AI数学基础之:概率和上帝视角

简介: AI数学基础之:概率和上帝视角

目录



简介


天要下雨,娘要嫁人。虽然我们不能控制未来的走向,但是可以一定程度上预测为来事情发生的可能性。而这种可能性就叫做概率。什么是概率呢?概率就是事情出现的可能性。比如扔骰子,我们知道骰子有六面,很容易知道扔出1点的概率是1/6,听起来很简单,但是如果放在复杂事件中,概率计算就变得比较麻烦和抽象,很多时候,我们可能没办法很简单的进行计算。今天我们来介绍一个计算概率的完全不同的视角:上帝视角。


蒙题霍尔问题


蒙题霍尔问题出自美国的一个电视节目Let's Make a Deal,问题名字来自该节目的主持人蒙提·霍尔(Monty Hall)。该问题内容大概是这样的:有三扇门,其中一个门中藏的是汽车,另外两扇门中藏的是山羊。这三扇门最开始都是关闭的,参赛者可以选择其中的一扇门,选择有汽车的那扇门就可以赢得汽车。


一开始的时候,参赛者会选择其中一扇门,然后主持人会打开剩下两扇门中藏有山羊的那扇,然后问参赛者是否需要更换选择。


聪明的读者,你们的选择是换还是不换呢?


最开始参赛者的中奖几率是1/3大家应该是没有问题的。问题是打开一扇门之后,参赛者最初选择的门和剩下那个未开的门中奖几率是否发生了变化呢?假设三个门分别被标记为A,B,C。


有人可能这样想,最开始的时候A,B,C三个门的中奖概率都是1/3。
现在打开了一个门,假设是B门被打开了。那么剩下的A和C的概率都变成了1/2。


听起来好像很有道理。


那么我们再换一个角度来看下这个问题。


如果参赛者最初选择了A,那么A有1/3的概率中奖,还有2/3的概率不中奖。这很好理解。
我们来考虑下如果重选,那么会发生什么事情:
假如A是正确的,那么重选一定错误。
假如A是不正确的,那么重选一定正确。


换句话说,A正确的概率也就是重选错误的概率。重选正确的概率= 1 - A正确的概率 = 1- 1/3 = 2/3。


也就是说重选更加有利。


问题的关键在于,在参赛者做出选择的时候,几率就已经确定了。后面发生的任何事情都不会影响它的几率。也就是说当参赛者选择A的时候,A获胜的几率就是1/3,不会因为后面发生事情的改变而改变。


注意,概率指的是事件发生多次的统计结果,并不是指确切的某个事件。


上帝视角解决概率问题


概率还是太抽象了。上面我的解释可能还有一些小伙伴不相信。那么我们来换个角度看概率的问题,我们把这个角度称之为上帝视角。


概率是指事情多次发生的时候,某种特殊情况可能出现的比率。比如扔骰子,我们仍1000次,1点出现的次数大概是170次,也就是1/6,我们说1点出现的概率是1/6。


回到上面的蒙题霍尔的问题,我们来构建一个上帝视角,这次不再是3个门了,而是3*360个门。假设我们有360个电视节目都在做猜奖的活动。每个电视节目都有3个门,其中只有1个门有汽车。那么我们总共会有总共有360个汽车。因为A,B,C三个编号的门中放有汽车的概率是一样的。


我们可以构建下面的一张表:


参赛者选择A 参赛者选择B 参赛者选择C
A中有汽车 40个电视节目中奖 40 40
B中有汽车 40 40个电视节目中奖 40
C中有汽车 40 40 40个电视节目中奖


可以看到在360个电视节目中,选择A的会中奖40次,选择B的会中奖40次,选择C的同样会中奖40次。总共中奖120次,也就是说中奖的概率是1/3。


再来详细看一下主持人选择打开一个门时,参赛者如果选择更换会什么情况。


在A中有汽车的情况中,参赛者本来选择A,如果换选择,不管选择B或者C,都会失败,也就是说有40个电视节目是未中奖的。


如果参赛者本来选择的是B或者C,如果换选择则一定会成功,也就是说有40+40个节目会中奖。


同样的情况发送在B或者Z中有汽车的情况。统计一下,如果换选择,中奖的次数说80*3 = 240 。 中奖的几率是 240/360= 2/3。


明显看出,换选择之后,中奖比例是提高的。


上帝视角的好处



从上面的例子中,我们可以看出,上帝视角将一个概率问题,转换成了大数据情况下的,统计问题。在某些情况下,可以为我们的概率计算提供更加直观可靠的解释。

相关文章
|
1月前
|
人工智能 缓存 并行计算
用数学重构 AI的设想:流形注意力 + 自然梯度优化的最小可行落地
本文提出两个数学驱动的AI模块:流形感知注意力(D-Attention)与自然梯度优化器(NGD-Opt)。前者基于热核偏置,在局部邻域引入流形结构,降低计算开销;后者在黎曼流形上进行二阶优化,仅对线性层低频更新前置条件。二者均提供可复现代码与验证路径,兼顾性能与工程可行性,助力几何感知的模型设计与训练。
230 1
|
2月前
|
机器学习/深度学习 数据采集 人工智能
PyTorch学习实战:AI从数学基础到模型优化全流程精解
本文系统讲解人工智能、机器学习与深度学习的层级关系,涵盖PyTorch环境配置、张量操作、数据预处理、神经网络基础及模型训练全流程,结合数学原理与代码实践,深入浅出地介绍激活函数、反向传播等核心概念,助力快速入门深度学习。
186 1
|
2月前
|
机器学习/深度学习 人工智能 算法
当AI提示词遇见精密算法:TimeGuessr如何用数学魔法打造文化游戏新体验
TimeGuessr融合AI与历史文化,首创时间与空间双维度评分体系,结合分段惩罚、Haversine距离计算与加权算法,辅以连击、速度与完美奖励机制,实现公平且富挑战性的游戏体验。
|
11月前
|
人工智能 自然语言处理 API
Mathtutor on Groq:AI 数学辅导工具,实时计算并展示解题过程,支持通过语音提出数学问题
Mathtutor on Groq 是一款基于 Groq 架构的 AI 数学辅导工具,支持语音输入数学问题,实时计算并渲染解题过程,适用于代数、微积分等领域的学习和教学辅助。
804 5
Mathtutor on Groq:AI 数学辅导工具,实时计算并展示解题过程,支持通过语音提出数学问题
|
11月前
|
机器学习/深度学习 人工智能 算法
UCLA、MIT数学家推翻39年经典数学猜想!AI证明卡在99.99%,人类最终证伪
近日,加州大学洛杉矶分校和麻省理工学院的数学家团队成功推翻了存在39年的“上下铺猜想”(Bunkbed Conjecture),该猜想由1985年提出,涉及图论中顶点路径问题。尽管AI在研究中发挥了重要作用,但最终未能完成证明。人类数学家通过深入分析与创新思维,找到了推翻猜想的关键证据,展示了人类智慧在数学证明中的不可替代性。成果发表于arXiv,引发了关于AI在数学领域作用的广泛讨论。
354 89
|
9月前
|
存储 人工智能 编解码
Pippo:Meta放出AI大招!单张照片秒转3D人像多视角视频,AI自动补全身体细节
Pippo 是 Meta 推出的图像到视频生成模型,能够从单张照片生成 1K 分辨率的多视角高清人像视频,支持全身、面部或头部的生成。
775 9
Pippo:Meta放出AI大招!单张照片秒转3D人像多视角视频,AI自动补全身体细节
|
8月前
|
机器学习/深度学习 人工智能 数据挖掘
AI概率学预测足球大小球让球数据分析
在足球数据分析中,AI概率学预测主要用于大小球和让球盘口的分析。大小球预测通过历史数据、机器学习和实时数据动态调整进球数;让球分析则利用Elo评分等评估实力差距,结合盘口数据预测比赛结果。数据来源包括历史比赛、球队和球员信息及外部因素。模型选择涵盖回归、分类和时间序列模型,并通过交叉验证、误差分析进行优化。实际应用包括制定投注策略、风险管理及开发自动化系统。代码示例展示了使用随机森林回归模型预测进球数的过程。
|
8月前
|
人工智能 自然语言处理 算法
AI做数学学会动脑子! UCL等发现LLM程序性知识,推理绝不是背答案
大型语言模型(LLM)在数学推理中的表现一直备受争议。伦敦大学学院等机构的研究发现,LLM可能通过综合程序性知识而非简单检索来解决数学问题。研究分析了7B和35B参数模型在三个简单数学任务中的数据依赖,表明模型更关注解决问题的过程和方法,而非答案本身。这一发现为改进AI系统提供了新思路,但也指出LLM在复杂问题处理上仍存在局限。论文地址:https://arxiv.org/abs/2411.12580
188 2
|
10月前
|
人工智能 测试技术
陶哲轩联手60多位数学家出题,世界顶尖模型通过率仅2%!专家级数学基准,让AI再苦战数年
著名数学家陶哲轩联合60多位数学家推出FrontierMath基准测试,评估AI在高级数学推理方面的能力。该测试涵盖数论、实分析等多领域,采用新问题与自动化验证,结果显示最先进AI通过率仅2%。尽管存在争议,这一基准为AI数学能力发展提供了明确目标和评估工具,推动AI逐步接近人类数学家水平。
390 37
|
9月前
|
机器学习/深度学习 人工智能 安全
企业AI采用:董事会成员的视角与策略
企业AI采用:董事会成员的视角与策略

热门文章

最新文章

下一篇
oss云网关配置