集体智慧导言
什么是集体智慧?
集体智慧的定义为：
为了创造新的想法，而将一群人的行为、偏好、或者思想组合在一起。
收集、组合和分析数据,从一大群人中搜集的答案可以使我们得出关于群组的统计结论：组中的个体将被忽视，将成百上千人的想法组合在一起，形成一种不依赖个人观点的结论。
寻求集体智慧的例子：
-
wikipedia
wikipedia 是一个在线的百科全书，任何人都可以新建或者编辑网站上的任何一个页面，这便是集体智慧的一种体现。这使得wikipedia成为了世界上最大的百科全书。
-
google
不知道你在朋友圈发表过文章没有 ? 如果一篇文章被转载的次数越多，那么你会觉得自己越可能喜欢这篇文章。
科研论文的评价就是采用这样的方式，人们将论文的重要程度与它被其他论文引用的次数联系起来，引用越多的论文其重要程度就越大。
将文章的重要程度与被其他论文引用的次数建立联系，这也是一种集体智慧的表现；就像是卖东西，大家都给好评的话,这个物品就越可能是你想要的,因为这个物品是经过成百上千买过的人评价的。
google搜索引擎对网页排序时就使用了“被引用次数”的评价标准,并且起名叫”PageRank算法”。
-
京东、淘宝、亚马逊的推荐
打开这些网站时，它们会向你推荐各种你可能买的商品。这些推荐越符合你的心意，你就越可能买这件商品，这样卖家就能赚到钱，而制作这个交易平台的人也能借此分到利润。
这些网站背后提供推荐的算法叫做推荐系统。推荐系统可以利用很多顾客对同一个物品的喜好数据(比如通过获取评论的方式)，向没有买过这件物品的人提供推荐；
这些提供推荐的做法和google有什么共同之处呢？
它们都使用了先进的算法，采集来自不同人群的数据加以组合，进而得出新的结论，并创造出新的商机。
wikipedia和google又有什么区别？
wikipedia的成功取决与提供内容的用户，不是软件中的智能算法；而google的成功却是用算法将不同用户的数据组合在一起。这两种显然都是集体智慧的表现，但本书主要倾向于算法。
算法会收集用户的数据，对数据进行计算分析，以智能化的方式对信息加以处理，并从中创造出可以增强用户体验的新信息。
从数据中学习正是机器学习的强项，故本书的很多方法都是基于机器学习的，下面开始介绍机器学习。
机器学习
机器学习是将一组数据传递给算法，由算法推算出这些数据之间的关系模型。由数据经过算法处理得到关系模型的过程叫做“训练”。
借助学习到的关系模型，当给予一个它没见过的新数据时，算法会根据训练阶段学习到的关系模型对它进行预测。
你会发现这些算法和统计学的知识有很大关系。
比如说，你收到很多短信，信息内容都包含“一元抢苹果手机”，我们可以很快识别短信内容和‘是否是垃圾短信’之间的关系模式，即带有“一元抢苹果手机”的短信就是垃圾短信，应该直接删掉。
我们将多条这样的短信标记为垃圾短信之后，机器学习算法应该自己学会其中的关系模式。当遇到新短信，其中包含“一元抢苹果手机”，机器学习算法应该能得出‘这是一条垃圾短信’的结论。
为什么需要机器学习？
有些任务直接编码较为复杂，我们不能处理所有的细微之处和简单编码，因此，机器学习很有必要。相反，我们向机器学习算法提供大量数据，让算法不断探索数据并构建模型来解决问题。比如：在新的杂乱照明场景内，从新的角度识别三维物体；编写一个计算信用卡交易诈骗概率的程序。
机器学习方法如下：它没有为每个特定的任务编写相应的程序，而是收集大量事例，为给定输入指定正确输出。算法利用这些事例产生程序。该程序与手写程序不同，可能包含数百万的数据量，也适用于新事例以及训练过的数据。若数据改变，程序在新数据上训练且被更新。大量的计算比支付手写程序要便宜的多。