越加越多卻還是漏洞百出」，或在「規則 vs 資料驅動」之間猶豫的時候。
⚙️ 怎麼用（思路轉換）
- 警覺「規則爆炸」：想用文法規則覆蓋 20% 的真實語句就要幾萬條，越寫越多、還會互相矛盾；每多一個新情況就得再補規則——這是硬寫規則的死路。
- 改用資料統計學規律：與其窮舉規則，不如從大量資料中用統計方法歸納。自然語言處理改走統計路線後，語音辨識準確率從 70% 躍升到 90%、詞彙量從幾百升到幾萬，才真正能用。
- 別當「鳥飛派」：看鳥怎麼飛就想造飛機（模仿表象），不如掌握背後的空氣動力學（原理）。萊特兄弟靠的是空氣動力學，不是仿生。面對問題要抓背後可統計、可計算的規律，而非表面模仿。
- 前提是要有資料與算力：統計方法的威力隨資料量與算力增長而釋放——先確認你能取得足夠且有代表性的資料。
🧪 我實際套用的紀錄
- 2026-07-24：（待填）
⚠️ 注意 / 什麼時候不適用
- 資料太少、或問題本身有明確少量規則（如象棋規則）時，硬套統計未必划算。判準：情況的「例外」是否多到規則寫不完。
🔗 相關工具
- 工具-用資訊消除不確定性 —— 說明統計路線為何有效：資訊量就是消掉的不確定性，也給你「資料夠不夠」的量尺
- 工具-找對數學模型 —— 放棄硬寫規則之後的下一題：與其繼續調參，不如換個模型，這張講怎麼挑
- 工具-用度量取代模糊判斷 —— 把「相關 / 相似 / 重要」這種模糊判斷變成可計算的度量，是規則轉統計最具體的操作
鳥飛派 vs 統計派 硬寫文法規則覆蓋 20% 語句就要幾萬條、還互相矛盾； 改用統計＋資料後語音辨識 70% → 90%
📐 把模糊變可計算
🎯 什麼情境該想到我
當你想比較「兩個東西像不像、有沒有關係」，卻只能憑感覺說「應該有關」，缺乏客觀標準的時候。作者反覆示範：把模糊的「相關/相似/重要」變成一個可計算的度量。
⚙️ 怎麼用（把形容詞變成數字）
- 先承認「有關係」太模糊：「A 和 B 有關係」不科學，要問「相關性到底有多大」，才能拿來排序、分類、決策。
- 選一個合適的度量把它算出來，本書的三個範例：
- 相關性 → 互資訊：I(X;Y) = H(X) − H(X|Y)，即「知道 Y 後，對 X 消除的不確定性」；只要有資料就好算，值越大越相關（0＝無關）。
- 相似性 → 餘弦定理：把物件表示成特徵向量，用夾角餘弦衡量兩者方向有多接近（新聞分類就這麼做）。
- 重要性 → TF-IDF：用詞頻 × 逆文件頻率度量一個關鍵詞對一篇文件有多重要。
- 用數字做決策：有了可比較的度量，「哪個更相關/更相似/更重要」就從爭論變成排序，能自動化、能複現。
🧪 我實際套用的紀錄
- 2026-07-24：（待填）
⚠️ 注意 / 什麼時候不適用
- 度量的好壞取決於「特徵選得對不對」；量化不是萬能，選錯特徵，再精密的公式也沒意義（先想清楚要度量什麼）。
🔗 相關工具
- 工具-用資訊消除不確定性 —— 理論基礎，度量之所以有效是因為它在消除不確定性
- 工具-找對數學模型 —— 前一步，度量之前要先選對模型，否則量的是錯的東西
三個度量 互資訊量「相關性」、餘弦定理量「相似性」、 TF-IDF 量關鍵詞權重