读书随笔：The Book of Why——INTRODUCTION：MIND OVER DATA

• 因果推理： 某些事物会引起其他事物，而对前者进行修整可以改变后者。
  Certain things cause other things and that tinkering with the former can change the latter.

• 目前科学表达上遇到的困难： 气压计读数B可以用来记录大气压力P，即$B=kP$，然而，这并不能用来确定是大气压力变化导致气压计读数变化，而不是相反。换个更简单的例子，我们如何建模公鸡的叫声会不会引发太阳升起。

• 相关性与因果关系： 相关性不是因果关系。公鸡的叫声与日出高度相关，然而它并没有引起日出。在统计学中，没有“X是Y的原因”这一说法，只能说X，Y相关或关联。

• 误区I： 所有科学问题的答案都在数据中，可以通过巧妙的数据挖掘技巧来揭开。

• 数据： 数据是深奥的哑巴。数据可以告诉你，吃了药的人比没吃药的人恢复得更快，但它们无法告诉你为什么。也许那些吃了药的人是因为他们买得起药，不吃药也一样会恢复得很快。

• 查询语言： 对某种药物(D)对寿命(L)的影响进行研究，可以用$P(L|do(D))$描述，即求解让一个典型的病人服用该药物，他能存活L年的概率P是多少。很多时候，还需要比较$P(L|do(notD))$。这里的$do$算子表示我们处理的是一种干预而不是被动的观察。

• do算子的理解： $P(L|D)$可能与$P(L|do(D))$完全不同。这种看和做之间的差异是根本性的，这也解释了为什么我们不认为气压计下降是暴风雨来临的原因。看到气压计下降会增加暴风雨的概率，而强迫它下降并不影响这种概率。

• 误区II： 许多人工智能领域的研究人员希望仅仅依靠数据来完成所有的认知任务，数据本身就能引导我们找到正确的答案。

• 深度学习： 深度学习程序所能做的一切：将一个函数拟合到数据上。如果模型所处的环境发生了变化，那么它就可能要重新训练自己，重新学习一个新的预测函数。