《算法通识》得到精品课-读书笔记

花3小时，解锁人机互动时代的一门必修课。自然规律已经不是世界运行的全部了，人类世界越来越多地经由算法运作。了解它，才能驾驭它。

算法通识

• 认识算法
  • 本质
    • 算法对明确性有极其严苛的要求
      • eg. 媒婆经验：住得近——多近算近？离家近？离工作地点近？多地间优先级……
      • 算法通过确定性保证解决问题
    • 模型化是算法优势的本质
      • eg. 网购一个保温壶，就一直推荐保温壶；搜索一个《风声》，就推荐各种谍战片
      • 模型化：对不同的问题，用同样的方式看待，用同一套算法解决
    • 算法没有好坏之分，背后都是人的思想
  • 复杂度
    • 评价算法效率的难题：用绝对时间评判效率不适用
      • 硬件依赖
      • 无穷大
    • 时间复杂度
      • “基本操作的总数量”随着算法“输入规模”而增长的“函数关系”
      • eg. 盖一座10米高的金字塔，设计图纸决定了要垒10万块石头还是50万块石头： 垒石头=基本操作；10米=输入规模；图纸=垒石头总量；垒石头总量跟金字塔高度之间的函数关系就是时间复杂度
    • 降低时间复杂度的方法
      • 空间换时间
        • 空间复杂度：算法占据的空间资源随着输入规模变大而增长的函数关系
        • 牺牲一些存储空间（硬盘/内存），换来更快的搜索速度，是非常划算的
      • 分治思想
        • eg. 从傅里叶变换到快速傅里叶变换，压缩音频耗时从1天到1秒
  • 启发
    • 效用选择模型：近似现实且保持可解性
      • 效用：满足感
      • eg. 美国选民投不投票受性别、族裔、受教育程度、职业等多因素影响；影响效用的因素太多，甚至有些因素之间还有复杂的相关关系
      • 模型太复杂就求不出解；这时必须简化模型；假设所有因素之间的关系只是线性叠加，没有复杂的交互；这叫线性效应模型
    • 德州扑克：问题规模的减小
      • 规模大到计算机也无法处理，就得想办法扔掉一些信息
      • eg. 德州扑克：把相似的状态合并
    • 探索与利用：迭代得到结果
      • eg. 视频网站刚开始给你推荐各种内容，过一段时间开始推荐你最常看的内容
  • 反思：算法只会执行，不能负责；算法出了问题，要回到人身上找答案
    • 算法不能对问题负责
      • eg. 两家书店都以对方价格的倍数为自己定价，导致价格异常高
    • 算法不能对数据负责
      • eg. 拿冰红茶做尿检，糖超标，怀疑糖尿病
    • 算法不能对解释负责
      • eg. IBM打造沃森医疗诊断系统，算法无法提供解释
• 设计算法
  • 算法蓝图
    • 明确问题
      • 明确目的
        • eg. 匹配到所有打车乘客 or 尽可能快地匹配到更多乘客
      • 明确限制条件
        • eg. 市区乘客等待时间不能超过1分钟
      • 明确评价标准
        • eg. 时间 or 成本 收益
    • 建立模型
      • 就是把现实问题转化成算法问题的过程，也是大量细节被抽象掉的过程
      • 设计算法之前，一定要建立数学模型
      • 模型迭代非常重要
    • 算法选择
      • 由达成目标水平的高低，时间复杂度决定
    • 迭代
      • 算法，硬件
  • 建立模型
    • 确定假设
      • 确定对预测结果的精度要求，舍弃不重要的细节，模糊问题明确化、量化
    • 验证模型
      • 用常识验证；用历史数据验证
    • 权衡可行性
      • 要贴近现实，也要容易求解
  • 算法选择
    • 关系：模型与算法并非一一对应
      • eg. 背包问题
    • 选择：质量与效率的权衡
      • eg. 投放在线广告的决定需要瞬间完成，用贪心算法；
      • eg. 规划保护野生动物，要尽可能找到最优解，用分支定界算法
    • 进阶：算法工程师的更多考量
      • 更加偏好数据敏感度低、限制条件少、对数据依赖小的算法
• 算法策略
  • 迭代
    • 迭代算法：通过循环重复某个固定操作，每一步以前一步的结果为出发点，逐步逼近答案的算法
    • 迭代算法有效的条件：一，算法必须收敛，二，不动点必须唯一
    • 迭代策略允许在找解的过程中有误差，而这个误差减小的速度很快，所以迭代算法的速度也很快
      • eg. 把芝加哥搜遍找车，很慢，这叫暴力算法
      • eg. 用迭代算法找车，第1步离车距离10公里，转第1次弯进入第2步迭代时距离变成1公里，再迭代一次变成100米，这个距离在迭代算法中叫“残差”
  • 分治
    • 分治算法：拆大为小的回溯算法；通过回溯，不断分解同样的问题，直到问题小到可以直接解决，然后再把小问题的解合并成原来问题解的算法策略
      • eg. 网球比赛总裁判层层分包裁判工作
    • 回溯：嵌套循环调用自己的过程
    • 分治算法有效的条件
      • 能不能用：要确保问题可以分解成与原问题类似的子问题，且这些子问题之间相互独立
      • 求解快不快
        • 分治中的两个重要操作——分解和合并，不是免费的
        • eg. 碰撞检测：计算空间中100个运动的圆球哪些撞在了一起，要计算两两之间的距离，共计算4950次；把空间分成两部分独立检测，就降低到2450次。分割空间时找到适合的分割位置，需要额外的计算成本。合并时发现某些球被从中间割断，要判断有没有发生碰撞，还得额外计算，这是合并结果的成本。
        • 如果分解问题&合并结果计算不复杂，分治策略能减小算法的复杂度
    • 分治算法可以多CPU并行计算，而迭代算法要求每一步以前一步的结果为出发点，按步骤按顺序计算，因此不能多CPU并行计算
  • 动态规划
    • 解决思路：以终为始，以小建大
      • eg. 取糖果游戏：最后谁面对4颗糖，谁输
      • eg. 火箭垂直软着陆：最后位置必须离指定位置非常近，火箭与地面的角度必须非常接近90度，着陆的速度必须非常接近0
    • 面对多步骤的决策问题时，某一步决策的最优，包含且依赖于对更小规模问题的最优策略，这就是最优子结构
      • eg. 取糖果游戏：最优策略应该是一开始拿两颗糖；但如果未来在面对更少糖果的时候，不遵守最优策略，那现在拿两颗糖也不会赢
    • 动态规划的效率会受围度爆炸的影响。这时算法工程师不一定会精确求解所有的子问题，很可能只求解其中的一部分，而且是非精确求解，对另外的子问题的解，只进行一个估计
  • 分支定界
    • 组合优化
      • 找到一个可行的解不难，但找到最优解，特别难
      • eg. 找到树上最大的苹果：剪掉苹果明显小的分枝，留下少量树枝再做比较
    • 分支定界
      • eg. 找一个中学里最高的学生
        • 分支：初中/高中
        • 定界：初中部春游山洞1.8米高，无人需弯腰——“1.8米”就是初中部这个分支的上界
        • 剪枝：若高中部有一个1.8米以上，即可淘汰整个初中部
      • 当某个子搜索空间能获得的目标上届，比不上某个已知的可行方案，就直接把这个子空间淘汰
    • 如何让分支定界法高效
      • 取决于能多有效地剪枝；如果只分支，不剪枝，就和全部算一遍没有区别
      • “提前停止”策略：若已求出的临时最优解离真正最优解已很近，提前停止可大大节省时间
  • 启发式
    • 遇到特别复杂的组合优化问题是，如果找不到最优解，可以转而使用启发式算法，找到不错的可行解
    • 启发式算法：要么符合人类直觉认识，要么符合自然规律
  • 蒙特卡罗
    • 适用：可能性太多，计算不了
    • 蒙特卡罗：对问题中的随机事件进行取样，为有限个样本进行独立计算，最后把样本结果进行统计
    • 非常依赖于参数的正确性，对揭示问题本质没有太大帮助
• 算法前沿
  • 机器学习
    • 机器学习算法是一系列让计算机自主学习的算法，最适合用在人类无法用明确规则进行解决的问题上
    • 机器学习学到很多人类没教过、自己也不懂的事物细节
    • 机器学习学到的是事物之间的复杂关系
  • 学习策略：机器学习算法是怎么学习的
    • K邻近算法，基于记忆，最后表达出一堆历史数据
      • eg. 英美法系中的判例法
    • 决策树模型，通过数据归纳，总结出条件判断，最后表达出一些复杂的条件判断
    • 神经网络模型，模拟神经信号的传递，以及神经对外界不同信息反应强弱不同的过程，最后表达出一系列参数的数值
• 01 本质：到底什么才是算法？
  • 1. 算法对明确性有极其严苛的要求
    • 人做事可以接受一定程度的模糊，算法却对明确性有极其严苛的要求
      • 同一个算法，相同的输入必然可以得到相同的输出（能够复现）
    • 算法就是一套通过确定性保证解决问题的工具。
  • 2. 模型化是算法优势的本质
    • 模型化就是对不同的问题，用同样的方式来看待，用同一套算法来解决。
    • 模型化最大的价值，就是赋予算法超乎寻常的问题迁移能力。
      • 比如推荐相关商品和相关电影，都可以用“测距离”的算法
  • 3. 算法没有好坏之分，背后都是设计者的思想
    • 算法模型只是人思想的体现
    • 算法不会一会好一会坏，只是在不同场景里，我们需要的价值偏好和设计思想不同
      • k临近算法在预测肿瘤良恶性方面好，但是放在筛选简历上就有性别歧视
• 02 复杂度：怎么判断算法的效率高不高？
  • 1. 评价算法效率的两大难题
    • 硬件依赖
      • 求解同一个问题，50年前可能要算1个月，现在3秒就算出来了，能说现在的算法效率更高吗？50年前和现在，算法可能是一样的，速度提升是因为硬件提升了
    • "无穷大"难题
      • 当算法的输入规模，趋近于无穷大的时候，算法解决问题所花的时间也趋近于无穷大——没有一个确定的结束时间，用绝对时间比较不可靠
  • 2. 时间复杂度是度量算法效率最主要的工具
    • 时间复杂度是算法中某些基本操作的总数量，随着算法输入的规模而增长的函数关系
      • 算法比喻成盖金字塔，垒石头就是算法的“基本操作”，金字塔的高度相当于“输入规模”，而他们的图纸就是垒石块总量，跟盖金字塔高度之间的函数关系，这就是时间复杂度。
    • 算法工程师的工作就是找到更好的“图纸”，找到效率更高、时间复杂度更低的算法。
  • 3. 降低时间复杂度方法一：空间换时间
    • 空间复杂度：是算法占据的空间资源，随着输入规模变大而增长的函数关系。
      • 打个比方：图书馆建立索引卡方便找图书就是如此，虽然单独建立一个放索引卡的地方，会占用更多的空间，但是提高了时间效率
  • 4. 降低时间复杂度方法二：分治思想
    • “分治”就是把一个复杂的1问题分成两个或多个相同或相似的子问题，再把子问题分成更小的子问题直到最后子问题可以简单地直接求解，原问题的解即子问题的解的合并
    • 分治算法有回溯过程，平时说的“分治”没有分治算法有回溯过程，平时说的“分治”没有
• 03 什么样的算法是巧妙的算法？
  • 1. 效用选择模型：近似现实且保持可解性
    • 人们在做选择的时候，一般会选那个能给自己带来最大满足感的选项，即选择对自己效用最大的
    • 现实中影响效用的因素很多，并且相互之间又有很复杂的关系，完全贴近现实算法就得不出解
    • “线性效用模型”——假设所有因素之间的关系，只是线性叠加，相互之间没有复杂的交互。这样，模型就变得可解了。
      • 线性叠加：是几种不同原因的综合所产生的效果，等于这些不同原因单独产生效果的累加
  • 2. 德州扑克：问题规模的减小
    • Libratus算法通过合并德州扑克中相同的状况，将需要处理的总可能性减少了数倍
    • 减小规模算法，背后的思想都是通过舍弃了少量信息，把一个大到不能计算的问题减小到了计算机可以处理的规模
  • 3. 探索与利用：迭代得到结果
    • "探索与利用"
      • 探索：就是不断推荐各式各样的视频内容，看看我更容易观看什么
      • 利用：就是在知道我对某类视频感兴趣的时候，更多地推荐这类视频给我看
    • 算法经常采用迭代的方法逐步逼近问题答案。如何保证收敛和收敛效率体现了算法设计时的巧妙。
• 04 计算机能不能避免人的错误？
  • 1. 算法不能对问题负责
    • 算法只是执行人给它的指令，而这个操作究竟是解决什么问题，算法理解不了
    • 算法只是工具，就像手里的锤子，可以钉钉子，它只负责钉钉子，并不能理解钉钉子是要解决什么问题
  • 2. 算法不能对数据负责
    • 算法只管“算”，不在乎“输入”和“输出”
    • 数据垃圾，再好的算法也是白搭。“Garbage in, garbage out”
  • 3. 算法不能对解释负责
    • 算法只能提供解决方案，不能提供解释
      • 算法提供的诊断和治疗意见与医生总是一致，那算法没有意义
      • 算法提供的诊断和治疗意见与医生不一致，但又不能像医生一样给出解释，所以重大问题上不敢贸然相信算法
    • 放弃一定准确性，选择更容易被解释和接受的算法
      • 如果有两个算法摆在你面前：第一个准确度高但复杂、难理解；第二个，准确度低一些，但很容易理解和接受。你会选择哪一种呢？
• 05 算法蓝图：怎么设计一个算法
  • 1. 明确问题
    • 首先——明确目的
      • 对目的的描述可以有很多种，比如“匹配到所有的打车乘客”和“尽可能快地匹配到更多乘客”，或者“让车辆利用率达到最大”，这都是不一样的，究竟要选哪种目的需要在一开始就确立下来。
    • 其次——明确限制条件
      • 比如，“每个乘客等待时间不能超过10分钟”，“市区乘客不能超过1分钟”，等等，要把量化的指标确立下来
      • 能不能准确、快速判断限制条件的合理性，是非常考验一位算法工程师水平的。
    • 最后——明确评价标准
      • 标准的维度可以有不同的设定，比如时间、成本、收益等，但不可以没有。没有标准就无法判断问题是不是最终被解决了。
  • 2. 建立模型
    • 需要一个数学模型来与计算机建立“桥梁”
    • 建立模型就是把现实问题转化成算法问题的过程，用另一套语言来重新描述问题
  • 3. 算法选择
    • 同样的问题，不同算法效率很不一样
    • 大多时候并不存在最优解，也没有唯一解
  • 4. 迭代
    • 算法并不能直接解决问题，模型也只是对现实问题的近似和抽象，这就需要算法工程师不断迭代
    • 在完成算法设计并且实现之后，不断回到原始问题，去评价算法。
    • 迭代，也是硬件的要求
      • 有时候迭代会改变整个算法设计的思路，会比算法设计本身还要重要
• 06 建立模型：如何把现实映射进计算机？
  • 1 . 确定假设（变量）
    • 先要搞清楚，需要得到一个什么精度的预测结果。
    • 确定假设，其实是一步步确立重要变量、核心关系的过程
  • 2 . 验证模型
    • 验证模型没有固定的方法，也不是一成不变的我们得从多角度来论证，有时候还需要点儿奇思妙想
  • 3 . 权衡：要贴近现实，也要容易求解
    • 一个模型是不是最优选择，不仅要看模型是不是靠谱，还要看是否能实现。
      • 对准确性要求高，通常就意味着变量多、逻辑复杂、数据不可得等困难
    • 没有统一的标准说怎样才是最好。但它有一个底线，那就是模型必须能求得有效解。
• 07 算法选择：选择算法最重要的考量是什么？
  • 1. 关系：模型与算法并非一一对应
    • 背包问题：背包容量有限，选择什么装进去是个问题
      • 比如说，你要搬家，雇了一辆车，但能搬的东西有限，你要决定把哪些值钱的家当带走，哪些扔掉；你要投放广告，预算有限，你要决定哪些渠道该投放，哪些放弃。这些看起来不相关的问题，都可以建模的时候被“翻译”成背包问题。
    • 同一个模型对应的算法很多
      • 暴力算法：把所有宝物放进背包所有的组合情况，全都计算一遍。选出价值最高的，又满足背包容量的组合
      • 分支定界法：选定第一件宝物，考虑“带还是不带走它”。无论这个决定怎么做，我们都做了一次分情况讨论。原来要从n个宝物里做选择的问题，就被转化成要从n-1个宝物里做选择。问题规模就变小了
      • 基因算法：模仿了大自然中遗传变异的过程，把不同的宝物组合看成不同的DNA序列，让它们根据一定的规律相互交叉、繁衍，最终选出适者生存的那一个
    • 建模不等于就完成了算法选择，最终能不能把问题有效解决，找到合适的算法仍然至关重要。
    • 2. 选择：质量与效率 的权衡
      • 没有免费的午餐”定理在很多算法问题当中，没有哪个算法是绝对最好的。要找到最适合的算法，一定要权衡算法在不同场景中的利弊。
        • 时间复杂度和解决问题的质量水平之中的权衡，是算法选择的重中之重。
      • 在具体问题中，权衡算法并没有明确的标准
        • 贪心算法在投放广告的场景中很适用，但在国家环保部门规划保护野生动物的时候就不适用
          • 直接计算给每个用户投广告的投资回报比，然后从高到低排序，按次序推广告，一直推到广告费花光。这种算法得不到最优解，但它的时间复杂度却非常低。
  • 3. 进阶：算法工程师的更多考量
    • 数据问题
      • 1️⃣ 数据不准确
      • 2️⃣ 数据不够
    • 数据重新定义了我们对模型的思考方式，这也是今天算法工程师非常关注的一个维度
• 08 迭代：怎样一步步接近答案？
  • 1. 一步步重复操作，接近答案
    • 迭代算法的每一步怎么进行都是明确的，而且对能不能得到最终解决问题的答案，也有着确切的判断。
  • 2. 确保迭代策略有效的条件
    • 算法可以收敛
      • 能趋近于一个结果
    • 不动点
      • 每次迭代计算不会进行改变的点
      • 进行迭代算法前，需要对不动点的数量进行一个分析。如果我们能确认不动点只有一个，那么迭代算法就总能收敛到想要的结果。如果多于一个，我们就不能保证得到想要的答案
  • 3. 为什么迭代算法更快
    • 迭代中“残差”不断减小
      • 在数理统计中是指实际观察值与估计值（拟合值）之间的差
• 09 分治：怎样拆解问题，逐个击破？
  • 4. 降低时间复杂度方法二：分治思想4. 降低时间复杂度方法二：分治思想
  • 1. 拆大为小的回溯算法
    • 分治算法有回溯过程，平时说的“分治”没有
      • 回溯：程序把问题分解成两个小一点的子问题的时候，因为子问题和原问题的结构相同，程序会调用它自己。自己循环调用自己，这就形成一个嵌套循环的结构
      • 分治算法是通过回溯，不断分解同样的问题，直到问题小到可以直接解决，然后再把小问题的解，合并成原来问题解的算法策略。
  • 2. 保证分治算法有效的条件
    • 1️⃣ 能不能拆解
      • 要确保问题可以分解成和原问题类似的子问题，并且这些子问题之间还相互独立
    • 2️⃣ 快不快
      • 分解和合并，不是免费的。如果它们自身就要耗费很多次计算，那很可能分治策略提升不了效率，也不算是奏效了。
  • 3. 分治算法能更快的的特殊之处
    • 分治算法可以利用“硬件”，进行“并行运算”
      • 即多个CPU同时运行计算；迭代算法不行
• 10 动态规划：怎样从小问题出发，逐级解决大问题？
  • 1. 问题的解决思路：以终为始，以小建大
    • 先得到小问题的解，再构建出大问题的解
    • 从后往前解决问题。每一步都施加正确的推进力
  • 2. 动态规划算法的结构：最优子结构
    • 动态规划算法：就是在多步骤的决策优化问题满足最优子结构的时候，用以终为始、以小建大的思想解决问题的算法策略。
      • 最优子结构：在面对一个多步骤的决策问题时，某一步决策的最优，包含且依赖于对更小规模问题的最优策略
        • 不满足最优子结构就没法用动态规划
  • 3. 动态规划策略有效的条件
    • 动态规划的效率会受“维度爆炸”的影响
• 11 分支定界：怎样决定谁是“被淘汰者”？
  • 分支界定法：选定第一件宝物，考虑“带还是不带走它”。无论这个决定怎么做，我们都做了一次分情况讨论。原来要从n个宝物里做选择的问题，就被转化成要从n-1个宝物里做选择。问题规模就变小了分支界定法：选定第一件宝物，考虑“带还是不带走它”。无论这个决定怎么做，我们都做了一次分情况讨论。原来要从n个宝物里做选择的问题，就被转化成要从n-1个宝物里做选择。问题规模就变小了
  • 1. 组合优化：谁是最优的答案
    • 组合：每个决策都有几种可能性，比如某个地方“放”还是“不放”充电站，这就是两种可能性。当决策变量的个数多了，它们之间就产生了许多决策组合
    • 优化：最大化或者最小化一个目标
    • 组合优化问题的特点是，找到一个可行的解不难，但找到最优解，特别难
  • 2. 分支定界：分支、定界、剪枝
    • 分支：把问题结的不同可能性，分开去考虑
      • 分治需要对问题的“输入”进行分解，而分支需要对问题“解的搜索空间”进行分解
    • 定界：就是估计某个子搜索空间中最优解的上界的过程（先确定一个“临时最优解”作为标准）
    • 剪枝：是当某个子搜索空间能获得的目标上界，比不上某个已知的可行方案，就直接把这个子空间淘汰的过程。
  • 3. 如何让分支界定更有效
    • 有效的剪枝：为了进一步提升分支定界法的效率，我们可以使用“提前停止”的策略。
• 12 启发式：放弃最优解之后，怎么办？
  • 1. 启发式算法：基于人类直觉的算法
    • 启发式算法是人们通过对问题的理解，以某一套规则制定出来的一类算法
      • 通常放弃了最优解，但却能得到还不错的可行解
    • 启发式算法是针对特定问题设计出来的，需要具体问题具体分析
  • 2. 元启发式算法：基于对自然认识的算法
    • 通过人们对自然或者人类解决问题时通用逻辑的观察和模拟，总结出来的一系列通用启发式算法。
  • 3. 什么时候采用启发式算法
    • 找不到最优解，“退而求其次”时才用
    • 两个缺点
      • 1️⃣ 对最优解没有保证
      • 2️⃣ 好用 不好用，是一个试错的过程
• 13 蒙特卡罗：丢失确定性之后，怎么办？
  • 1. 蒙特卡罗方法：对现实世界进行随机模拟
    • 对问题中的随机事件进行取样，为有限个样本进行独立计算，最后把样本结果进行统计的策略
    • 每个样本都代表着一次对现实的模拟。用有限次的模拟，来替代了所有平行宇宙的可能性。
  • 2. 蒙特卡罗适用的问题
    • 蒙特卡罗法是可能性太多，我们计算不了的时候用的。如果需要考虑的可能性很少，那直接计算就可以了
  • 3. 使用蒙特卡罗的注意事项
    • 1️⃣蒙特卡罗方法是对问题的估算，不是精确的计算
    • 2️⃣蒙特卡罗方法的成功，非常依赖模型和参数的正确
    • 3️⃣蒙特卡罗方法，会减小我们发现问题本质的机会
• 14 机器学习：机器到底在学什么？
  • 1. 人不会教，就让计算机自己学
    • 机器学习算法是一系列让计算机自主学习的算法。它们最适合用在人类没法用明确规则进行解决的问题上。
  • 2. 机器学习做到了什么
    • 机器学习学到了很多人类没教过、自己也不懂的事物细节
  • 3. 机器学习到底学的是什么
    • 事物与事物之间的复杂关系，尤其是关系中的某种模式特征
• 15 学习策略：机器学习如何获得知识？
  • 1. 同样的能力可以基于不同的知识
    • 知识是一种我们对信息以及事物之间关系的理解
    • 能力是把知识运用到实际中的本领
    • 有知识不代表有能力，但没有知识就没能力
  • 2. 得到知识的方法：不同的学习模型
    • k邻近算法：通过与历史数据比对来判断
    • 决策树模型：通过数据归纳，总结出条件判断；把每个特征和要学习的对象进行相关性的比较，相关性高的放在条件判断里，低的扔掉。
    • 神经网络模型：模拟神经信号的传递，以及神经对外界不同信息反应强弱不同的过程；算法中并没有真正的神经，也没有神经反应的强弱。取而代之的是大量的参数。参数越接近于零，说明它所代表的特征越不重要
  • 3. 怎么把获得的知识传给人类
    • 难点
      • 1️⃣ 机器学习对知识的表达方式和人类不一样
      • 2️⃣ 人的记忆力和算力有限
    • 目前办法
      • 1️⃣ 从源头就用简单些的算法或模型
      • 2️⃣ 对算法中重要变量的影响进行解释
        • 理解不了最终的结果，我们可以理解对结果影响最大的变量
• 16 算法思维：怎么和算法工程师打交道？
  • 1️⃣ 很多人关注的是眼下问题的特定结果，而算法工程师更在意通用方案，解决更多更广泛的问题。
  • 2️⃣ 学会拿数据和算法工程师沟通。数据越多，质量越高，算法工程师对你要解决问题的兴趣也越高。
  • 3️⃣ 和算法工程师最好的互动方式，就是一起在抽象模型和现实场景当中来回转换