如何进行有效的尸检
不要问团队会出什么问题
摘要
算法是一个明确的流程，必须遵循以获得期望的结果。我们的生活很大程度上都被算法决定。知道该遵循哪些算法，可以带来更高效、更有效的决策。
生活中的算法
我最近又重读了一遍 Algorithms to Live By这是一本由Brian Christian和Tom Griffiths合著的书，讲述算法如何帮助我们提升生活中的效率。去年开始学习编程后，这次我收获更多。
算法是一个过程，你可以把它看作是完成某个任务时需要遵循的指令。例如，学习如何将数字相加是一个简单的算法 1.
更复杂的指令可以计算生活中其他问题的结果。利率、网络搜索排名或社交媒体信息源都基于算法的结果。书中介绍了许多此类算法，并将其与你个人可能遇到的问题联系起来。
要解释他们提到的每一个算法都太难了 2所以我会做一些简短的重点介绍，通常会重点放在定性而非定量的收获上。
此外，大多数算法依赖某些假设;阅读时不要每次都指定这些假设，而是默认。我会在脚注中补充一些假设，供感兴趣的人参考。
讨论的一些问题包括：
- 什么时候该停止面试，以获得最佳结果
- 当你应该停止探索新选项，去享受你已经熟悉的选项时
- 如何根据你的目标安排任务
让我们来看我们的第一个算法，关于何时应该停止解决一个问题。
最优制动
如果你在评估各种选项（求职者、住房报价、停车位等），选择时间和选择“最佳”选项的机会之间存在权衡。这被称为 secretary problem - 假设你在雇秘书，应该面试多少次，才能获得找到最佳秘书的最佳机会？
在这种情况下，有一个精确的百分比。你应该在看到37%的申请者后，再选下一个表现最好的申请者 3.比如，如果你有100个申请者，等你看完前37个后，再选一个比你目前看到的申请人更好的。
那是数学上最优的点，最有可能选出最适合这份工作的人选。如果你太早停止，可能会错过后续面试的人。如果太晚停止，你就会浪费时间 4.
探索漏洞
类似于最优的停机情况，信息收集（探索）和享受（利用）之间存在权衡。假设你在赌场，想决定玩哪些机器。你想最大化你的奖金，但不知道机器的确切赔率（如果知道，你会选择最好的那个）。
在这种情况下，有一个数字，称为 Gittins Index，这给你提供了最优的游戏机制 5.如果你知道赢、输的次数以及你对未来收益的价值，就能精确计算每个选择的价值。一些有趣的特性：
- 如果你玩的是最优机器并再次获胜，继续玩那台机器是合理的
- 如果你玩的是最优机器并且输了一次，继续玩那台机器可能仍然有意义
- 一台完全陌生的机器可能比那些经常赢的机器更有利，而你越看重未来收益，这种未知机器的价值也会越高
其他相关含义：
- 探索对年轻时影响更大;从他们的角度来看，婴儿把所有东西都放进嘴里是合理的
- 剥削在晚年影响更大;因此老年人减少社交网络，更倾向于回到喜欢的餐厅
分院
书中举了一些排序算法的例子，这些算法在编程中很常见。例如，返回搜索结果需要筛选出对你来说最相关的排序。
关于排序算法的详细讨论我留到以后再说，因为它们需要理解 time complexity.以下是一些定性结论：
- 有些排序方式效率远高于其他方式（>快10倍）
- 有些情况不仅仅需要排序效率。例如，制定体育赛季比赛日程还需要考虑赛季的精彩程度。你可以优化排序效率，但赛季会显得不那么精彩
- 排序越高效，它可能越容易因意外失误而脆弱。例如，“最强”的队伍可能在单败淘汰赛（本质上是排序算法）中意外被淘汰，比如世界杯 6.
缓存与内存
缓存的理念是：1）一个小而快速的内存（存储）部分，2）一个大型、较慢的存储部分。然后根据我们的意图，在这两者之间交替使用。这样我们既能获得所需的活动速度，也能获得一定的规模。
比如，你衣柜里有你最喜欢的衣服，阁楼里有未穿的衣服。你可以快速拿到最常用的衣服，同时如果想的话，还能留下那件难看的圣诞毛衣。储藏听起来复杂，但你会发现我们日常生活中自然而然地这样做。
你如何决定哪些物品应该放进快区，哪些放慢板？你可以随意放物品，最新的物品，最大的物品等等。
在这种情况下，将最近使用的物品放在小而快速的区域是最佳选择，因为有一种叫做 temporal locality.你更可能需要再次使用最近用过的软件。比如，Google Drive会高亮你常用的文件以便快速访问。
排程
我们大多数人都必须决定如何优先处理待办事项。这通常需要在响应速度（响应速度）和吞吐量（能完成多少工作）之间做出权衡。
关于调度和优先级设定的一个关键点是定义你的目标指标，因为它决定了你想使用的算法 7.最大化响应速度是以牺牲你能完成的工作量为代价：
如果你想尽量减少所有项目的最大延迟 8， Earliest Due Date 算法告诉你从最早截止的项目开始。
如果你想最小化总完成时间，可以 Shortest Processing Time 算法告诉你先做最快的任务。
如果任务重要性不相等，那么给每个任务加权并计算所需的时间权重比，有助于你决定做哪个任务;选择时间权重最高的项目。
实际上，这意味着你应该和经理讨论一下团队如何看待这种权衡，以及他们更希望你采用哪种方法。
排程中还有一个重要概念，那就是 context switching - 每当你需要在任务间切换时。切换上下文是浪费时间，因为它不是真正的工作，但会占用你的时间和精力。
例如，如果你正在写邮件，突然被Slack消息打断，你需要时间既回复邮件，又想起邮件内容。
最糟糕的时候，语境切换变成了激流金属，因为你忙着切换，什么都做不了。避免激流金属的方法包括：
- 对任务说不，尽管作者也承认我们常常无法做到
- 工作变得更愚蠢且效率低下。与其思考完成任务的最佳方式，不如直接开始做点什么并完成它
贝叶斯规则与分布
解释贝叶斯定律可能单独写一篇文章，所以我们就把它当作一条帮助你预测某事发生概率的规则 9.作者想强调的是，这取决于你的事件来自的分布。主要有三种分布需要考虑：
- 幂律：某件事持续的时间越长，我们对它持续增长的时间就越长。例如，如果一家公司已经成长很长时间，我们会预期它会持续增长
- 正常：早期事件令人惊讶，晚期事件是预期中的。例如，我们会对早逝的人感到惊讶，而晚年去世的人则不会感到惊讶。
- Erlang：事件从不更令人惊讶或更不惊讶。例如，轮盘的无记忆分布，或者 the coin flips we discussed last week
博弈论
我们大多数人可能都听说过博弈论，这是一种思考博弈时最优策略的方法。一些亮点：
- 如果你比对手高出太多等级，你会认为他们掌握了其实没有的信息，他们就无法理解你想让他们相信的那种想法。换句话说，你不想获得 也 策略要聪明
- 每款双人游戏至少有一个 Nash Equilibrium, 双方玩家都在为自己选择最优策略
- 然而，寻找纳什均衡是一个难以解决的问题，这意味着博弈论的实用性存在局限性
- 这种均衡也可能不是对所有玩家都最好的结果。 It may be optimal for an individual to compete, but optimal for the group to cooperate. 我们可以量化这点为“无政府状态的代价”，衡量合作与竞争之间的差距。
- 还有一个反直觉的概念，叫做 mechanism design，这表明 情况恶化 每一个结果实际上都可能让所有人受益，因为均衡的转移
除了上述算法外，作者还包括：
- 当你可能过度拟合你的决策过程以及你可以做些什么时
- 当现实世界的问题不如理论有趣时该怎么办，以及为什么应该放宽限制
- 如何思考信息网络以及互联网的运作方式
总体来说，我觉得这本书值得一读，可以全面了解算法在生活中的有趣表现方式。我确实更好地理解了它 之后 不过我学了一些计算机科学，所以要记住这一点。我也希望他们能包含更多实用的例子 10因为当你必须基于不同的假设来处理这些发现时，试图将这些发现应用到生活中可能会很困难。
Footnotes
-
教孩子们很容易，告诉他们记住数字和何时带数字，但当尝试在电脑上实现时，却并不明显，参见 full adder logic gate ↩
-
你可能会说，等我解释完一切，我也差不多已经说完了 written the entire book ↩
-
The percentage is 1 divided by e, euler’s number. 随着申请人数增加，概率不会改变，但会随着你获得的不同信息州而变化 ↩
-
基地秘书问题假设你不能回头看你放弃的候选人，但有些变体更接近现实生活。 ↩
-
如果机器收益的概率随时间变化，则该问题是无法解决的;本质上意味着它无法解决。有些问题是无法解决的。在这种情况下，放松一些约束并接受“足够接近”的解，极大地帮助我们构建问题。 ↩
-
或者说，美国人的三月疯狂 ↩
-
只有9%的调度问题能够高效解决。 ↩
-
也就是说，把所有迟交的项目都拿出来，然后是最多的。这就是你要最小化的指标。 ↩
-
公平地说，脚注中有大量信息详细说明 ↩
相关文章
科学中的可重复性危机
许多流行的研究结果都不是真的
达宁在达宁克鲁格
大卫·邓宁解释了他推广的效应