学术明星Michael Jordan解读：思维层与数据科学革命的关系

联合编译：Blake、高斐

编者注：Michael I. Jordan教授是加州大学伯克利分校（University of California, Berkeley）电子工程系、计算机科学系以及统计系的杰出教授。他在亚利桑那州立大学（Arizona State University）获得了数学硕士学位，并且在1985年从加利福尼亚大学圣地亚哥分校（University of California, San Diego）获得了认知科学博士学位。自1988年到1998年，Michael I. Jordan在麻省理工学院（MIT）任教授，他的研究方向包括了计算学、统计学、认知及生物科学，最近几年集中在贝叶斯非参数分析、概率图模型，谱方法、分布式计算系统中内核机及其应用问题、自然语言处理、信号处理和统计遗传学等问题上（几乎涵盖了大部分机器学习中的内容）。

Michael I. Jordan教授是美国科学院院士（National Academyof Sciences）、美国工程院（National Academy of Engineering）院士和美国艺术和科学学院（American Academy of Arts and Sciences）院士。他被数理统计研究所任命为Neyman Lecturer 和Medallion Lecturer。在2016年，他获得了IJCAI卓越研究奖。之前的2015年，他获得了David E. Rumelhart奖；在2009年，他获得了ACM/AAAI的Allen Newell奖。同时，他是AAAI、ACM、ASA、CSS、IEEE、IMS、ISBA和SIAM的成员。

曾在Michael I. Jordan教授学习过的不少学生已有不少成长为领域中的大牛，包括深度学习中的大神、蒙特利尔大学教授Yoshua Bengio，现任百度美国研究员首席科学家、斯坦福大学教授Andrew Ng（吴恩达），还有学界大牛斯坦福大学教授Percy Liang等人。本文是Michael I. Jordan教授在UC Berkeley有关计算思维、推理思维还有数据科学的演讲内容整理。

Michael I Jordan

加州大学伯克利分校（University of California, Berkeley）

如果你是一名来自伯克利的毕业生，当你毕业之后去硅谷可能会遇到的需求。

“这个系统对于任何一个人来说都要良好运行，我可以接受一点点错误但是不能有那些会让我们尴尬的愚蠢错误。”

Michael I Jordan：这意味着要将你的错误率降到特别低的程度，如果正确率有99%，那另外1%的用户遇到那些错误也是相当庞大的一个数字。

Michael I Jordan：当数据量增加时，错误率也会相应的增大，不一定数据越多速度会越快。

数据科学十分要求计算思维和推理思维的完全融合（推理思维出现才300年左右，已经开始拥抱各种思想，可以互相融合）

计算科学与统计中的核心理论是分别发展的，存在一个油与水的问题(互不相容的因素) 

人们一般不愿意他们的个人数据在不受控制的情形下被使用，同时会担心他们的隐私将会损失多少。

原理：如果我们将n替换成有效地样本大小，隐私意识极大极小风险与经典的极大极小风险相同

非隐私观察：人们有时不想分享一些隐私数据，对此，我们应当通过什么办法进行隐私数据分析？

观点1：增加重尾噪音，以独立噪音（例如，拉普拉斯机制）为例，通过这种途径，便能够获得一手数据

大数据现象使分布式存储数据具有必要性（因而，Michael在数据分析系统中对数据添加一定的限制，即压缩(compression)）。

衡量人类活动，尤其是在线活动，将产生大型数据集，这些数据集可用于个性化或用于开拓市场