Record 1：20190924 开学已经两周多了，已经进入了比较正规也紧张的学习环境中，有些琐碎的内容不知如何说起，暂且提纲如下 1 Data Science（数据科学）对我而已主要作为进入IT领域的路径探索。重复CS本科的内容不可能也不必要，更何况我对学校/公办教育已经比较失望了。这学期修4门专业课，概率、大数据管理、机器学习和数据可视化，整个专业的设定是非科班但有一定量化分析背景，所以只会教怎么用算法而涉及设计算法的程度。这给我一定缓冲空间，但可能也带来一些一知半解的问题。 2 学习资源有些更充沛了，有些更狭窄了。从英语中获取信息，而不仅过中介本身对学习以英语为媒介的内容有莫大优势。这边行业交流还是比较活跃的。学校和校外时常场有培训型的workshop；上周去了一个讲座听一个做数据分析/可视化多年的人士讲一些行业基本情况，大家都很实在，不吹不黑只捞干的说。基础科学研究总体薄弱，相关基础学科比如纯数学的本科只在两个大学有，这对CS等IT领域会一直带来持续的制约；与个别本科（应用）数学专业的人交流，如果对方不是刻意隐瞒或者嘲讽我觉得可能缺乏很多计算机专业从业者所强调的那种基本数学素养，这种人也能毕业可见一斑。书店里理工科书籍非常缺乏，跟国内大一点的书店里有土木工程、化工类书相比这边IT类书籍非常匮乏。学校图书馆藏书不少，新书和好书不缺而且容易借阅但管理不善检索困难。同学的构成比较有趣，多数是同时全职工作的人，与一部分交流过，动机有的是与职业相关有的是作为技能储备。从这个可以窥见部分工业界的情况。从同学自我更新不断充实的努力中感到有些触动，当然也人家一般也不面临“30挨踢”的问题。 3 学习的革命更清晰传统的统计学设定于个人演算、静态小规模数据（相对与动态大数据），这与我们现在面对的情况非常不同，而数学基础理论的（到20世纪上半页）构建多是在计算机之前。花2小时用传统方法学习与计算机算法相关的200年前的数学（随便举一个比如拓扑基础上的概率论入门部分）获得的是个体的、纸笔式的知识和经验，而我们要应用到团队化、以高性能计算机为工具的研究/实践项目中。也许有门学问叫“数学转化学”（参考 “translational medicine”），我在想能不能探索初级的“人机共同学习”，不只是用电子设备记笔记/管理数据，而是一部分信息由人来把握另一部分以半成的程序、信息结构由电脑来把握，实际上有些编程入门到数据结构的学习过程符合“人机共同学习”——两者分别对应对基本句法和应用库的了解和编过的练习程序、为进一步学习做参考的设计框架。这种学习模型能不能推广到实分析与复分析、线性代数、抽象代数、概率论、统计学。。？这可能涉及教学方式、学习材料的诸多革新，有些目前各界完全没有准备好，甚至可能涉及机器自动证明等既是基础研究又是应用工具的开发问题（证明定理本身或者证明定理的数量作为数学学习必要性的重新评估）。 4 项目，还是项目这学期四门课全部要求小组项目，虽然只占总成绩20%左右却起到提纲契领引导整个学期过程的作用。一开始就要求分组，而我对大多数人都不了解，很多人彼此也不熟悉，再加上一些彼此熟识的人只选择对方作为搭档，分组显得略艰难。但这一天终于到了，再也不是那种主要依赖老师学习的时候了，只能刀锋带动镰锋，探索短时间内尽可能熟悉更多人、在小组项目中彼此学习取长补段形成合力（synergy）机制。

to管理员：本来加的标签是“探索发现”不知道为什么变成“综合讨论”了，哪个好你们确定吧

[未知用户] 10min 之后不能直接改标题，需要调整一下不？

[未知用户] --再次发现疑似bug，我竟然可以修改你的回复。。。

数据科学之旅（draft）

NTL01

Record 2：20191104

上课近2个月了，自Record1两周左右发生了一件之前没有料到的事情：我把四门中的两门课（大数据管理、机器学习）给退了，学校允许最晚6周内退课（但自2周后不退学费），退课后专业课数量为最低的2门。

我退课时没有犹豫，原因是：1 总体负担太重，每个课都有复杂的作业和研究项目，而研究项目都是毕业论文缩小版级别的，其中机器学习一门课一度超过每周40小时学习时间，说明我的固有知识和方法短期内无法跟上进度 2学习方向和教学质量本身的考虑，大数据管理这门课老师用过时且无意义的内容搪塞，而且搞竞猜游戏之类的幼儿园伎俩吸加上每节课中后段签到来引诱加迫使学生来上课，研究项目本身不但非常繁重而且很可能是为她个人积累研究素材，我无法接受。

之后对学习方向进行重新思考，确定了1 补充基础知识，比如统计 2继续通用知识，比如Java 的两大基本策略，在同学推荐下上Coursera一门课补统计，现在这本课的同系列第二门也开始学了，收效不错。

从最初的张望到现在对“数据科学”本身有了新的观察和思考。

新的问题是：首先，谁需要数据科学？

对于有深厚数理基础又会编程的人来说，硕士甚至本科毕业之后就有很多人根据他的研究和学术活动来找他，除非特别顶尖的公司，多数情况下会进中层偏上做以数据为基础的决策工作，这些生意人需要的是“锦上添花”进一步提升决策的科学度。

然而对于有些公司，特别是传统领域的中小企业，本身没有特别大的数据处理需求而且决策体系不完整，常受困于民主程度低、基本的科学决策无法达到等问题，很多情况下数据分析反而成为个别领导“拍脑瓜”的迎合，正所谓马克吐温所说最大谎言无非新闻和统计数据。另一方面，传统企业的数据处理多在信息时代到来就已自动化，“计算机辅助统计学”需求不大。

第二个问题是，如何定义数据科学？

“计算机辅助下的统计分析”、“在旧金山工作的统计学家”、“比软件工程师更懂统计学，比统计学家更懂软件开发”和“数据为基础的商业决策学”是目前我搜集到的4个典型回答。
合并一下，大约有3类角度：第一类是地域，关注数理背景在“硅谷”等IT行业集群中的服务作用；第二类是工程学，用统计解决工程问题，可称之为“统计工程”(https://www.statisticsviews.com/details/feature/10338931/Im-a-statistical-engineer-An-interview-with-Professor-Diego-Kuonen.html)；第三类是从商业模式革新角度关注以数据为基础的新商业模式。

统称“数据科学”的机器学习、深度学习、（广义+弱的）人工智能等代表了一种长久以来人们希望用数据说话、高度基于事实决策的“科学决策”愿景，当年阿根廷的萨尔瓦多·阿连德的Project Cybersyn就是这一愿景的体现。

这两个问题都暂时无解，甚至可能是“数据科学”本身会长期纠结的问题，不是我个人问题。如何回答，如何根据自己的回答做事会影响很多接下来的事情。

NTL01

Record 3：20191206

这段时间产生了一个新成就：完成了统计学基础的入门，包括基本描述、频率论推断、线性回归和基本的贝叶斯统计。有豁然开朗之感。

李航的《统计学习》被很多人奉为圭臬，“统计”学习是今天“人工智能”、“机器学习”甚至“工业4.0”的代名词，因为目前流行的所有信息化框架都是基于统计，而不是逻辑的。

世界非常复杂，确定性的东西更多存在于理念中，而不确定的东西在形式化方法下研究必须转换成确定性的，因此基于集合论（确定性之源）的概率论成为统计学的基础，由确定性来推断不确定性。至于频率主义和贝叶斯主义，更多是方法差别，源头还是形式化方法的根基——集合论。

然而这一段学习经验给我了一个新的指引：把握这一切的根基就目前需要而言恰恰不是溯源在什么测度论、模型论这些抽象理论方面深入，而是从具体应用出发忽略背后的推倒过程，从它能解释什么、它能建构什么来理解整个框架。

学习正态分布的推导需要几个月的基础学习，推导泊松过程则需要1年以上基础数学的训练，然而它们本身无从辩驳，通过它们的具体运算和应用来理解他们则需要几周甚至一两周的学习。

NTL01

Record 5 200203

这一段经历了奇妙的曲径：

前半段1912到2001初学Ruby「通过一本设计模式的书」，并做了Python和Java的练习，加深了对不同编程语言的认识。

一月初在车上偶然再次看到某人的博客，其对数学、逻辑和编程语言的论述给我提了很多探索的方向，按照一些思路我进一步看了编程语言研究相关的书。同时在获得Oberon的线索后浏览了以Component Object Model为代表的操作系统「这个其实不是最理想的设计理念」，在Niklaus Wirth、Dijkstra等人的论述中等认识到了操作系统这种级别的事物本质也是程序设计「算法+数据结构」后按照获知的和数理逻辑有关的线索浏览和读了数学、逻辑、编程语言设计（包括编译原理）的书「还在进行」。

Alonzo Church的Introduction to Mathematical Logic介绍部分「多达70多页」已经读完，回答了我长期关注的很多问题，简而言之，形式语言（Formalised Languages）有自洽性（作者称之为effectiveness）的严格要求，目前达到四个要求的貌似没有，勉强达到前两个并兼有部分第三个特征的极少，而且我能想到的只有编程语言。这从一个重要角度反映了编程和数学的关系：由于基于低级语言的高级语言/高级语言落实在低级语言的严密语义系统的自洽性，编程可以从非常基础的数值建构一些复杂系统（比如银行帐号的对象）；然而数学目前则只能主要提供直接的数值运算的支持，Introduction to Topology （Adams Franzosa）第一章有一句话The topology T generated by a basis B is a topology 「pp30」，经历公理化一百多年、自称非常严密的拓扑学基础尚且存在这种自相矛盾的表达「在编程语言中类似正确的表达是 An object o generated (composed/derived from...) by a basic class b is also an instance of class b.」

同时我也认识到了所谓的“形式语义”大多是缘木求鱼，之前翻过Larch : languages and tools for formal specification /Guttag, John 这本书觉得怪怪的「不知道是不是巧合，我看过的所有MIT人的书都非常糟糕，反而Princeton和Stanford的都不错」当时我的想法是“人家C和Pascal已经把什么都描述清了，再来一个外在语义需要特别学习的语言来附加描述，其意义值得怀疑”，看到邱奇的书之后意识到这是一个形式语言（包括语义）本身设计的问题。

之前非常感兴趣的symbolic computing现在看来其变得黯淡是非常正常的，源头就是数理逻辑基础上的形式语言特征。

在这些认识基础上，重新思考概率论和统计学产生了新的收获，帮助比较大的是Binmore的Rational Decisions让我重新审视「或者说第一次正视」了概率尤其是贝叶斯主义。——如果形式语言连接着需要“人”独立解释的外部系统，其可靠性和模型解释都要依赖这个外部系统。

很多之前涉及编程语言、算法等方面的问题都有了新的更坚实的考量思路。当然也包括“数据科学”。

具体对“数据科学”的启发是：计算要基于编程语言本身，高于数值计算的“高阶”算法要多考虑形式语言系统本身，哪些能搞哪些不能搞的根子在形式系统内。