集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织 - 用户贡献 [zh-cn]

集智-凯风奖学金

2024-05-21T08:02:09Z

18810648466：

在集智-凯风研读营学术委员会的提议下，为了更好汇聚与资助术业有专攻且视野广阔的年轻科研工作者，支持他们的科研想法和创意，成立了“集智凯风奖学金”计划。期望能够为其跨学科交流，寻找不同复杂现象背后的统一规律提供资助与激励，促进集智-凯风研读营的科研产出。

<small>注1：“集智-凯风研读营” 项目是由凯风基金会资助、集智俱乐部发起的，针对量子信息、人工智能、复杂系统、计算社会科学等特定主题的封闭式交流活动。</small>

<small>注2：“集智-凯风研读营组委会”成员:张江北京师范大学，张潘中科院物理所；尤亦庄加州大学圣地亚哥分校；吴令飞匹兹堡大学）</small>

== 愿景 ==
通过深度研读讨论前沿科学研究，共同界定和审视新的问题，实现跨文化、跨学科、跨领域的学术创新，形成真正具有原创能力的学术小生境。

== 资助项目 ==

=== 2020年 ===
{| class="wikitable"
|'''项目名称'''
|'''成员'''
|'''基本信息'''
|'''进度'''
|-
|复杂系统自动建模在大气污染预报与溯源中的应用
|王硕
|北京师范大学博士在读
|投稿中
|-
|重整化群流在计算机视觉中的应用
|扈鸿业
|加州大学圣地亚哥分校博士在读
|投稿中
|-
|逆转创新的时钟
|崔浩川
|北京师范大学博士在读，在芝加哥大学访问交流
|进展中
|-
|多视图时空图神经网络研究及其在睡眠分期的应用
|贾子钰
|北京交通大学在读博士，在新加坡国立大学访问交流
|已发表
|-
|结构和动力学信息共同启发的网络推断方法
|张章
|北京师范大学博士在读
|研究中
|-
|奇怪和创新
|徐绘敏
|得克萨斯奥斯汀分校博士在读
|研究中
|-
|有环因果模型的基础、学习和推断
|龚鹤扬
|中国科学技术大学统计学在读博士
|研究中
|}

== 申请奖学金 ==

=== 研究方向 ===
与集智俱乐部参与推动的前沿科学方向相关，包括但不限于复杂系统方法与理论，机器学习与人工智能，统计物理与量子计算等等。

=== 资助名额 ===
大陆和国外个各三个名额，每个人资助10,000人民币（大陆）或者2,500美元（北美）。

=== 申请条件 ===
a) 30岁及以下

b) 在读学生

c)通过个人申请及初筛入选集智凯风研读营的成员

=== 申请材料 ===
申请人需要准备两页申请计划书，主要内容包括：

1）第一页介绍本人正在进行的研究计划，需要指出预期发表的期刊或者会议；

2）第二页介绍本人的开源科学志愿者服务计划，需要与研读营结合，例如总结往期研读营的线上内容，并按照主办方的要求撰写科普笔记一份，贡献公开讲座一次；

请将材料发送至wangting@swarma.org，将由集智-凯风研读营组委会受理预申请并组织审查，审查结果将以电子邮件形式反馈至申请人。

<small>注3：往期研读营</small>

* <small>[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247512453&idx=1&sn=29099e689adb7ce1ce6aaac1d4fa2302&chksm=e897eb08dfe0621e026301fa7f489bc0be751cbe54da13a799c12eead8216043e4ea45314c7c&scene=21#wechat_redirect 集智最高Level的学术会议 | 集智凯风研读营公开招募]</small>
* <small>[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247509836&idx=1&sn=415d8a242a032897a547eba5195c4e8f&chksm=e897fdc1dfe074d70c52e3221527e35135b05b712a0e2db131014d15a23ecdd98760c8b73001&scene=21#wechat_redirect 闭门读书会招募：面向复杂系统的人工智能研究 | 集智凯风研读营-预备营]</small>
* <small>[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247489512&idx=1&sn=f4f5d9b07026dfcd61a71ac773f39e99&chksm=e8944d65dfe3c473311341a49bf0905365e0903e0a56f13f010303b84e7a9580ccd8cf7a9256&scene=21#wechat_redirect 网络、几何与机器学习 | 集智-凯风研读营2018]</small>
* <small>[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247486065&idx=1&sn=cdd5ffb1f5b43c81dfa92ba0d9d315e2&chksm=e89450fcdfe3d9ea697342dcd6c87e840a33bd7bad06a16bfa93008e196945659f232ded7a24&scene=21#wechat_redirect 机器学习、理论物理、计算社会学的碰撞 | 记2017集智-凯风研读营]</small>
* <small>[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247486065&idx=2&sn=2a03ff01abeb3cce1b8bd5e5740a8bf1&chksm=e89450fcdfe3d9eac31a71e6d966134cacadb8df838d71a51310b783ae40c8d69b949cfc062b&scene=21#wechat_redirect 复杂网络，机器学习与全息原理 | 记2017集智-凯风研读营]</small>

=== 申请入口 ===
如果你有意向申请，也可以先填写预报名表单与负责人咨询沟通
[[文件:报名二维码.png|左|缩略图]]
[[Category:集智相关]]

拯救2050项目致谢声明

2024-05-21T08:01:25Z

18810648466：

== 项目说明 ==

[https://mp.weixin.qq.com/s/xTRfWuWD21zhP480VgC0og 拯救2050项目计划宣言]

== 英文版本 ==

We thank the support from the Save 2050 Programme jointly sponsored by Swarma Club and X-Order；

== 中文版本 ==
感谢集智俱乐部和X-Order联合发起的“拯救2050计划”项目；

=== 读书会信息 ===

We thank the support from High Order Reading Group supported by the Save 2050 Programme jointly sponsored by Swarma Club and X-Order； We thank the support from Swarma Club.

[[Category:集智相关]]

复杂科学机翻易错表

2024-05-21T08:00:55Z

18810648466：

该词条记录在翻译复杂科学学科词汇时容易出现歧义的词汇表。
{| class="wikitable"
|+
|英文
|准确翻译
|机翻易错
!备注
|-
|agent
|主体
|代理/特工
|
|-
|dynamics
|动力学
|动态
|
|-
|manifold
|流形
|复写
|
|-
|scaling
|缩放
|鳞片
|
|-
|clique
|团
|派系
|
|-
|swarm
|群体
|蜂群
|
|-
|autopoiesis
|自创生
|自我生产
|
|-
|ensemble
|系综
|整体
|
|-
|bifurcations
|分岔
|分支
|
|-
|chaos
|混沌
|混乱
|
|-
|dissipation
|耗散
|浪费
|
|-
|renormalization
|重整化
|归一化
|
|-
|normalization
|归一化
|
|
|-
|percolation
|渗流
|过滤
|
|-
|motifs
|模体
|图案/动机
|
|-
|criticality
|临界性
|紧急程度/危险程度
|
|-
|emergence
|涌现
|出现/暴露
|
|-
|phase transition
|相变
|相转变
|
|-
|scaling law
|标度律/规模法则
|比例定律
|
|-
|random walk
|随机游走
|随机行走
|
|-
|strange attractor
|奇异吸引子
|奇怪吸引子
|
|-
|temporal networks
|时效网络
|时间网络/时序网络
|
|-
|community detection
|社团发现
|社群发现
|
|}
[[Category:集智相关]]

集智俱乐部新媒体资源

2024-05-21T08:00:13Z

18810648466：

在这里放置集智俱乐部的新媒体资源。

[[File:logo无背景.png|300px]][[File:学园无背景.png|300px]]

[[File:集智俱乐部.jpg|300px]][[File:AI学园.jpg|300px]]

[[File:俱乐部5.png|300px]]
[[File:QQ3.png|300px]]

[[File:集智AI学园首页左上角logo_2017.8.17.png|300px]][[File:集智Logobanner.jpg|300px]]

[[File:simpleswarmalogogreen.png|300px]][[File:simpleswarmalogoblue.png|300px]][[File:simpleswarmalogodeepblue.png|300px]][[File:simpleswarmalogoorange.png|300px]][[File:simpleswarmalogored.png|300px]][[File:simpleswarmalogored.png|300px]]

[[File:资源 2@4x-8.png|200px]] [[File:AI&S 白色描边.png|200px]] [[File:资源 1@4x-8.png|200px]]

==下载==
[http://pan.baidu.com/s/1i4FGe3r 集智学园圆牌PSD]

[https://pan.baidu.com/s/1eS4ZoQY 集智俱乐部LOGO源文件]

[https://pan.baidu.com/s/1slxRlGL 集智俱乐部LOGO图标]

[https://pan.baidu.com/s/1mim6goK 集智俱乐部LOGO图标（带字和Bannar）]

[http://pan.baidu.com/s/1caTdJw 集智学园＆俱乐部logo，PSD格式(新透明的)]

[https://pan.baidu.com/s/15YiRY1A95X5eIb-GTl1jOg 集智俱乐部banner横条 PSD文件2018.10.11更新]

[https://pan.baidu.com/s/1bXC2FoummCkjnD3n7W8rSA 集智俱乐部logo banar横条png文件 2019.07更新]
==含义==

象征砸到牛顿脑袋，促使他发现万有引力定律的那只苹果，代表“啊哈，我发现了”那个令人身心愉悦的瞬间。对应[[集智俱乐部]]的口号：“让苹果砸得更猛烈些吧”。
[[Category:集智相关]]

因果科学扑克牌项目记录

2024-05-21T07:59:30Z

18810648466：

= 背景 =
因果革命以科学为中心，涉及从数据到政策、可解释性、机制的泛化，再到一些社会科学中的归因和公平性问题，甚至哲学中的创造性和自由意志。因果革命彻底改变了科学家处理因果问题的方式。因此，越来越多的科学家投身于因果发现、因果推理等方向进行探索。

因果科学扑克牌依托因果科学学术词条概念梳理项目，在词条梳理的基础上希望整理出52个最重要的科学概念，以扑克牌的形式传播因果科学核心概念和基础知识，寓教于乐。

= 扑克牌介绍 =
[[文件:扑克牌.png|居中|缩略图|499x499像素]]

由集智俱乐部×集智学园出品，因果科学社区成员创作的因果科学知识卡来了！全套知识卡主要可以分为3个部分，其中核心概念卡共34张、代表人物卡共12张、图书推介卡共8张。红色的卡牌主要关注结构因果模型，黑色的卡牌主要关注潜在结果模型。

'''词条列表：'''
[[文件:扑克牌词条列表.png|居中|缩略图|516x516像素]]
[[文件:扑克牌词条列表1.png|居中|缩略图|515x515像素]]

每张卡牌的内容都包括了本词条的中英文名称、详细释义、插图、集智百科二维码四个部分。每一张插图都是由词条撰写者和平面设计师经过讨论和多轮迭代，以兼顾美观与知识准确性，帮助大家形象地记忆住各个知识点。
[[文件:1280X1280.png|居中|缩略图|407x407像素]]
在核心概念卡中，牌面上的详细释义会从定义、提出者、提出时间、详细说明、适用范围、贡献与意义等多个角度，解释两个因果框架中多个核心的概念。扫描右上方二维码后，还可以在集智百科上更深入地学习本概念的知识。
[[文件:代表人物卡.png|居中|缩略图|406x406像素]]

在代表人物卡中，主要介绍其国籍、学术称号、职务、任职学校或实验室、核心贡献、所有奖项、影响力等信息，并在其对应的集智百科页面展示成长经历、探究领域、主要著作和成果、研究动向、个人主页等更详细的信息。
[[文件:书籍推荐卡.png|居中|缩略图|398x398像素]]

在书籍推介卡中，主要介绍因果科学方向的优秀教材和科普书籍，包括其书名、中文译本名、作者、出版时间和适合的读者。在集智百科页面，还会给出书籍的主体思想概述、所属领域的意义、作者介绍、内容目录、内容摘要、资源获取、相关词条、编者推荐等更详细的内容。

虽然这只是一小盒知识卡牌，但从创意设计、词条选择、词条撰写，再到图案设定、图案绘制、集智百科编纂，主创团队和百科志愿者们用了近半年的时间才打磨出了这样一款称心如意的礼物。它不是尽善尽美的，也不可避免地会出现纰漏，我们也欢迎收到礼物的你，为我们反馈意见，让我们在下一个版本的知识卡中做得更好。

= 主创团队 =
内容主创：李奉治-红牌 / 邓宇昊-黑牌

内容创作团队：李昊轩孙笑甜郑雨嘉龚鹤扬吴　鹏

视觉主创：夏敏嘉

百科词条创作：李欣儒等数十位集智百科志愿者

总执行：段月然

总策划：王　婷
[[Category:集智相关]]

人物模板

2024-05-21T07:59:03Z

18810648466：

== 基本信息 ==

[[人物图片|大小(单位px)|图片位置(如居中等)]]

//人物名（中英文）、出生日期、出生地、身份、学位信息、家庭经历、主要成就等，内容要尽量充实但语言尽量凝练
（我认为可以做成一个类似表格一样的结构

{| class="wikitable"
|-
! 类别 !! 信息
|-
| 出生日期 || 示例
|-
| 国籍： || 示例
|-
| 母校： || 示例
|-
| 成就： || 示例
|-
| 主要研究方向： || 示例

|}

然后在做一个经历的介绍）

== 研究领域 ==

//取得成就的研究领域

== 博士生导师 ==

//可以有名字、图片、链接等等

== 学生 ==

//可以有名字、图片、链接等等

== 合作学者 ==

//可以有名字、图片、链接等等

== xxx（人名）与集智 ==

//有些大佬参加过集智举办的活动或有过合作课题，都可以写上去

== 就职企业、机构或院校 ==

=== （机构名） ===

//机构详细信息及该人物在机构中主要负责哪方面的研究/工作、取得过什么样的成就或发展，可以有图片等信息

== 主要文章及著作 ==

* [文章链接文章名]发表信息（发表年份/日期，被引次数）
//注意大佬们文章都很多，但是不要照搬，摘取重点影响力高的即可（如谷歌学术中被引次数多的），重点书籍可以适当展开说明，但是需要注意使用下一级标题和排版

== 研究课题 ==

=== [课题链接课题名称] （名称翻译） ===

//课题是哪个领域的、主要实现了什么功能/有什么发现、研究思路、主要应用等，如果有图片可以说明就更好了。

== 近期报道 ==

//可转载部分关于人物的报道，帮助认识人物，但内容需要凝练不要长篇大论。

== 联系方式 ==

//可以是电子邮箱、工作地址、所在机构的电话号码等等，注意使用序列排版。

== 相关链接 ==

=== 视频 ===

[视频网址视频名称]：视频主题
//可展开说明视频的重点内容、影响、背后的故事等等。

=== 更多信息 ===

[网址名称]
//可以是wiki词条地址、百度百科、人物个人主页或博客主页等。

[[category:使用说明]][[category:人物]]
[[Category:待润色]]
[[Category:集智相关]]

集智三思堂计划

2024-05-21T07:58:23Z

18810648466：

集智三思堂计划是一个利用众筹的方式，在远郊区相对偏远而又风景优美的地方修建一栋建筑，以供集智科学家来这里进行学术闭关、深思，同时又可以组织类似于暑期学校、会议等大型活动的场所。同时希望三思堂能够成为辐射周边地区的科学文化中心

==缘起==

科学的英文名称为Science，其发音与“三思”谐音，故而命名为三思堂。

现在的科学家除了在实验室做实验、跑程序，还有相当多的时间是需要静思、冥想、学习的。然而，现在国内的大学、研究院所大多位于繁华的都市区域，非常嘈杂，不利于这种形式的长期思考。另外一方面，由于科学家都处于社会关系网络中，故而没有办法把自己从琐事中抽出来。为了解决这个痛点，集智俱乐部决定发起三思堂项目，其目的就是为了创造科学家闭关的相对安静的环境。

另一方面，地方偏远的地区相对土地价格便宜、文化落后。因此，集智在这种地方修建三思堂可以节约成本，又可以带动当地科学文化传播，甚至可以带动整个地区的科技发展。

==地点==

首先，三思堂可以不止一家。但是，我们要一家一家地做起来。

我们会陆续放出考察方案。

==指导规则==

* 原则上，只有探索者会员可以利用这里进行学术闭关；时间分配原则上根据贡献度而定。
* 其它行政人员、志愿者可以根据积分（积分规则待定）享受一定量时间段的免费使用
* 可以在当地组织不定期的学术研讨会活动
* 需要在当地招募专职人员负责维护三思堂财产
* 需要成立三思堂协调委员会，来统一制定分配方案。

==实施计划==

* 2018-1月到2018-5月，完成三思堂筹划方案
* 2018-5月到2018年12月，寻找资金赞助
* 2019-1月资金到位，选址
* 2019-1月到2019年6月，装修
* 2020年9月三思堂正式成立
[[Category:集智相关]]

集智百科审校团队工作指南

2024-05-21T07:56:52Z

18810648466：

==工作流程==
===创建账户===
进入集智百科注册用户界面：

[[文件:注册界面.png|无框|居中|注册界面]]

填入信息注册完毕后将'''用户名'''告知负责人[[用户:Thingamabob|Thingamabob]]记录。

===领取任务===
进入石墨文档审校组任务，[https://shimo.im/sheets/WxX883WkRxKcRgWx/MODOC 审校组任务]

如下图所示：

[[文件:任务界面.png|无框|居中|任务界面]]

词条对应积分与字数（任务量）正相关，在“词条认领人”处填写自己的名字，填写认领时间、备注预计完成时间。

大家每周都需要保证有一定的任务量（至少领取一个词条），但具体任务量根据自己的实际情况安排；有特殊情况可以向负责人报备。做完一个词条后即可领取下一个词条，或一次领取多个词条。

===进行审校===

具体步骤：

1）打开词条任务表里的超链接

2）每一段都有框里的三个部分：爬虫获取的第一部分英文原文、去掉标记语法的英文原文（此处可能会出现一些标记语言未被消除干净而乱码的情况，常见的有" ref " ,需要多加甄别。)、初译者翻译的中文。

[[文件:词条界面.png|无框|居中|词条界面]]

点击右上角编辑按钮，进入编辑界面：

[[文件:编辑界面.png|无框|居中|编辑界面]]

常见语法：

[[文件:语法规范.png]]

为初译者的讨论（标注），如下图

显示界面：

[[文件:显示界面.png|无框|显示界面]]

编辑界面：

[[文件:讨论规范.png|无框|讨论规范]]

审校格式：

例：
--[[用户:Thingamabob|Thingamabob]]（[[用户讨论:Thingamabob|讨论]]）【审校】“****”一句中的*****处改为****

注意 --前要有两个空格语法才能被识别

大家可以把全部内容copy到word或者其他地方进行修改，以防编辑时间过长后账号失效退出.....
（修改好后再粘贴到编辑区）

===完成审校===
编辑完毕后点击保存，确认任务完成后在审校组任务内填写完成日期。

在审校完的文章前注明：“已由***审校"

并且填写初步翻译等级，评级标准如下：
（待补充）

在审校组的群里发送如下格式：

词条名：

词条领取人：

词条对应链接：

词条对应积分：

词条初次完成时间:

负责人会检查并记录相应积分。

===奖励制度===
参见 [https://wiki.swarma.org/index.php?title=%E6%BF%80%E5%8A%B1%E5%88%B6%E5%BA%A6 激励制度]

更多编辑规范参见 [https://wiki.swarma.org/index.php?title=%E7%BC%96%E8%BE%91%E8%A7%84%E8%8C%83 编辑规范]

==审校要求==
===修改润色===
需要对已经初步翻译过的稿件进行再修改、润色。
特别注意：错译、省译、漏译、不通顺、不符合语言习惯、不符合原文逻辑的地方。如果初译者已经做了标注，根据自己的理解判断该种翻译方式是否表达了应该表达的内容，是否合适。
检查译文是否符合汉语习惯，在初步了解相关背景的同时添加自己的思考。

===专业名词===
遇到所有的专业名词，除人名、机构以外，其余字体会被标橙，具体语法为
[[File:标橙语法.png|300px]]'''<font color="#ff8000"> 专业名词</font>'''，对于不能确定、存疑的疑难句需要将字体标绿，具体语法为[[File:段落标绿.png|250px]]

遇到不确定的专业名词，必须在https://campus.swarma.org/translation/中查询进行专业性的翻译。如果查询不到，点击新增词库，添加英文，中文写为“待补充”。若初译者有翻译错误，需要帮其改正。

===统一===
人名，书名等需要统一的翻译，需要检查上下文是否统一。

===总体要求===
“信达雅”三字，我们追求的首先是“信”，即不违背或者省略原意，其次是“达”，尽可能通顺又符合汉语表达，初译先保证“信”即可，最好能“达”，审校同学需要做的就是“达”的基础上尽量追求“雅”。（感谢李鹏前辈的补充）
[[Category:集智相关]]

集智俱乐部读书会众包方案

2024-05-21T07:56:17Z

18810648466：

== 项目背景 ==
集智俱乐部读书会不仅包括一周一会的主题分享活动，还会将读书会的分享内容尽可能的沉淀下来，作为读书会成员可以长期使用的学习资料。因此本文档面向读书会成员，向大家描述读书会内容沉淀的各个众包项目以及激励机制。

众包项目采用积分的方式激励大家，积分不仅是兑换退费权限的凭证，也代表用户在集智俱乐部社区的声望值。

== 项目简介 ==
读书会的众包项目包括读书会主题相关的论文解读、公众号文章、路径、群聊记录、直播、集智百科等5个项目。

== 激励方式 ==
根据读书会成员的参与程度、付出精力和知识背景，我们给出了如下的积分激励方案。
[[文件:读书会众包激励方案.jpg|居中|缩略图|898x898像素|读书会众包激励方案]]
== 具体说明 ==

=== 主题分享 ===
主题分享是指认领某一主题的分享或论文解读。为了保证读书会的整体质量，主题分享需要遵循一定的流程。

第一步：与运营负责人沟通主题或选定文章

第二步：确定分享大纲，并通过运营负责人与学术委员会的老师和同学同步，若通过则进行下一步

第三步：确定大纲后，提前两周准备好分享的PPT（时间在40min上，具有系统性，侧重模型和方法），与学术委员会里的老师和同学进行深度交流

第四步：若试讲效果不佳，如果愿意可以将内容转化为路径、公众号文章等其他内容

第五步：若试讲通过，则安排面向读书会全体成员的分享
[[文件:主题分享流程图.jpg|替代=主题分享流程|居中|缩略图|主题分享流程]]

=== 公众号文章 ===
集智俱乐部公众号一直致力于生产复杂科学相关的文献速递、翻译、解读与科普文章，读书会的成员有两种方式可以参与到公众号的文章生产中来。

==== 方式一：通过顶刊摘要翻译的测试任务 ====
感兴趣的朋友可以在通过顶刊摘要翻译的测试任务后，从顶刊速递开始，一步步进阶成长为集智俱乐部公众号的作者，如图所示。
[[文件:摘要翻译到公众号文章.png|居中|缩略图|600x600像素]]
顶刊摘要翻译任务测试样例：

[https://mp.weixin.qq.com/s/ZosGm8y6UopLCYbVChfj2A 科学的机器学习基准 | 复杂性科学顶刊精选7篇]

[https://mp.weixin.qq.com/s/3SE_uo-c030H51mBBMVvOA 排序动力学 | 复杂性科学顶刊精选8篇]

顶刊速递样例：

[https://mp.weixin.qq.com/s/BORCjo6ehGKGboAT5pRFag 研究速递：深度学习引入适应性，提升蛋白质结构预测能力]

[https://mp.weixin.qq.com/s/2sybP4qm8kXO4LECf3_3kQ PRL速递：超图上群体选择困境的演化博弈模型]

[https://mp.weixin.qq.com/s/zZbuwhoiwjEL5afPmBcznw 研究速递：量子信息领域的合作网络画像]

==== 方式二：读书会笔记转化 ====
读书会笔记是每一期读书会结束后需要产出的内容，读书会笔记需要记录读书会分享内容的大纲（包括PPT页数），内容的梗概，有参考文献的地方要截图，并标注PPT页数和文献的参考格式及链接，根据需要，后续可以讲内容整理到集智斑图平台，作为读书会长期沉淀的内容。

笔记积分的奖励方式是：笔记积分W=（文献总数+PPT页数）*0.8+P*20+Q*20。其中P为二值，若笔记转化为路径，则P=1，即再笔记积分的基础上+20积分，其他情况P值为0；Q值也是二值，若笔记转化为公众号文章，但尚未在公众号发表，怎Q=1，在笔记基础上+20积分，其他情况Q值为0。

笔记样例：

[https://swarma.feishu.cn/docs/doccncunFfFfm1WgtV2pK1fvUkH# 【】读书会第N期-笔记整理]

笔记转化为路径，则在笔记的基础上+20积分，笔记转化为路径样例（整理工作）。

[https://pattern.swarma.org/article/165 神经元模型:从离子通道到计算 | 集智斑图]

[https://pattern.swarma.org/article/166 循环神经网络的动力学平均场理论 | 集智斑图]

[https://pattern.swarma.org/article/164 复杂神经动力学:分析与建模 | 集智斑图]

笔记转化为公众号文章，如果是首推，则整理者获得最高积分299，如果是非首推，则在笔记的基础上+50积分，笔记转化为文章样例

[https://mp.weixin.qq.com/s/hy12Id6304XiBlD7Ogsd7Q 罗家德：社会计算方法论]

[https://mp.weixin.qq.com/s/zIz0YEdRHGnE8EFqIY8_NA 粗看长尾，细辨幂律：跨世纪的无标度网络研究纷争史]

[https://mp.weixin.qq.com/s/Vw4gk-ClD0KqLM1PHnNAww 张江：涌现、因果与自指]

[https://mp.weixin.qq.com/s/glR-sEFTvyvd-Vio61_NPQ Erik Hoel：因果涌现理论怎样连通复杂系统的宏观与微观]

[https://mp.weixin.qq.com/s/VwYVgUz5JDL5vPJxiOR5uw 李翔：时效网络——关公焉能战秦琼？]

笔记转化为路径，路径转化为公众号首推文章，则整理正获得最高积分299，如果非首推则在笔记的基础上+70积分，笔记转化为路径。路径转化为公众号文章样例

[https://mp.weixin.qq.com/s/oHfZSi_n9GUtUEg3R3HVvw 地球系统科学中的统计物理理论]

[https://mp.weixin.qq.com/s/SGz8CW9GbQgxxf-q6nKCGA 如何量化对气候变化的责任？基于简化地球系统模型的气候归因方法]

[https://mp.weixin.qq.com/s/LqqJN396xlgTVOSjamYMKw 复杂系统涌现的突破式变革入门]
[[文件:笔记转化文章.png|居中|缩略图|600x600像素]]

=== 路径 ===
读书会成员也可以根据自己的学科背景和知识为社区的成员提供学习自己熟悉领域的入门路径，其实就是按照由浅入深的顺序，为大家提供一些入门的书籍、文献、技术文章等，让大家在入门的过程中可以少走弯路，高效的入门一个领域。当然，我们也会根据路径的质量给路径撰写者一定的积分60-150不等。

=== 群聊记录 ===
群聊记录整理的任务是比较长期的工作，主要是把群内与主题相关的，特别是有老师解答还推荐了学习资料的内容整理出来，按照次数，一次5积分。
[[文件:群聊记录众包.png|居中|缩略图|600x600像素]]

=== 直播助手 ===
直播项目是在每期读书会分享时，辅助运营负责人在视频号进行直播，并回复一下直播中大家的关于读书会参与的问题。如果能够顺利完成整季读书会的直播，299积分，如果中途放弃，则按一次15积分积累积分。
[[文件:直播助手激励.png|居中|缩略图|400x400像素]]

=== 集智百科 ===
根据读书会主题的不同，读书会的发起人、主讲人以及读书会成员会对一些词条比较感兴趣，集智百科团队的负责人将收集这些词条，并招募对应的读书会成员来生产对应的百科词条。
{| class="wikitable"
|+积分制度表
!中文字数范围
!总金额（元）
|-
|<1500
|30
|-
|1500-2500
|50
|-
|2500-3500
|70
|-
|3500-4500
|90
|-
|4500-5500
|110
|-
|5500-6500
|130
|-
|6500-10000
|150
|-
|10000+
|200
|-
| colspan="2" |以此类推，按照实际篇幅进行设置
|}
额外奖励：完成部分编辑排版工作（120%~150%应得积分），补充丰富内容多（20），后期被选用为微信推文（50）；
*注：加急稿件 *1.5 作为积分；合作完成的长词条，按照词条所在区间范围的基础积分进行均分，作为积分设置；全靠机器翻译，无人工翻译痕迹（无积分）；
*累积积分达299可退还保证金。
具体可参见集智百科生产的[https://wiki.swarma.org/index.php/%E6%BF%80%E5%8A%B1%E5%88%B6%E5%BA%A6 激励制度]。

[[Category:集智相关]]

记录集智2017-2021

2024-05-21T07:55:35Z

18810648466：

如果有一个地方，让你不用端着装着，你可以放下世俗中所有的负担，来展示真实的你自己，那么，这个地方就是集智。

集智就是集智俱乐部的简称，这里有一群乐于分享，对自由的科研充满热情的年轻人，这里没有等级、头衔等世俗观念，只有一群有社交恐惧症的人在这里淋漓尽致的畅谈学术，他们之间自发来电，不但能合作发出SCI论文，合理撰写、翻译多部科普书籍，还能在激情思想碰撞后，凝结出创业的果实。

在十多年的时间中，曾经有多家创业公司的最原始的idea都直接或间接地来源于集智俱乐部，比如袁行远创办的彩云科技，其想法最早就可以追溯到2012年的深度学习读书会。

集智学园也同样孵化于集智俱乐部，集智俱乐部由张江创办于2003年，2003-2015的经历已经由张江本人亲自讲述过。我就从2016年集智学园的创业开始讲起，希望我写出来的故事，可以让你们一起身临其境的去感受集智学园成长中的心跳与温度。

很多人都喜欢我的文风，大概是因为看多了集智俱乐部公众号发的过于学术的科普文章吧，起码看我的文字不会烧脑。

虽然我的身份是集智学园的联合创始人兼CEO，但我的无为而治使我更像一个旁观者，我完整的见证了集智这五年的变迁与成长，我也像一个导演，亲自导出了很多如电视剧般的故事，或荒诞，或励志……

== 1. 诞生-集智学园 ==
'''“如果你对一件事情特别有执念，你就会做到，如果做不到，只是你执念不够。”'''

这是2016年10月份，在北京师范大学对面的京师咖啡里，张江对我说的。

我想，集智学园的诞生还是缘于张江的执念，缘于他对集智俱乐部，对复杂科学的热爱。

张江之所以想创业，是想把集智俱乐部这个平台正规运营起来，不再是一个松散的组织，这样才能更好的服务社区里的成员们。

可是，创业就需要烧钱，钱从哪来呢？巧的是，我们一开始就被一大群投资人盯上了。

那段时间做的最多的事情就是在咖啡厅见各种投资人，我也不知道这些投资人为什么嗅觉这么灵敏，哪怕我们刚有创业的念头，他们就感知到了。

那时我们经常要花一下午时间和投资人在咖啡厅里吹牛，然后就没有后文了。后来袁行远告诉我说，所有的投资经理都是忽悠人的，都不要见了，他们除了干扰你，没任何用处。

显然我是不到黄河心不死，直到遇到一个投资人，他表现出一副掌控一切的姿态，对我说，你们应该这样这样做，你把这些做出来，我就投你。

因为那个时候AI非常火，他的想法是让我们做一个网站，上面给出深度学习的各种应用，点开之后，可以给出一个整体解决方案，大概有点像是一个AI版本的中关村在线。

于是我傻傻地拉上张江，还有公司的几个程序员一起不分黑白的忙活了几个星期后，一个Demo终于做出来了，然后我带着他们一起去给这个投资人展示。

他们几个投资经理面对着屏幕，全程毫无表情的扑克脸，没说好也没说不好，只说要开会商量下再给我答复，这是他们应对创业者惯用的伎俩，意思是你没戏了。

从这次之后，我们下定决心，不再见任何投资人了，自己先做事解决当下的生存问题。

我们根据集智俱乐部的当前的资源来规划我们创业要做的事，以及尝试我们能做的事。

集智俱乐部本身就是一个学习者社区，所以我们初步的想法是要打造一个集合很多人智慧的学习平台，有的人愿意输出知识，有的人想学到知识，这就是集智学园最初的雏形。

2017年，集智学园成立了，就在北师大对面一个创业园区最小的房子里，小到仅能放下一排架子，对面还是女厕所。

一个简陋的在线学习网站也被第一个程序员hehe赶工出来了。

但是我已经很满意了，非常激动且开心的发了朋友圈，写道：“这是我事业的起点，我会由点做成线，再成面。”

说实话，我完全不知道从哪找讲师，也完全不知道如何推广网站，网站最初的内容都是集智俱乐部一直在办的读书会的视频回放。

但这不影响我敢站在高端的京城俱乐部里面路演我们的创业项目，我听不懂张江讲的知识淘宝、2050新人类是什么意思，我只知道，做就是了。

刚创业时的我是无比地混沌，可能正是因为这种懵懂，让我对未来没有一丝的恐惧，因为无知者无畏。

同样的无知也可以在王婷和王建男身上看到，一个是集智学园第一个实习生，一个是第一个正式员工。她俩几乎是同时来到集智学园的，一个是自己找上来，一个是我忽悠来的。

尤其是王建男，一个美术生，硬是被我忽悠来这里服务我们的程序员，但她连基本的程序员之间的对话都听不懂。

我印象很深的有一次，首席程序员hehe对着她说了一通话，她听完后，转头对着电脑屏幕发呆，五分钟后，她突然转过头，带着哭腔却又很大声的对着hehe说，你刚才说的是什么呀？我一句也没听懂！

然后两个人都沉默了，建男在那一刻可能怀疑自己是个傻子，hehe可能会质疑我怎么招了个傻子过来。

王婷毕竟是理工科专业，至少还是能听懂hehe的话。当时她还是大四，除了打杂还是打杂。我记得她给她妈妈打电话时说，我在这里过的可好了，CEO给我做饭，董事长给我开车。

我当时的状态也比她俩好不到哪去，我经常被各种繁琐的财务以及工商烦哭。

她们俩个其实都和我一样，也都是懵懵懂懂，但她俩有着和我一样的品质，就是有一种迷之自信，就是感觉这件事很有意义，但又不明白为什么。

当你看不清远处的路时，就把手头的事情做好，慢慢，前方的路就清晰了。

2016年发生了一件大事，就是AlphaGo战胜了世界围棋冠军李世石，这件事把人工智能这个词带给大众，但是在大众中却传成了机器狗战胜了人类。

所以说，很多人对人工智能还一无所知，与此同时，大众创业万众创新也还在那个时候达到了高潮，很多明星创业家在那个时候大量涌出，各地园区也在紧锣密鼓的招商引资，人工智能、机器人、智能制造等创业项目无疑成了抢手的香饽饽。

所以人工智能专业的人才也成了那个时代就业最好的群体，但是院校中培养出来的毕业生远远满足不了市场的需求，这个缺口还非常大，我们决定就从人工智能的培训开始做起。

所以，集智学园中间加了个“AI”，成了集智AI学园，我们针对不同群体普及人工智能的知识，开设了针对高管的AI视野，以及针对技术学习者的AI极客两大类课程。

好在那个趋势下，课程一开就很火，因为当时有了袁行远、李嫣然、吴令飞、曹旭东等一些老集智核心成员的支持，第一期的AI视野的收入让我们有了初步的运营资金，后来李嫣然的《打造你自己的聊天机器人》成了热销课程，不止给公司赚到了钱，也给她自己带来了很高的兼职收入。

后来集智的微信群里意外来了一个台湾有名的数据科学家尹相志，这是我们第一个从社群中涌现出来的讲师，他的《中文自然语言理解（NLU）在金融领域的应用》在集智学园成了爆款，课程销量至今还在学园排名前十。

张江自己也亲自出马，打造的《火炬上的深度学习PyTorch》系列课不但给学园带来了一笔不小的收入，还吸引了张章、胡乔、张庆逸等几个非常重要的学员，这些学员后来都在集智学园的发展中发挥了重要的作用。

不止如此，我们还组织学员将这个课程内容做梳理，最终出版成书《深度学习原理与Pytorch 实战》。通过写书的过程，张章表现的尤其出色和积极，成功进入了我们的法眼，他后来放弃了程序员的工作来到了北京，并自学以优异的成绩考上了北师大系统科学学院的研究生，成了张江的法定学生。
[[文件:Pytorch课程简介.png|居中|800x800像素|Pytorch课程页面]]

张章是一个非常重要的节点，他也在杭州运营着一个技术社区，并把社区中关键的两个人，陶如意和林嘉琦给吸引到了集智学园，这两个人后来成了集智学园的技术主力。

集智学园就这样跌跌撞撞的创办起来了，曾经的这些课程现在依然在集智学园的网站上。

== 2. 传承-集智百科 ==
'''“这是一件造福千秋万代的事业。”'''

这仍然是张江说的，他的聆听对象是王婷。当时正在北师大对面创业产业园里面一间小平房里，阳光懒洋洋的倾洒在门口的树上，我们几个人结束了上午的工作，准备一起去食堂吃饭。

那是2017年的夏天，王婷已经在集智实习了半年有余，但一直没找到自己的工作重心，仍处于打杂的阶段。

集智当时是百废待兴，张江所说的造福千秋万代的事业就是指的集智百科，集智百科发源于维基百科，是一种众包协作写百科词条的方式。

集智百科由袁行远、苑明理等一些集智俱乐部早期核心成员共同创建于2013年，也许是巧合，也许是人为，维基百科的创始人亚伦是在同一年去世的，在某种意义上说，集智百科成了维基百科在中国的传承者，也是亚伦开源科学精神的继承者。

集智学园当时已经有了相当多的课程，而学员上课时会遇到各种学科名词，人工智能、复杂科学相关的词条急需有人去整理。

稚嫩的王婷显然并不理解为啥能造福千秋万代，所以集智百科在开展的前期进展缓慢，相比枯燥的百科整理，王婷更愿意去做活动，比如说每年的集智科学家集体下凡的凯风研读营活动。

即使她在上海读研的那两年，也仍然坚持从头到尾执行到底，像小迷妹一样照顾和安排他们的行程，把研读营的学者们照顾得妥妥当当，围观着他们沉浸式的讨论和学习。大概也是这样的氛围，种下了她想要为科学工作者服务的种子吧。

我想王婷做活动的激情这么大，大概还有个原因，就是这些青年科学家们全部都智商颜值双在线！

尽管集智百科的工作基本上停滞了，但是王婷在活动中的组织才能发挥的淋漓尽致，她经历了两年的研究生生涯后又重新回到了集智。这一次，不再是实习，而是正式员工。

王婷的真正蜕变体现在她终于明白了集智百科真正的意义，她明白了这才是知识最好的传承。

其实王婷的开悟也和张江直接相关，很多时候下边人的迷茫也是缘于上层路线的不清晰，当上层果断时，下层自然知道如何执行。

王婷成立了集智百科志愿者团队，将运营活动的经验也运用到了百科团队的管理上。在她制定的规则和亲自带领下，集智百科团队产生了一个个复杂科学相关的词条，每个词条都凝聚着众多志愿者的智慧和心血。

这些词条沉淀到了一副扑克牌里，成了集智俱乐部最受欢迎的周边，深受广大粉丝的喜爱。[[File:集智百科-全面图.png|1000px|thumb|居中|[https://wiki.swarma.org/index.php/%E9%9B%86%E6%99%BA%E7%99%BE%E7%A7%91 集智百科]|链接=https://wiki.swarma.org/index.php/%E6%96%87%E4%BB%B6:%E9%9B%86%E6%99%BA%E7%99%BE%E7%A7%91-%E5%85%A8%E9%9D%A2%E5%9B%BE.png]]

== 3. 兴盛-公众号 ==
'''“我一定要改革集智公众号！”'''

此时还是2017年的夏天，在去张家口自驾游的路上，张江下定了这个决心。

那是公司员工第一次正式团建，我们租了一辆7座车，带着一整车的零食就出发了。

一路上自然欢声笑语，张北草原的天空真的很美，拍照时自带滤镜美颜效果，随手一拍都是艺术杰作，王婷和建男嘻嘻哈哈的在各种拍照，有一个腼腆清秀的小男生爬到了车顶上惬意的吹着风，眺望着远方，他就是新人培源。

人如其名，温润如水。

那时他做为前端实习生的身份刚进来，我只记得他因为写代码比较拖延而经常被hehe骂。但他似乎有很强大的心理承受力，你骂你的，我拖我的。

那个时候公司薄弱的不止是网站，还有集智俱乐部公众号。

张江突然觉得集智俱乐部公众号的文章他已经没眼看了，除了推课，活动介绍，还有张江的自言自语之外，似乎已经没有内容可以发了。

不止如此，不专业且毫无美感的排版也让人无法直视，因为那个时候微信公众号是一些志愿者负责的，连基本的统一风格都没有，全凭志愿者自己的偏好。

我意识到公众号必须得有一个全职的负责人，当时让来集智时间较长的王婷暂时接管公众号，张江负责给她灌输公众号发文的理念。

有一天，我突然看到公众号文章里出现一个“小声嘟囔专栏”，还是红头文件，问之，说是张江让她弄的。于是我又问张江，张江说，这是我随口小声嘟囔的，想让她发一些技术分享，没想到王婷就把这四个字用上了。
[[文件:小声嘟囔专栏.jpg|替代=小声嘟囔专栏|居中|541x541像素|小声嘟囔专栏]]

但是领导一言，也是驷马难追的，所以就只好这样用上了，王婷还积极的给这个专栏约稿，好像只发了四期就太监了。

就在王婷做集智俱乐部公众号的时候，培源也开始参与了集智学园公众号的运营工作，张江终于发现了培源与众不同的特性，他天然有一种对美的高品味，这种品味正好和科学相契合。

于是张江做了一个非常重要的决定，将培源转为集智俱乐部公众号主编。

事实证明，这个决定非常英明，这个工作不止拯救了集智俱乐部公众号，也拯救了培源，起码他不用写代码了。

将一个人放对了位置，他爆发出来的能量是难以想象的。培源开始招兵买马，组建了一群全是年轻漂亮妹子的编辑团队。

张江也开始重点培养他在科学上的品味，让他看大量高质量的论文，并对他的工作效率也提出了极其严苛的要求，比如一周必须做到三次发文。

曾经那个写不好代码的小男生竟然变成了公司里有名的工作狂，他无时无刻不把电脑带到身边，经常随地一坐把电脑放到腿上就开始工作。我们曾经戏谑的说，他的女朋友就是电脑，因为只有电脑坐过他大腿。

至于选题，我们也做过很多探索，一开始是主打人工智能方向技术论文的解读，后来发现阅读量实在上不去，还经常被取关。

真正的转折点在于2018年发生了一件大事，世界著名的复杂网络大牛科学家巴拉巴西的无标度理论遭受质疑，张江的学生文雷连夜帮我们写了解读，结果阅读量爆涨，很快就破万，一下子就破了公众号的历史记录。
[[文件:培源工作.png|替代=培源工作|居中|572x572像素|培源工作]]

我们终于也隐隐意识到，我们的粉丝还是喜欢看复杂科学相关的内容，于是我们开始重点关注复杂科学相关的前沿论文。

集智俱乐部公众号在培源的精心打理下，经过几年时间已经成长为国内著名的报道复杂科学和交叉学科前沿进展的学术大号，连续入围国内学术媒体公众号的top榜单。

== 4. 孕育-斑图 ==
'''“知识其实都是相互联系的，我们应该想一种表现方式来展示这种知识之间的联系，给新手小白提供入门一个学科的学习路径。”'''

这是2018年在北京二环内一幢商务楼的大平层里，张江在开会时对我们说的，因为此时集智学园已经拿到了数百万天使融资，投资人为王小川和郑杰。

前面几年集智学园一直在为生存而努力，就是只要能有钱，只要能让公司活下来，我们就会去做，包括迎合市场需求做人工智能相关的课程。

这几年，王建男发挥了重要的角色，她非常擅于学习，成长非常快，从一个听不懂程序员说话的小白到自学编程，并为集智俱乐部两本技术书设计了封面。

她不仅仅是一个美工，还做过公众号运营、课程助教、活动运营、课程营销等各种工作，我发现她在营销工作上做的尤其突出，并且待人接物有一种天然的亲切感，她的那种有点傻白甜的气质却非常容易获得别人对她的信任，这种特质让她非常适合做集智学园的商务工作。

于是我任命她为首席商务官，全部接管集智学园的所有商务工作，其中包括很多ToB业务，就是给一些企业设计复杂科学、人工智能相关培训课程，那时的客户包括混沌大学、金风科技、百词斩等。

这些事情并不是一帆风顺的，建男需要在客户公司和讲师之间反复周转，将公司的需求对接给讲师，再协助讲师做好相关的课程内容。

我非常清楚地记得2018年底，建男服务了深圳的一个单位，就在开课的头一天晚上，讲师突然有了些意外无法赶到现场，她只好临时又找了另外一个讲师，这位讲师搭乘了半夜的航班赶到深圳，ppt都得在飞机上赶工出来。

就在这个火烧眉毛的时候，在半夜12点时，一个女生在微信里对着讲师说：“老师，您什么时候把ppt做出来，什么时候给我，多晚都行。”这句“多晚都行”有着十足的力量感，让我对这个女生有了深刻的印象，我看到了她有着和建男如出一辙的韧性。

她就是新人王朝会，王建男当时招的助手，理工女，刚刚本科毕业，来帮助建男做内容上的把控。

集智学园在她们俩的一起努力下，一直保持着可观的收入，只是钱赚的比较辛苦。

现在公司有了融资，张江就想做一些内心所想的事情。他的兴趣点一度在注意力流上，希望将他的理念用在公司的产品上。

但是张江的理念本身就是超前这个时代的，公司无人能理解他到底想做什么产品，包括我。

公司新进来的一个程序媛小姑娘却听的热血沸腾，因为她从安逸的大公司辞职来集智，就是想做一些不同凡响的事。

而张江给出的这个蓝图就像是精神上的海洛因一样，给这个小姑娘注入了强力的鸡血。

但是当她听完后，激动的坐在电脑前搓着手准备敲代码时，这个颜值逆天的小美女却一下子蒙逼了，瞬间大脑一片空白，只有一个声音：靠，我要干啥？

她就是陶如意，跟随张章来到了集智，人如其名，如意如意，顺我心意，她的工作就是把天马行空的想法落实到代码中变成可见的展示。

所以她必须要理解张江到底想做什么，于是她一头扎进张江的文章中，甚至还去参加张江的研究生组会，试图去读懂张江的思想。

一个月后，星空图横空出世了，尽管还有些粗糙，但基本上已经体现了张江的思想。这是一个将集智学园所有的课程都以星空图的方式来展示的动态主页，每个主题都有不同的分布方位，一眼看上去非常炫酷，所有学科都一览众山小感觉。

但当你拉近每片区域，学科便展示出更细节的信息，这种展示一改普通的网页平铺展示，而是一种立体的层级展示，如同分形的效果。

随之几次改版之后，显示出来的效果已经很惊艳。

虽然星空图还是被大多数人看不懂，但不妨碍它成了一个天然的门槛，能看懂星空图的，都是同道中人，还有个投资人看到了星空图就激动的想要投资我们。

尽管如意完满地将张江的想法用代码实现了出来，尽管星空图炫酷无比，但由于整个星空图的动画效果都架构在网页端，这使得你没有一个高端的电脑和浏览器，根本就看不到那些酷炫的动画效果，看到的只有卡顿和漫长的等待。

于是，公司程序组的几个骨干不得不集体抵制张江不切实际的想法。于是，张江痛定思痛，“我最想要的实际是一个完整的知识地图，一个小白上来网站之后，可以顺着学习路径一个个去看课，至于酷炫的效果的确就是锦上添花嘛。”

于是，张江对程序员们说，“既然这样，那我们就放弃星空图，我们为什么不把最核心的学习路径的想法推出来呢？想一想，你来到这个网站，一眼望去就是各式各样的学习路径，它们可以把你带到最适合你的课程或资料。” 就这样，一个新的想法诞生了，这就是集智斑图。

这里要解释一下，所谓的斑图其实是Pattern的音译。而Pattern一词在复杂科学中代表的就是超越底层的宏观模式。为了这一理念，我们还专门设计了酷似洛伦兹蝴蝶的LOGO样式。

如意的能力也因为做出了星空图而被我们认可，所以张江又开始将更重的任务安排在了她的身上，那就是集智斑图的开发工作。

集智斑图，顾名思义，就是内容量足够大的话，会以某种形式组成一个pattern，所谓的内容，就是知识和人，所以集智斑图的口号就是“用知识连接探索者”，这是集智斑图的理念，我们希望在这上面提供一个个学习路径，方便各位探索者进行跨学科的遨游。

张江把集智斑图这个产品的介绍放到了春节前公司团建去的遵化温泉会所里，旧有遵义会议，今有遵化温泉会议。张江的介绍占用了几乎会议所有的时间，使得我安排的别的项目都没有时间了，当时我有些气恼，提出晚上加班继续讨论，张江却大手一挥给取消了。

所以大家心里只记住集智斑图这个产品思路了，春节假期一过，如意就带领团队展开了网站的开发工作。

集智斑图就是一个要把集智所有沉淀的内容，甚至整个互联网上面的最新论文都串联成一个个路径。

当然，一下子做出一个全功能的网站是很难的，况且我们这一切都是探索，甚至都没有前人可以模仿，所以张江提出，先做一个最小模型出来，然后通过给用户使用，边生长边改善。

这个最小模型很简单，只包含编辑功能、论文上传以及论文解读，用户既可以自己发起论文解读，然后会有人报名，也可以用户自己发起想听某篇论文解读的需求。

集智斑图就这样悄悄上线了，为了填充前期的内容以及打磨产品，全司都投入到了试用产品的过程中，我们自己写出了很多篇学习路径，组织了很多场论文解读活动，集智斑图就这样慢慢的生长起来了。

然而，真实的用户并不会因为你有多么高大上的设计理念、辛勤的工作付出而买账，他们要的是方便和实用。几个月下来，斑图上挂着的路径仍然是我们自己做的那几篇。

斑图的失败让张江不得不痛定思痛。“斑图的失败，让我看清楚了一个重要的问题，就是我们根本还不具备服务C端用户的能力。” 张江在一次内部会议上说，
“人真的要认命——尽管我一直希望我们能够构建一款伟大的互联网产品，尽管我刻意回避我们的真正优势其实是高层次的内容产出，包括我们的研讨会、读书会和公众号文章，然而现实就是不买你的帐。大量用户关注我们其实是为了这些内容，而并非我们的产品形式。”

经过这次总结后，斑图产品的定位再次调转方向，它并不是一个服务于C端用户的产品，而是一个服务于我们内部运营团队的产品，也就是一个To Self的产品。为了组织一个个专题研讨和读书会，我们总需要在一个地方去沉淀各种论文、总结等内容资源，那么斑图显然是一个非常方便的定制化的产品。

捋清楚了产品的核心职能，张江不再纠结：我们显然应该把重点放在内容运营上去！然而，内容那么多，我们的核心方向究竟是什么呢？

== 5. 回归-复杂 ==
'''“你一定要让自己静下来，倾听自己内心的声音，只有你想明白，这件事是你愿意用毕生去做的，才是你的真爱。”'''

这是2019年底，在一家小小的日料店里，韦华宁先生对张江说的。

回想过去的这三年，我们一直在忙于做课，忙于接项目赚钱，但这些，并不是张江真正想做的，我们疲于生存，却忽视了我们的灵魂所在。

集智俱乐部长达十几年的历史，就是靠一篇篇文章，一场场读书会堆砌起来的，集智俱乐部的灵魂并不是人工智能，而是复杂科学，就是张江一直以来痴迷的学科，集智俱乐部网站最最开始讨论的内容。

复杂科学具备跨学科的属性，将多种学科、甚至中西文化融会贯通，甚至开始涉足偏文科的管理学，这就是韦华宁指的张江心中的真爱。

2019年年末，我们公司又一次来到遵化泡温泉，在那个地下的会议室里，张江又一次占据了几乎全部的会议时间，给大家讲出了我们回归复杂科学的决心，他告诉我们，这值得他用毕生去追求，也是公司长期的发展目标。

发展复杂科学，就是集智的使命。

一夜之间，全司都不再迷茫了，集智学园、集智斑图、集智百科，公众号，从此都有了非常清晰的发展路线。

然而正当我们擦拳磨掌准备年后回公司大干一场时，突然新冠疫情就开始了，这波疫情来的太猛太烈，让所有人都措手不及。我司也不得不开始了长达近半年的线上办公的模式。

希望总是会在黑暗中生长，那段时间的居家思考，却让我们对公司的发展方向理解的更加深刻。

我们做了这么多活动，可是活动成员的后续管理仍然是个历史遗留问题，甚至我们连正规的社群都没有建立起来，尽管各种活动群很多，但杂乱无章，依靠志愿者管理社群的模式已经注定行不通了。

现在已经有了集智斑图，尽管它还在雏形期，但已经解决了集智俱乐部遗留已久的历史问题，就是每场活动参与者的记录。

但是如果要把集智斑图养大，还需要更多的燃料，用户在网站上的注意力就是网站的燃料，如何提高用户的粘性呢？

我们既然决定回归复杂科学的初心，一切内容围绕复杂科学，那么，内容从哪里来呢？

带着这些问题，我们又把集智的历史都梳理了一遍来寻求答案，仔细分析大家为什么需要集智俱乐部这个组织的存在，为什么张江要坚持不懈的做下去，我们不就是给大家提供了一个自由的讨论环境么？

我们将讨论进行话题分类和引导大家自发分享，不就是集智在最兴盛的那几年经常搞的读书会么？而集智最重要的一些产出，也都是在那个时间从读书会中涌现出来的，比如彩云科技。

我也突然意识到，我们确实不知不觉将我们的灵魂以及真爱给丢了，但是庆幸的是，在韦华宁的提醒下，我们又重新找回来了。

五月份中旬，全国开始解除封锁，我司终于恢复了线下办公。

我们来到了北京门头沟一个酷似内蒙古大草原的山顶上，趁着阳光明媚，疫情的阴霾似乎一扫而光，我们开始了疫情以来公司的第一次年会。这次年会的意义非常重大，在这个会上，我们不止讨论出来了未来的发展方向，还为公司找到了新的办公地点。

在会上，我宣告了集智的发展模式，就是以读书会为载体来建立最初的社群，集智斑图做为底层的技术支撑，集智公众号提供流量支持，集智百科以及集智学园提供知识梳理。

读书会只两条简单的规则，第一是交保证金，第二是分享过后便给出全部退费。这个规则不但可以帮我们筛选出质量高的用户，还能激励他们做产出。

我们会开设复杂科学相关的不同主题，有着多年活动组织经验的王婷承担了读书会的总负责人，她率先发起的因果科学读书会一下子引爆了集智社区，到目前为止已经开始了第三期，其热度仍然不减，至今无人超越。

集智学园的算法科学家胡乔发起的复杂科学视角下的科学学读书会上，涌现了一个用户需求，武汉大学的刘林青老师希望我们可以对《巴拉巴西网络科学》进行解读。

于是，我将读书会升级了，发起了集智课程模式，就是找国内十个网络科学家分别针对此书的第一周做解读，然后再让学员们针对本章涉及的论文以及课程内容再做进一步解读。

这个模式意外得到了国内很多网络科学大牛的支持，比如说香港城市大学的陈关荣院士，以及上海大学的汪小帆校长，北京师范大学的狄增如院长等很多国内前沿的学者，都参与了第一期的网络科学课程建设中。

有了这些大咖的加持，这个课程得以一炮打响，也让疫情期财务几乎停滞的集智学园注入了可观的现金流。

同时由公司不同成员领读的不同主题读书会也开始如火如荼的开展起来了，事实证明，事情做对了，一切都顺了。

我们开始从社区里挖掘出活跃份子，让他们也参与到读书会的运营中，王婷成功培养了很多合格的编外运营者。

迄今而止，我们共开展了生命复杂性、复杂经济学、计算社会科学、因果涌现、复杂管理学、地球系统科学等多种主题读书会，产生了大量的词条、视频以及路径，还有网络科学、复杂系统建模、范畴论等精品集智课堂。

这只是社群建设的开始，我们期待集智读书会的成员们和我们一起书写集智后面的蓝图。

== 6. 蜕变-研究院 ==
'''“我希望有一个地方，可以让人自由的探索科研，就像国外的圣塔菲一样，我希望中国也有这样一个科研圣地。”'''

树兰医疗总裁郑杰充满期待的对我和张江表达了自己的理想，张江心里瞬间也不平静了，这不正是他多年以来的梦想么。

他之所以创办集智，就是为了打造这样一个自由科研探索的环境，刚创业时就想过，甚至还立下了三思堂的项目计划。

“我心目中的三思堂的是一座远离喧嚣城市，坐落于山区的现代化研究所。学者们不仅在这里可以相互碰撞思想，还可以享受思考的孤独。”张江经常给我们描述他心目中理想研究所的样子。

其实，孤独对于一个学者来说是非常重要的。真正伟大的思想一定是诞生在长时间沉浸式的思考之后的。可现在，国内学者的注意力仿佛太不值钱了，随便一个领导或投资人，甚至社会上的风吹草动都能把持续的科研思路打断。我们这片土地上怎么能够诞生伟大的思想呢？

科研当然也需要交流，但是目前我们无效的交流过多，特别是社会上总有一些对科研不懂装懂的人，非觉得他的事儿和你的科研主题相关，于是要和你见面占用你时间。所以，在远离大城市的偏远山区建立研究院也许才是最好的选择。

尽管张江头脑中一直充满了对三思堂的想象，但是这个想法在那时看来十分不现实，我们当时连自己的温饱都没解决，一穷二白的不止是财务，还有阅历和经验。

但是现在不一样了。

集智俱乐部已经从当初10平米的小房子变成了现在的四层别墅。

王婷自从全职加入集智后，逐渐展示出了她强大的能量，她目前是集智俱乐部理事长，负责掌管集智百科、集智读书会等重要的职责，她把集智俱乐部大大小小的事情全部拎起来，一脱曾经的稚嫩，现在气场已经非常强大，成了鼎鼎大名的婷姐。

培源仍然是集智俱乐部公众号主编，手下已经组建一支专业的编辑队伍，公众号已经有接近15万的粉丝量，已经成了复杂科学领域的第一大号，广受圈内学者好评。培源也接下了张江的棒成了复杂科学的布道者，甚至会被各个大学请到学校去做讲座。

如意因为做产品陷入复杂科学太深无法自拔，决定继续回到学校读书，最终以优异的成绩考上北师大系统科学学院研究生，成了张江的法定学生，继续在复杂科学上和张江一起开疆拓土。

年轻有为的网站工程师林嘉琦接替了她的工作，成为了集智的技术主管，主要负责集智斑图的开发工作，集智斑图也在各个读书会产生的层出不穷的数据投喂中不停的更新换代。

王建男也早已不是曾经那个傻傻的小女生，她培养出来的新人王朝会成了集智学园的课堂总监，全部接管所有的课程开发工作。

集智学园在王朝会的精心栽培下也成长为复杂科学领域知名的在线学习平台，已经拥有了一大批包括院士在内的高质量讲师团队，打造了多期精品课程，如网络科学、范畴论、复杂思维等。

包括我在内的所有人，我们都是在伴随着集智一起成长起来的，我们彼此扶持，共同成长，并无明显上下级之分，这大概就是一个生长型的企业应该有的样子。

所以，我们也感觉到，我们有能力去驾驭那个最初的梦想了。

我们的另一个投资人王小川先生对郑杰的想法也非常赞同，他也非常希望集智能够成立这样的研究院。

懵懵懂懂的创业中，混沌了几年，现在终于看到了秩序的苗头，就像是细胞组成了一个新的胚胎，迫切需要从中注入灵魂。

'''集智研究院，会是下一个五年故事的开始，你，想成为下一个五年故事中的角色吗？'''

[[文件:集智俱乐部团建图.jpg|替代=集智俱乐部团建图|居中|集智俱乐部团建图]]'''本文作者：张倩，集智学园CEO。'''

更多历史记录：

* [[记录集智2003-2015]]

* [[记录集智2015-2016 --超越与重生]]

[[Category:集智相关]]

流网络保留页面

2024-05-21T07:54:08Z

18810648466：

然而，这个前提是有问题的，对于一般的流网络来说，η反映的是网络结构的特征，而非增长的特征。也就是说<math>C_i\propto T_i^{\eta}</math>并不能保证<math>TST\propto IS^{\eta}</math>的成立，网络的异速标度与异速生长不是一回事。

因此，我们认为η刻画的是网络的结构特征，而非动态的特征。在[[树的异速标度律]]研究中，我们已经看到当树的层数越多越瘦长的时候，网络的η越高，而越扁平的树，指数η越低。如果我们将一棵树理解成一个公司的组织结构的话，那么η越大的公司它的等级结构越森严，权利集中在大老板手里，如果η越小，则公司的管理越扁平化。所以，我们认为η刻画的是网络的集中性程度。

这种讨论也适用于一般的[[流网络]]。由于我们将C<sub>i</sub>描述为i节点对整个网络的影响程度，而A<sub>i</sub>描述的则是i节点的直接流量。还用公司的比喻来说，A<sub>i</sub>说的是员工i手头所掌握的直接资源（可支配的钱、人），而C<sub>i</sub>描述的是他在整个公司中的实际权力。这样<math>C_i\propto A_i^{\eta}</math>成立，就意味着随着i的升迁（A<sub>i</sub>越来越大），它的实际权力增长的相对速度大小。η越小则增长得越慢，因此组织比较扁平化（即使大老板的能力也不见得很大），η越大则增长越快，因此组织更加集中化。

例如，有两个网络具有相同的节点数，它们的A<sub>i</sub>和C<sub>i</sub>分别是：A<sub>i</sub>(1)={1,2,3,4,5}, C<sub>i</sub>(1)={1,2,3,4,5}, A<sub>i</sub>(2)={1,2,3,4,5}, C<sub>i</sub>(2)={1,4,9,16,25}。也就是说这两个网络的A<sub>i</sub>分布都一样，但是第一个网的η=1，第二个的是2。那么第一个网络中的最大节点拥有的实际权力是5，占全部网络的1/3，而第二个的是25，占全部网络的25/55=0.45比第一个网大很多。因此，第二个网络结构更加集中化。

因此，我们说，η刻画的是网络的'''中心化程度'''。扩展到流网络以后的异速标度律数值η取值范围不再局限在1到2之间，而是可以取全部实数，因此，我们根据η的范围将全部网络分为三大类：

# 当η>1，网络是中心化的
# 当η<1，网络是去中心化的
# 当η=1，网络是中性的

==各种流网络的异速标度律==

下面我们来列举各种流网络的异速标度律情况：

===生态流量网===

文献<ref name="scalingbehavior"/>研究了21个生态流网络的异速标度律情况，如下图所示：

[[File:ecologicalnetworkallometry.PNG|800px]]

图示了4个生态流网络的异速标度律在双对数坐标系下的拟合情况。我们可以看出，对于这四个网络来说，A<sub>i</sub>、C<sub>i</sub>的散点分布得非常接近于异速标度律那条直线，而且斜率，也就是幂指数η非常接近于1。下表则列出了更多的生态流网络的异速标度律：

[[File:ecologicalnetworkallometry21.PNG|600px]]

我们看到，几乎所有的生态流网络遵循异速标度律的情况都比较好，而且幂指数η很接近于1，同时比1大一点点。但也有少数的网络幂指数小于1或大于1。我们说生态流网络几乎都是中性的。

===点击流网络===

我们来看第二种网络：点击流网络<ref name="wulingfei">{{cite journal|last1=Wu|first1=Lingfei|last2=Zhang|first2=Jiang|title=The decentralized ﬂow structure of clickstreams on the web|journal=European Physics Journal B|year=2013|volume=86|page=266}}</ref>。这里的三个点击流网络都是文章<ref name="wulingfei"/>作者在不同时间从Alax网站获得的流量数据，包含了全部互联网上流量排名前1000名的所有网站。但是由于Alax网站数据的限制，每个网站的出度仅仅是10，也就是说我们只能获得从该节点流出的10条边的数据。下图展示了这三个网络A<sub>i</sub>、C<sub>i</sub>数据点画在双对数坐标系下的情况：

[[File:clickstreamalexallometry.PNG|600px]]

该图中不同颜色的数据点对应了三个不同的网络。这三个网络也是符合异速标度律的，它们的幂指数分别是0.95,0.92和0.96，它们都是小于1的，也就是说这些点击流构成的流网络是去中心化的。

===国际贸易网===

作为对比，我们再来考察另一种流网络：国际贸易网，用同样的方法可以得到2000年国际贸易网全网的异速标度指数η大约等于1.02，也是非常接近1的，即是一种中性的网络<ref name="shipeiteng"/>。

有趣的是，国际贸易网中的流量数据还包含了具体的产品种类，也就是说，我们可以按照产品种类的不同而把原始的国际贸易流量网分解成一系列的子流网络，每个子网络对应一种产品，参见[[国际贸易网]]。我们可以分别计算这些产品对应流网络的异速标度律，从而计算它们的异速标度指数。

[[File:tradenetworkallometrypowergenerator.PNG|600px]]

该图展示的是Power-generating equipment即发电设备这种产品的异速标度律图，其中幂指数η=1.14显著大于1。下图展示了该商品的贸易网络：

[[File:tradenetworkpowergenerator.PNG|800px]]

我们看到少数几个大国（美国、日本等国）作为大的出口国控制了整个网络，该网络属于中心化的。

与此形成对比的是蔬菜和水果这类产品构成的贸易网络，如图：

[[File:tradenetworkvegetable.PNG|800px]]

在该网络中，那些大节点（流量A<sub>i</sub>大，如美国、德国）基本都是进口国，即贸易逆差的国家（红色节点）。也就是说它们处于整个蔬菜水果贸易的末端，因此，流经它们的商品在整个网络中不会有很大的影响范围，所以它们的C<sub>i</sub>不会太大，这样，该网络就会具有较小的幂指数，事实上该网络的η=1.04，远比发电设备产品的幂指数小。

进一步，文章作者对将近800种商品子网络计算了η，得到了下面的统计图：

[[File:tradenetworketadistribution.PNG|800px]]

该图的横坐标是η数值，纵坐标是该数值在这800个商品网络中出现的频率。通过这张图，我们能看出大部分商品的η值集中在1.09附近，也就是说这些产品的贸易网络大体上是中心化的。

该文作者将频率又涂上了不同的柱状，以便表示不同的商品大分类所具备的η值范围。我们看到，大部分的工业产品集中在图形的右侧（右图），而农产品集中在左侧。所以，工业品所构成的贸易网络更加中心化——即少数国家控制了工业品的贸易流。

另外一个有趣的现象是：虽然平均来看大部分产品都是比较中心化的，但是由这些子网络合起来的整个贸易网却是比较中性的。一个可能的原因是，不同种产品的贸易可能存在着互相取长补短的作用。虽然对于A,B两种产品来说，它们都是由少数几个大国控制的中心化的网络，但是将A贸易网与B贸易网合在一起的时候，整个网络却没有那么中心化。一个可能的原因是：控制A产品的国家刚好不能控制B，而控制B的国家刚好短缺A，因此这两种网络合起来以后就没有哪个国家控制了全部的产品。因此，整个贸易网就是一种中性的结构。

===综合===

综合上述三种网络，我们可以得到下表：

{| class="wikitable"
|-
! 网络 !! η !! 中心化与否 !! 含义
|-
| 生态流网络 || ≈1 || 中性的 || 大物种在网络中的控制力与该物种的流量成比例
|-
| 点击流网络 || <1 || 去中心化的 || 大网站的影响力没有达到与流量匹配的程度
|-
| 国际贸易网全网 || ≈1 || 中性的 || 大国在贸易中的控制力与该国的流量成比例
|-
| 工业产品贸易网 || >1 || 中心化的 || 大国在贸易中的地位远超过了与流量匹配的程度
|-
| 农业等基础产品贸易网 || <≈1 || 去中心化的 || 大国的影响力没有达到与流量匹配的程度
|}

==影响η指数的因素==

我们已经看到不同流网络具有不同的η指数，有的时候大于1，有的时候小于1。然而，是什么影响了网络的异速标度指数η呢？文章<ref name="zhang"/>揭示了这个问题：虽然网络的拓扑结构也会影响幂指数η，但是，在流网络中，起到最关键作用的因素还要数网络的耗散律指数，而非网络的拓扑结构。这个结果多少有些反直觉。

===耗散律===

首先，需要指出，很多流网络都具有[[耗散律]]这一普适的规律。[[耗散律]]这一词条给出了详细的说明和结果展示。那么，影响η的各种因素中，耗散律指数γ起到了最关键的作用。为什么会是这样呢？让我们以一维的链为例来对此进行说明。

====一维链结构====

[[File:chainexample.png|500px]]

我们考虑如上图所示的一维链状结构，因为它比较简单，方便我们分析。

假设链状结构的耗散满足耗散律，即：

<math>
D_i=c (T_i)^{\gamma}
</math>

并且，每个节点都满足流量平衡，即：

<math>
T_i=D_{i}+T_{i+1}=cT_i^{\gamma}+T_{i+1}
</math>

利用这个递推关系，能够得到：

<math>
T_i=\sum_{j=i}^ND_j
</math>

对于这样的一维链状结构，我们又知道每个节点的C<sub>i</sub>刚好就是i右侧所有节点的T<sub>i</sub>之和：

<math>
C_i=\sum_{j=i}^{N}T_j=\frac{1}{c^{1/\gamma}}\sum_{j=i}^{N}D_j^{\frac{1}{\gamma}}
</math>

我们看到，T<sub>i</sub>是i右侧节点的各个节点的耗散的总和，而C<sub>i</sub>则是右侧节点耗散的1/γ次幂的总和。因此，若γ>1，那么随着节点沿着网络向左移动，T<sub>i</sub>会比C<sub>i</sub>长得快；反之，若γ<1，则T<sub>i</sub>会比C<sub>i</sub>长得慢。

假设网络满足异速标度律，即：

<math>
C_i=b T_i^{\eta}
</math>

其中，b是常数，那么，我们得到：

<math>
\frac{1}{c^{1/\gamma}}\sum_{j=i}^{N}D_j^{\frac{1}{\gamma}}=b(\sum_{j=i}^ND_j)^{\eta}
</math>

若γ>1，则<math>\sum_{j=i}^{N}D_j^{\frac{1}{\gamma}}<N^{1-\frac{1}{\gamma}}(\sum_{j=i}^{N}D_j)^{\frac{1}{\gamma}}</math>，所以：

<math>b(\sum_{j=i}^ND_j)^{\eta}<N^{1-\frac{1}{\gamma}}(\sum_{j=i}^{N}D_j)^{\frac{1}{\gamma}}</math>

若我们忽略常数（事实上我们仅仅关心随着i的变化问题，所以常数可以忽略），则可以近似地得到：<math>\eta<\frac{1}{\gamma}</math>。同样的道理，我们可以得到，当γ>1的时候，会有：<math>\eta>\frac{1}{\gamma}</math>。而当γ=1的时候，η=1，这样，综合起来就有：

<math>
\eta \left \{\begin{array}{lll} <\frac{1}{\gamma} & \mbox {if } \gamma>1, \\
>\frac{1}{\gamma} & \mbox {if } \gamma<1,\\
=1 & \mbox {if } \gamma=1
\end{array}\right.
</math>

通俗地说，耗散律指数越大，左侧的大流量节点就会把越少的能量投入到后续的网络节点上，这样从该节点出发的红色粒子总量就会减少，因此C<sub>i</sub>也就相应减少了。

====生态流网络====

下面，我们来考察真实的生态流网络中耗散律指数与异速标度指数的关系<ref name="zhang">{{cite journal|title=Allometry and Dissipation of Ecological Flow Networks|last1=Zhang|first1=Jiang|last2=Wu|first2=Lingfei|journal=Plos One|year=2013|url=http://arxiv.org/abs/1302.5803}}</ref>。

[[File:gammaandetaecologicalnetwork.PNG|800px]]

该图展示了19个生态流网络的耗散律指数γ与异速标度律指数η之间的关系，其中蓝色的线为原始数据点，而红色的线是经过算法调整，去除原始数据噪音后的结果。我们看到了两个指数存在着明显的负相关。但是，我们由于有噪声的存在，以及网络的结构的影响，因此，这两个指数的负相关并不严格成立。

====国际贸易网====

接下来，我们来研究国际贸易网的耗散律指数与异速标度指数的负相关。在国际贸易网中，由于我们可以根据不同商品而得到不同的流网络，对于每个子网络都可以计算耗散律指数和异速标度律指数，因此，我们可以把这些子网络所对应的数据点列出来画在坐标系下，如下图所示：

[[File:gammaandetainternationaltrade.png|800px]]

从该图中可以观察到，耗散律指数与异速标度律指数之间的负相关关系很明显。

===网络结构===

在[[树的异速标度律]]中，我们已经看到了不同的树状结构会带来不同的异速标度律指数。但是，当我们综合考虑网络拓扑结构和流量分布的时候，耗散律指数对异速标度指数的影响更加显著、明显。具体结果请参看文献<ref name="zhang"/>中的补充材料。

==鲁棒性与异速标度律==

上面的讨论指出，流网络的异速标度律刻画了网络的中心化的程度。指数η>1，则表示网络是中心化的，而η<1则表示网络是去中心化的。所谓的中心化程度可以理解为网络的权力集中程度。因此η越大，则网络的中央集权性就越高。

我们的一个直觉认识是，集中程度越高的网络越脆弱，也就是[[网络的鲁棒性]]就会越差。由于大量的资源集中在少数人的手中，这样只要是有意的攻击这些大尺度节点就会很容易地摧毁整个网络。这样，如果η刻画了流网络的集中性程度，那么，显然η也会跟网络的鲁棒性存在着联系。也就是η越高，流网络中心化的趋势越明显，那么网络的抗攻击性，也就是鲁棒性就会越差。这种直觉认识是对的吗？我们必须找到能够定量刻画鲁棒性的手段。

===流网络的鲁棒性===

[[复杂网络的鲁棒性]]问题是一个[[复杂网络]]研究中的重要问题。人们研究鲁棒性的通常做法是对网络进行攻击——即删除节点，然后考察网络的各种性质——如连通性随着节点的删除是如何变化的。删除节点的做法通常有两种：1、随机删除节点；2、蓄意攻击，即先删除重要节点（通常是度大的节点），然后删除不重要的节点……。

对于我们要研究的流网络，我们也可以采取类似的方式：蓄意攻击，即删除流量大的节点，看整个网络的流量受影响的程度如何变化。假如网络的鲁棒性越高，那么它对我们删除节点的操作并不敏感，这样，即使毁掉了网络的80%的节点，网络整个流量的变化可能也就达到了20%；而如果网络鲁棒性差，那么也许删除了仅仅10%的节点，整个网络的流量只剩下原来的1%都不到了。因此，我们可以用'''总流量达到原始流量1%的时候所对应的删除节点的百分比来作为整个流网络鲁棒性的衡量标准'''。

具体地，我们采用如下算法来计算流网络的鲁棒性：

1、输入流量网络F，以及对应的马尔科夫链M，将所有节点（不包括源和汇）按照它们的流量大小T<sub>i</sub>进行从大到小排序构成列表L；
2、从流网络F中删除L中的前i个节点，具体做法是：
2.1. 将M中每个删除节点所对应的列都设置为0，得到M'
2.2 根据方程T'M'+S'=T'，得到新的各个节点的流量分布：T'。其中S'为源到除去删除节点以外各个节点的流量。
2.3 计算整个网络总流量减少的百分比Δ=(ΣT-ΣT')/ΣT
3、如果Δ大于给定的阈值（如0.1），则回到2，继续删除节点
4、否则计算出已删除节点的比例r，则r就是流网络的鲁棒性。

====树====

为了看清楚网络的异速标度律与鲁棒性的关系，我们还是先看一种非常简单的网络：树。首先，我们按照文献<ref name="trees">{{cite journal|title=A simple explanation for universal scaling rela-
tions in food webs|first1=F.|last1=Frank|first2=D.|last2=Murrell|journal=Ecology|year=2005|volume=86|page=325-3263}}</ref>中的模型，通过调整参数β和θ，生成了各种形状的树。然后我们计算这些树的异速标度律指数与网络的鲁棒性之间的关系，得到下图：

[[File:etaandrobustnesstrees.png|400px]]

我们可以清楚地看出异速标度律指数η与鲁棒性之间的负相关。其中红色拟合直线的斜率为-7.26。

====生态流网络====

下面我们考察实际的生态流网络与网络鲁棒性之间的关系。还是采用上述21个生态流网络，我们将它们的异速标度律指数和鲁棒性的关系画出来如下图：

[[File:etarobustecological.png|800px]]

我们看到η和r的确存在着负相关，但是这种相关性并不十分显著，这可能是跟因为鲁棒性指标对于网络的结构而非流量的分布更敏感。

====国际贸易网====

下面我们再来考察不同商品构成的贸易流网络的η与鲁棒性r之间的关系：

[[File:etaandrobustnessinternationaltrade.png|800px]]

对于不同商品的国际贸易网络来说，这种异速标度律指数与鲁棒性r之间的关系从图形上看，似乎更加明显。

==参考文献==
<references/>

==相关WIKI==

*[[流网络]]
*[[树的异速标度律]]
*[[耗散律]]
*[[基于马尔科夫链的流网络分析]]
*[[投入产出分析]]

[[category:流网络]][[category:复杂网络]]
[[category:旧词条迁移]]

[[Category:集智相关]]

流网络保留页面

2024-05-21T07:53:32Z

18810648466：

让你编程效率倍增的5个 jupyter notebook 扩展工具

2024-05-21T07:51:28Z

18810648466：

==前言==
jupyter notebook 是一种交互式笔记本，支持运行四十多种编辑语言，深受数据科学工作者喜爱。除了优美的原生编程环境，jupyter notebook 还支持各种各样的插件拓展。本文介绍了5个能大大提高编程效率的插件，安装简单，操作方便。
<br />
因为 notebook 的扩展都是插件型的，所以非常方便将其添加到你的 jupyter notebook 中。强烈推荐使用 Jupyter 扩展配置器（ Jupyter NbExtensions Configurator）来安装你所需的各种扩展应用。每一个扩展应用都对应一个选择框，方便你决定是否使用此扩展，如下图所示：
<br /><br />
[[File:编程1.jpg]]
<br /><br />
'''安装:'''
<br />
可以通过 coda 安装：
<br />
conda install -c conda-forge jupyter_contrib_nbextensionsconda install -c
<br />
conda-forge jupyter_nbextensions_configurator
<br />
也可以使用 pip 安装
<br />
pip install jupyter_nbextensions_configurator
<br />
jupyter_contrib_nbextensions
<br />
jupyter contrib nbextension install --user
<br />
jupyter nbextensions_configurator enable --user
<br />
想了解更多，可以访问
<br />
https://github.com/Jupytercontrib/jupyter_nbextensions_configurator#installation

==No.1 标题折叠 Collapsible headings==

当你在处理一个大型的 notebooks 时，这项扩展非常有用，它可以让你隐藏部分内容。
<br /><br />
[[File:编程555.gif]]

==No.2 通知Notify==

当你长时间运行一个任务程序的时候，程序运行结束后，此扩展功能会自动提醒你。
<br /><br />
[[File:编程22.gif]]
<br />
如需使用此扩展，你需要勾选其对应得选择框，并点击 `Notify` 按钮来选择一个最短通知时间，即 notebook 最少持续运行多久后进行提醒。（需要注意的是，这个扩展只有在 notebook 被浏览器正常打开的情况下才能正常工作。）

==No.3 代码折叠 Code folding==

<br /><br />
[[File:编程33.gif]]

==No.4 进度条 tqdm_notebook==

tqdm 本质上不是一个 notebook 的扩展，它是 Python 中的一个进度条库。但是此库有时在 jupyter notebooks 会无法正常工作。 Randy Olson 给出一个小小的提醒：
<br />
tqdm 是一个 Python 的进度条库，在 jupyter notebook 中则被称之为 "tqdm_notebook"。自从在 nootbook 中加入了 tqdm_notebook 扩展功能，你再也不用担心其引发的混乱问题了。（Randy Olson 2018 年 3 月 2 日）

==No.5 %debug==

这个本质上也不是 notebook 的一个扩展，而是 IPython 中的一个魔法命令。为了加深你的理解，建议你读一读 Radek Osmulski 的发布 twitter 上的推文。
<br />
最爱 jupyter notebook 大发现：%debug 魔法命令
<br />
1. 得到了一个异常
<br />
2. 重新插入一个新的输入框，输入 %debug，然后运行它
<br />
交互式的调试方法可以打开并显示代码出现异常的语句，方便你联系前后程序查看具体情况。
<br />
(Radek 2017年12月26日)

==No.6 其他小的拓展与技巧==

*%Ismagic ：在输入框中运行这个命令，列出所有可用的 IPython 魔法命令
*zen mode 扩展：隐藏菜单栏，让你更专注于代码
*Execute time 扩展：显示程序块运行的时间
*autoreload：在不重启 notebook 的情况下，自动载入外部文件，从而修改代码，具体操作如下：
%load_ext autoreload
<br />
%autoreload 2

[[分类:旧词条迁移]]
[[Category:待确定]]

集智百科周报

2024-05-21T07:50:03Z

18810648466：

[[集智百科]]的目标是做复杂性科学领域科学、全面、客观的百科全书。我们的宗旨是“知识从我而来，问题到我为止”。

目前，我们已经有了[[无标度网络]]、[[复杂网络的双曲几何模型]]、[[复杂系统]]、[[统计物理]]、[[系统科学]]等精品词条，涵盖'''复杂系统、人工智能、统计物理、因果科学、计算社会科学'''等复杂性科学的关键领域，未来我们还会不断为百科添加更多内容。

现在，我们的团队有各式各样的成员，包括海内外知名高校的学生、教授、以及来自各行各业的科学词条爱好者，我们有一个共同点：对复杂性科学有着浓厚的兴趣，且乐于分享自己的知识。

如果你有意参与更加系统精细的分工，请点击链接获取[[参与方式]]！

== 2020.11.22-2020.11.30 百科团队进展 ==

'''本周编辑组进度'''

{{columns-list|colwidth=20em|
* [[用户:薄荷 |用户:薄荷]]–[[网络效应]]
* [[用户:薄荷 |用户:薄荷]]–[[三元闭包]]
* [[用户:薄荷 |用户:薄荷]]–[[LFR算法]]
* [[用户:薄荷 |用户:薄荷]]–[[自适应系统]]
* [[用户:薄荷 |用户:薄荷]]适应行为
* [[用户:Michael王较瘦 |用户:Michael王较瘦]]–[[热力学定律]]

}}

'''本周翻译组进度'''

{{columns-list|colwidth=20em|
* [[用户:11 |用户:11]]–[[社会动力学]]
* [[用户:11|用户:11]]–[[哈肯]]
* [[用户:solitude |用户:solitude]]–[[图灵机]]
* [[用户:11 |用户:11]]–[[信息新陈代谢]]
* [[用户:11 |用户:11]]–[[兰道尔原理]]
* [[用户:Jie |用户:Jie]]–[[非平衡系统]]
* [[用户:粲兰 |用户:粲兰]]–[[合成生物学]]
}}

'''本周审校组进度'''

{{columns-list|colwidth=20em|
* [[用户:INCH RONG|用户:INCH RONG]]–[[埃尔德什数理论]]
* [[用户:Fernando |用户:Fernando]]–[[自组织临界控制]]
* [[用户:Miyasaki |用户:Miyasaki]]–[[模式识别]]
* [[用户:Langenfeng |用户:Langenfeng]]–[[极限环]]
* [[用户:CecileLi |用户:CecileLi]]–[[二分图]]
* [[用户:Qige96|用户:Qige96]]–[[强化学习]]
* [[用户:和光同尘|用户:和光同尘]]–[[社会影响]]
}}

== 2020.11.15-2020.11.22百科团队进展 ==

'''本周编辑组进度'''

{{columns-list|colwidth=20em|
* [[用户:打豆豆 |用户:打豆豆]]–[[随机图]]
* [[用户:薄荷 |用户:薄荷]]–[[有序和无序]]
* [[用户:薄荷 |用户:薄荷]]–[[图（抽象数据类型）]]
* [[用户:不是海绵宝宝 |用户:不是海绵宝宝]]&[[用户:糖糖唐 |用户:糖糖唐 ]]–[[信息论]]
* [[用户:薄荷 |用户:薄荷]]–[[自复制]]
* [[用户:薄荷 |用户:薄荷]]–[[图的绘制]]

}}

'''本周翻译组进度'''

{{columns-list|colwidth=20em|
* [[用户:Jie |用户:Jie]]–[[自由度]]
* [[用户:solitude |用户:solitude]]–[[递归]]
* [[用户:Henry |用户:Henry]]–[[临界点（热力学）]]
* [[用户:Agnes |用户:Agnes]]–[[社会影响]]
* [[用户:小竹凉 |用户:小竹凉]]–[[极限环]]
* [[用户:Henry. |用户:Henry.]]–[[整体论]]
* [[用户:水流心不竞 |用户:水流心不竞]]–[[自指]]
}}

'''本周审校组进度'''

{{columns-list|colwidth=20em|
* [[用户:Paradoxist|用户:Paradoxist]]&[[用户:Qige96|用户:Qige96]]–[[自复制]]
* [[用户:Miyasaki |用户:Miyasaki]]–[[零和博弈]]
* [[用户:Fernando |用户:Fernando]]–[[优先链接]]
* [[用户:Langenfeng |用户:Langenfeng]]–[[热力学定律]]
* [[用户:Steve Luo |用户:Steve Luo]]–[[演化网络]]
* [[用户:Qige96|用户:Qige96]]–[[强化学习]]

}}
[[Category:集智相关]]

集智百科内容生产团队任务指南

2024-05-21T07:49:30Z

18810648466：

词条来源：读书会/本身自建的词条/成员推荐

生产：百科自有团队（申请制，提交一段翻译内容）、读书会成员（内邀制）

编辑：自有团队

百科团队激励制度:[[激励制度]]
[[文件:参与流程.png|无|缩略图|733x733像素|<big>集智百科当前阶段的运转形式和流程</big>]]

[[文件:生产任务流程图.jpg|无|缩略图|752x752像素|<big>生产任务流程示意图</big>]]

== 领取任务 ==
在任务表内选取自己感兴趣的词条，在“认领人”一栏填写用户名，认领任务并填写预计完成时间，如在读书会百科词条小分队的成员可在[https://swarma.feishu.cn/docs/doccnJQfaSG9jQxmuYQse1cr6we# 读书会学术词条概念梳理]进行认领。

联系负责人@李欣儒在集智百科上注册，所需要提供给负责人的信息示例如下：

用户名：趣木木

电子邮箱地址：xxxx@163.com

系统自动生成随机密码--登录完成注册[[文件:Imageing1.png|缩略图|715x715像素|替代=|无]]

== 明晰任务流程 ==

==='''第一步：进入待生产词条页面'''===
在[[读书会词条梳理]]页面，找到对应的读书会词条梳理页面并点击
*[https://wiki.swarma.org/index.php/%E5%9B%A0%E6%9E%9C%E7%A7%91%E5%AD%A6%E8%AF%BB%E4%B9%A6%E4%BC%9A%E8%AF%8D%E6%9D%A1%E6%A2%B3%E7%90%86 因果科学读书会词条梳理]
*[https://wiki.swarma.org/index.php/%E8%87%AA%E7%94%9F%E6%88%90%E7%BB%93%E6%9E%84%E8%AF%BB%E4%B9%A6%E4%BC%9A%E8%AF%8D%E6%9D%A1%E6%A2%B3%E7%90%86 自生成结构读书会词条梳理]
*[https://wiki.swarma.org/index.php/%E5%9C%B0%E7%90%83%E7%A7%91%E5%AD%A6%E8%AF%BB%E4%B9%A6%E4%BC%9A%E8%AF%8D%E6%9D%A1%E6%A2%B3%E7%90%86 地球科学读书会词条梳理]
*[https://wiki.swarma.org/index.php/%E7%A5%9E%E7%BB%8F%E5%8A%A8%E5%8A%9B%E5%AD%A6%E8%AF%BB%E4%B9%A6%E4%BC%9A%E8%AF%8D%E6%9D%A1%E6%A2%B3%E7%90%86 神经动力学读书会词条梳理]
即可跳转到页面，从“志愿者翻译词库”中找到自己感兴趣的词条，点击编辑，写上自己的名字，开启生产一个从0到1的词条。

==='''第二步：了解翻译内容'''===
以[https://wiki.swarma.org/index.php/%E8%87%AA%E5%A4%8D%E5%88%B6%E8%87%AA%E5%8A%A8%E6%9C%BA 自复制自动机]为例，第一步点击链接后，会出现以下界面。

每段所需要翻译的内容为红框所标注的区域，由三部分组成。'''第一部分为爬虫获取的第一部分英文原文、第二部分为去掉标记语法的英文原文（此处可能会出现一些标记语言未被消除干净而乱码的情况，常见的有" ref " ,ref不需要修改,但是ref需要复制到对应的中文的地方,需要多加甄别)、第三部分为初译者翻译的中文。'''

领取生产任务的朋友可'''不必管第一部分，根据第二部分的英文原文和第三部分的参考译文重新组织语言，消除机翻痕迹，修改第三部分的参考译文，使得中文更加通顺，'''形成终译版，并根据参考文献和自己对该重要概念的理解进行删改与添加。

'''''注意：排版方面，如页面的美观/图片/模板的上传后续会由编辑部的成员处理，在生产任务中并不涉及。'''''

[[文件:翻译内容解释.png|缩略图|1306x1306像素|替代=|无]]

==='''第三步：掌握编辑技巧'''===

==== （1）确保自己'''登录'''好账号 ====

==== （2）点击“'''编辑'''” ====
[[文件:点击编辑.png|缩略图|1328x1328像素|替代=|无]]

==== '''<big>（3）熟悉编辑页面操作</big>''' ====
<big>生产团队只需负责文字内容的把控，'''图片/模板/文献/格式美观等问题会由编辑团队负责。'''</big>
[[文件:操作页面标识.png|无|缩略图|1265x1265像素]]

==='''第四步开启生产之旅'''===
在编辑页面的最上端写上“本词条由[[用户名]]初步翻译”，即可开启生产之旅。编辑完后'''不要忘记点击“保存更改”'''。让您的产出成果留存在百科中~
[[文件:生产整个流程示意.png|无|缩略图|1306x1306像素]]

==='''第五步完成自审清单'''===
'''''生产过程中的自审清单（重点）'''''

翻译全文，点击保存更改，在提交给负责人之前，应根据该自审清单进行自审。

*没有存在遗漏翻译句子的情况
*没有存在语句重复、多余句点等错误
**人名译名缩写大写如j.a 实际上应为J.A
**排除多余的句点
**中文文本用“'''。”'''而不是“'''.'''”
** 变量采用斜体 ''N''
* 注意全文一致同一术语释义、同一人名释义

==='''第六步提交积分审核'''===
完成上述工作后，在对应社群向负责人发送以下信息，以[[经济复杂性指数]]为例：<syntaxhighlight lang="apache">
词条名：经济复杂性指数
词条领取人：趣木木
词条对应链接：https://wiki.swarma.org/index.php?title=%E7%BB%8F%E6%B5%8E%E5%A4%8D%E6%9D%82%E6%80%A7%E6%8C%87%E6%95%B0_Economic_Complexity_Index
词条初次完成时间:2020.07.09(这里指提交给负责人审核的日期）
是否领取下一个词条：是/否
是否按照自审清单自审并通读:是/否
</syntaxhighlight>'''负责人审核，确定词条达到要求后，反馈积分并记录。'''

== 明确任务职责 ==

===<font color="#ff8000">基本要求：译者需参考wiki百科英文原文以及其他参考资料将中文文本'''内容完整、语句通顺、专业名词准确'''的人工加工翻译出来</font> ===
* 内容完整：所需生产内容包括'''文章原文＋图注部分的原文＋see also部分'''
* 语句通顺：'''没有存在语句重复/缺失的情况，通读全文一至两遍，'''保证全文的语句通顺，符合中文语言表达，且释义统一
* 专业名词准确：同一英文单词（专业名词）对应的'''译法做到全文一致'''。对于筛选出来的专业名词请在[https://campus.swarma.org/translation/ 词库]中进行查询。对于查询到的释义，采用该专业名词释义；对于未查询到的释义，点击“新增翻译词”，补充上未查询到的英文，中文填为“待补充”。其具体操作如下，操作完毕即有下图中蓝色框内的形式。[[文件:词库操作.png|无|缩略图|1000x1000像素]]此外，还可在cnki翻译助手里面初步检索专业名词，选取引用量最高的释义，待后续专家审校进行反馈纠正释义后，再将纠正的准确释义添加在翻译词库中。

* 其余补充：有些译文会存在省译或者意译、合并意译的情况，译者遇到“存疑”的内容可以添加“注释”，后期可开会一起进行讨论。

=== '''进阶要求：审视词条内容的框架和脉络，根据参考资料进行调整、补充、删改''' ===
可与负责人和团队小伙伴一起讨论，根据相关资料，补充完善wiki百科英文原文中没有涉及到的内容。

=== 总体要求：信达雅 ===
“信达雅”三字，我们追求的首先是“信”，即不违背或者省略原意，其次是“达”，尽可能通顺又符合汉语表达，初译先保证“信”即可，最好能“达”，再次自审自己的词条时需要做的就是“达”的基础上尽量追求“雅”。

== 知识储备 ==
可从任务表中老师给出的参考资料、任务表中对应的英文维基百科中词条链接，对词条内容有一个初步的认识和了解；若有查阅到的资料、课程相关链接，也可在词条页面后附一个段落→'''编者推荐'''、'''相关链接'''的内容中；

还可从[https://campus.swarma.org/ 集智学园]查看相关课程资源、在[https://pattern.swarma.org/ 集智斑图]获取学习路径，以及从'''集智微信公众号： [https://swarma.org/ 集智俱乐部]'''查看相关科普文章和学习资源。
==新手提升==
===进行相关培训===
接受一些定期对译者的培训，收集译者在翻译过程中存在的问题，进行分享解析；分享翻译时的一些技巧，以提高翻译能力；以及对专业问题的讨论
===复杂科学入门资源推荐===
1.张江复杂性思维课程（集智学园）

2.《复杂》梅拉妮·米歇尔，网上有视频课程（喜马拉雅APP）[https://www.complexityexplorer.org/courses/104-introduction-to-complexity 《复杂》]

3.教材《网络、群体与市场》，网上有[http://www.chinesemooc.org/mooc/4406 视频课程]

4.郝柏林：圣菲研究所与复杂性研究

5.复杂性科学、网络科学、计算社会科学研究机构推介（北美篇）

6.新英格兰复杂系统研究所长文综述：复杂系统科学及其应用

7.新英格兰复杂系统研究所长文综述：复杂系统科学及其应用，集智斑图网站负责人如意整理的[https://pattern.swarma.org/path?id=22 路径1] 、[https://pattern.swarma.org/path?id=30 路径2] 、 [https://pattern.swarma.org/path?id=32 " 路径3]

8.[https://pattern.swarma.org/path?id=68 图神经网络、网络科学、系统科学综合交叉入门学习路径]
[[Category:集智相关]]

全球能源贸易领域的研究前沿图谱

2024-05-21T07:49:03Z

18810648466：

==科学前沿图谱简介==
科学知识的传播特别是前沿知识的传播复杂多变，研究前沿在不断地演化并更新着，每天各种专业领域都有海量的学术论文发表出来，特别是在自然科学领域，例如arxiv.org上每天有大量的新论文发表出来，这些新的知识的涌现使得个人单靠传统的学术检索阅读方式来追踪自己专业方向上的发展变得越来越捉襟见肘。并且，现在随着交叉科学研究的兴起，研究者们常常会面对自己不太熟悉的专业知识，通过传统的科学检索方式很难搜集到有价值的科学信息。

近年来，科学计量学的兴起为科学研究和展示提供的一种新的视角。科学计量学依靠科学文献的分析和解读，从宏观层面为研究人员解读学科领域的前沿提供了新的视角。科学计量学的研究既有定量分析又有定性分析，各种类型的学术文献数据库提供了基本的计量数据源。以科学计量为底层，可视化分析和展示为形式的科学前沿图谱能够生动形象、直观地将隐藏的信息和可能的研究热点与发展趋势昭示出来。例如，近些年来的文献共引分析、作者共引分析等等方法开创性地描绘出了科学发展的图景。特别是一些优秀的可视化分析能够为相关的研究领域指明出有前途的研究方向。

通常，科学研究图谱分析对于跨学科的研究有很多帮助，能从知识网络的结构和功能上，结合宏观、中观和微观三种层级垂直分析，从而清楚地看到学科领域中的一个个研究主题的兴衰演进。从而能够在微观层次，观察特定的研究主题或者模型方法在未来一段时间里的发展应用情况，据此相关研究人员就能方便地把握学科发展动态，感知科研革新。

==全球能源贸易领域的前沿图谱要素==

===科研合作网络分析===

作者-机构-国家/地区合作网络与贸易网络的结合分析、合作网络的可视化等。

===相关文献的引用分析===

搜集相关的研究文献，进行被引、施引分析。

===研究主题和领域的共现分析===

基于关键词，进行词频统计、网络共现等方面的分析，发掘潜在的研究领域。

==参考资料==
[1] 陈悦,陈超美,刘则渊,胡志刚,王贤文. CiteSpace 知识图谱的方法论功能[J]. 科学学研究,2015,02:242-253.

[2] Chen C, Hu Z, Liu S, et al. Emerging trends in regenerative medicine: a scientometric analysis in CiteSpace[J]. Expert opinion on biological therapy, 2012, 12(5): 593-608.

[3] Kleinberg, J. (2002). Bursty and hierarchical structure in streams. Paper presented at the Proceedings of the 8th ACM SIGKDD International Conference on Knowledge
Discovery and Data Mining, Edmonton, Alberta, Canada.

[4] http://cluster.cis.drexel.edu/~cchen/citespace/

[5] Stasko, J., Gorg, C., & Liu, Z. (2008). Jigsaw: Supporting investigative analysis through interactive visualization. Information Visualization, 7(2), 118-132.
[[Category:旧词条迁移]]
[[Category:待确定]]

记录集智2015-2016 --超越与重生

2024-05-21T07:48:43Z

18810648466：

'''张老师记录的从2003年-2016年的故事，他简单的记录了一下~2003-2015年的故事：

[[记录集智2003-2015]]

[[记录集智2015-2016 --超越与重生]]

[[记录集智2017-2021]]
'''

2015年7月25日清晨，我漫步在南京大学的校园里。瓢泼大雨而下，轰隆隆的雨声形成了立体的交响：外围是万马奔腾的波涛汹涌，身边却温柔了许多，那些高大挺拔的梧桐树天然形成了一道屏障将喧嚣挡在了伞的外面。这种感觉好极了，我仿佛置身于深谷幽潭，思绪伴随着脚步一起随机游走了起来……

== 回忆 ==
7年前的一个秋季傍晚，我们七拐八绕地终于找到了那扇神秘的、生满了锈迹的大铁门。进门之后，一片绿油油的草地和一座乳白色地中海式建筑映入了眼帘——这就是传说中的'''叁号会所'''。只见一个宽大的身影走到了我们身旁，他就是西犸——叁号会所的主人。那天，我们聊得很开心，从北京独特的文化活动到《黑客帝国》。从此，集智俱乐部终于有了固定的据点，在这里一扎就是四年。自从这个会所于2012年拆除之后已经好久没和西犸联系了。听说，这次南京会议他也来了……

6年前的一个晚上，北京科技大学的阶梯教室。我刚讲完“[[生命之流(1)——从复杂到生命|生命之流]]”的讲座，就有一个戴着宽边眼镜，个子高高，脚下却踩着一双红色旅游鞋的大男生走到了我面前，做了一番充满激情的自我介绍。他，就是[[吴令飞]]，网名[[计算士]]。当时他还是北京大学新闻传播学院即将毕业的硕士研究生，但却对我讲的这一套非常烧脑的统计物理学感兴趣。今天，他也会到会场，不知道他的样子变了没有……。

[[文件:2013年深度学习读书会.jpg|2013年深度学习读书会]]

2013年的深度学习读书会

'''与[[吴令飞]]同一时期加入集智俱乐部的还有曹旭东。他们两个都充满激情、思维敏捷，同时动手能力超强，但却在思维方式和做事风格上形成了鲜明的对比。'''有一次，我在读书会上给大家出了一道数学题：将一根直线：段随机切上n刀，这根线便断成了n＋1个小线段，那么这些小线段的长度服从什么样的概率分布？吴令飞用最大熵方法给出了解答（这也是我期待的标准答案）。于此同时，他还开了一个巨大的脑洞：双层熵问题。曹旭东在一天之后写了一个长长的笔记，用泊松过程的方法推导得出了同样的分布，整个推理过程非常严密，同时还指出了吴令飞的推导的一些跳跃和异想天开之处。

'''当时求解这个问题的还有一个人，这就是东方和尚，他希望用哲学思辨来给出分布的形式。'''此人是苏州人士，因成绩突出而进入中科大少年班，后中途退学，闯荡江湖。在经历了娱乐圈和同声传译圈的洗礼之后开始专心向学，试图用佛教的观点来阐释科学。他是典型的中国式民间科学家，但却别致可爱。与众不同的是，他始终是一个忠实的学习者，并在跟科学家对话。然而，东方和尚在集智混迹了三年后便销声匿迹了，不知道此人今天会不会出现呢？

'''作为最早跟着我做集智的老集核之一李旭东，一直“不务正业”地窥探别人最深层的隐私——假如你的余生只能做一件事，你会做什么？'''面对这个问题，不同的人在李旭东的摄像机面前都会做着各式各样真实而动情的“表演”，这也许是一次“经验自我”和“陈述自我”的搏斗。但是，我却自诩坦然，因为我是早已经认真思考过这个问题的人。那是什么呢？集智俱乐部？不，我头脑中的一个声音说道，'''那应该是“[[观察者理论]]”——一套试图建模“[[人机交互]]”系统的基础理论'''。2009年的时候，我曾在头脑风暴论坛写下了一个系列长文：“系统中的观察者”。然而，自那以后我就一直忙于琐事，无法将注意力集中在这里。我能怎么办呢？把学校的教职抛开？把集智俱乐部抛开？也许吧，你要想收获就必须要舍弃一些东西。

正思考间，我突然发现已经到了会场。这是集智俱乐部自成立以来第一次举办正式的学术会议。多亏了[[吴令飞]]和[[王成军]]，我们终于可以在这里——南京大学新闻传播学院——重温集智情怀。

这是一间中等规模的教室，可以容纳70-80人的样子。然而，现场到来的人却已经把这间教室挤得满满堂堂的了。坐在前面几排的人都是熟悉的面孔，吴令飞、曹旭东、袁行远、西犸、老玉、小木球，等等。但是，后排的人全部是陌生面孔，他们正睁大了好奇的双眼期待。

于是，我走上了讲台……

== 创业 ==
已经到了凌晨两点多，一屋子人聚在小小的酒店包房中讨论着集智的发展。白天会议的热烈讨论，老朋友之间的亲情倾诉，以及各路观点的激情碰撞都让所有参会人员兴奋不已。只不过，现在大家已经明显筋疲力尽，开始横七竖八地倒在了地上。

[[文件:集智未来发展的讨论.jpg|替代=集智未来发展的讨论|集智未来发展的讨论]]

“集智要想发展，真的必须要走商业化的道路”，西犸坚定地说道。

“可是，集智的初衷应该是一个公益组织呀，我更倾向于去注册成NGO”，我应声道。

“你要知道，在中国，注册NGO是非常困难的，需要‘公公、婆婆’”，老何说。

“这个没关系，只要有人愿意跑通各种关系和相关的部门，我们倒是可以尝试”，西犸答到。

“可是，这一切手续也好，关系也好，到底让谁来跑呢？”，我质疑道，“要知道，即使平时的集智活动，也全部是我一个人的事。如果再给我附加这些麻烦，我会吐血的”

“要我说，我们压根就不需要办什么NGO或者公司，为什么一定要注册呢？我们本来就是一个自娱自乐的组织，大家千万不要在它上面强加任何过重的东西。只要我们每个人都很厉害，这个组织也自然会很厉害。”现在说话的，是吴令飞。

“不行”，我坚毅地答到，“我们不仅要办，而且一定要让集智俱乐部更上一层楼！” 我略微顿了顿，坐到了床头，“今天的情形已经让我深刻地意识到，大家需要集智俱乐部。'''今天这个会议真的给我很大的触动。第一，多年没见的老友们再次相聚，仍然未变初心；第二，今天从四面八方赶过来的听众，我大多数都没有见过，但是他们却对集智一见如故。有一位广州的女教师跟我说，她已经默默关注集智大概五年时间了，虽然从来没有和我们接触，但却始终将其视为一片乐土。也许对于我们集智内部的人来说，大家并不会觉得集智有什么特别的。然而，对于一些其它城市的科研爱好者来说，集智有着特别的存在价值。我们不仅要坚持地把它做下去，而且一定要把它做好。”'''

“可是，你自己都说了，你没有时间和精力了呀，怎么办？”吴令飞质疑到。

“的确，不能让张江一个人来做，他已经身兼数职了。”大家七嘴八舌的说道。

“如果按照一般的NGO的组织架构，我们实际上需要一个秘书长，然后组织一个志愿者团队，这样就可以把张江的工作分担下去了”，袁行远说道，他除了集智俱乐部还加入了一个叫做“阳光志愿者”的组织，因此对如何组织公益社团非常有经验。

“我想到了一个人，她可以成为我们的秘书长”，一直在一边没有发言的小木球突然说道。

“谁？”大家异口同声地问道。

“我现在的室友，张霞”

== 第一名志愿者 ==

第一次见到张霞还是在去年的一次集智活动上，我做了一个叫做“[[哥德尔]]定理是个什么玩意儿”的讲座。报告刚一结束，一个身着白色衬衫，披着一肩乌黑秀发的美女就笑盈盈的走了过来。我怔了一下，“你是……”。

“我是图灵出版公司的编辑，我叫张霞”，她不紧不慢地递过来一张名片。

“图灵出版……，那本《信息简史》是不是就是你们出的？”当时，我刚好在读《信息简史》，因此对“图灵图书”这个品牌还是有很高的心理评价的。“你找我有什么事？”我非常礼貌地问道。

“我看到咱们这个俱乐部非常棒。所以我想问问，咱们有没有想过把一些活动进行总结出版一本书呢？” 她说得缓慢自然。

“出书？”，我稍微皱起了眉头，“可是，出书这事情太辛苦了。我以前也和清华出版社联系过，准备编译那本《[[自复制自动机理论 Theory of Self-reproducing Automata]]》，结果半途而废，因为实在是太辛苦了。”

“嗯，也许没有您想的那么辛苦。因为，咱们俱乐部已经做了这么多场活动了，每次活动还都有录像，我们只需要根据录像的内容进行一定的整理，不就可以了吗？”张霞娓娓道来，虽没有强迫，但却不容我说不。

“可是，我们平时的工作已经很忙了，没有时间来做这种整理工作呀。”我还是想尽可能地推掉这个事。

“没关系，这种整理工作我可以来做。”张霞坚定地说，“您只需要选出来哪些活动，什么主题，应该按照什么顺序等等就可以了。”

我终于被她的诚恳和不懈打动了，最终完成了《[[科学的极致：漫谈人工智能]]》的写作。尽管张霞已经付出了很大的努力在材料的整理和编辑工作上，但是我仍然要花大量整块的时间来打磨书中的内容。虽然最终的版本并没有像我们预想的那样精彩，但半年后当我捧着这本淡黄色树皮包装的集体智慧结晶的时候，还是非常兴奋不已——毕竟这还是集智俱乐部出版的第一本书啊。目前《[[科学的极致：漫谈人工智能]]》这本书在人工智能科普读物中口碑很好。它在豆瓣读书中的评分是8.2，在亚马逊、京东等平台上的评分超过了《[[奇点]]临近》这本书。我开始从内心生出一丝感激之情，如果没有张霞的坚持，就不会有这样一本书的出版。

[[文件:科学的极致：漫谈人工智能.JPG|替代=科学的极致：漫谈人工智能]]

我们收获的不仅是一本集体创作的图书，还包括张霞这个人。她到南京和我们一起开会本来是想宣传、售卖这本新书。结果没想到，她最终被集智俱乐部的氛围所吸引。第二天，她就被成功“安利”为我们的志愿者。终于，在经历了长达十二年的历史之后，集智俱乐部拥有了真正意义上的第一名志愿者。

== 集智3.0 ==
万事开头难，有了从0到1的突破，从1到100就不成问题了。张霞从公众号编辑开始做起了志愿工作。然而，随着新的活动的到来，新的文章要发布公众号，张霞感受到了压力。我们需要补充新的志愿者血液。怎么招募呢？我们采取了最为简单粗暴的方式：在公众号上直接发布招募广告。

“'''因为科学，让我们在一起！【集智俱乐部公开活动志愿者招募】'''”这样一则简简单单的招募广告居然很有效果，我们一下子收到了十多名志愿者，这再一次刷新了我对集智俱乐部的认识。

原来，集智俱乐部所蕴含的能量是如此之巨大，以至于我们始终没有找到正确的途径把它释放出来。我自己感到那么辛苦其实并不是因为没有人帮，而是因为我根本就没有给集智俱乐部的普通粉丝们一个很好的途径，让他们参与到集智俱乐部的运营工作中来。

我虽然经常大谈互联网思维和占意理论，但自己实际上也并不能切实地把握住注意力的力量。一篇小小的公众号文章“因为科学，让我们在一起”不仅刷新了我的认识，也打开了占意蓄水池的门阀，一股洪流奔涌而出。

我们建立了“集志”（集智志愿者）这个微信群将这股占意的洪流接住并保存下来，让他们在微信群中发酵。说来也真是惭愧，想来我用微信也已经有了两年多的历史了，然而，直到志愿者群组建之后，我才真正粘接上了微信。为了更好地组织集智俱乐部的活动，我几乎一天20个小时都粘在微信群之中，我们除了谈论集智的活动和日常管理，还分享照片，谈天说地。这些志愿者大多小我7、8岁以上，我重新在微信之中回归到了大学时代。因为微信这种现象级互联网产品的存在，人和人之间的沟通可以跨越空间和时间，无论你是在中国还是美国，我们都可以通过即时聊天工具而紧密连接。一旦一群人生活在微信群中的时间超过了一定阈值（通常来讲，是1000个小时），他们就会产生突变。

'''集志的突变形成了一个核心志愿者的团队，我们将其称之为集志核'''。渐渐地，这个核成为了新的中心，从其中生长蔓延出来的支脉开始渗透到集智俱乐部的各个角落。所有的集智俱乐部运维和管理全部转交给了集志核。这批新鲜的血液不仅注入了新的活力，而且让集智俱乐部开始蜕变为一个云端的组织。这个组织虽然没有以前那种例会和讨论，但是志愿者们彼此之间、我和志愿者之间的黏性却远远超过了以前的老集核们。

[[文件:第一个核心团队合影.jpg|替代=核心团队]]

如果我们说集智俱乐部网站建立是第一次创业，集智俱乐部在2007年底开始线下活动是第二次，那么以集智志愿者为核心的新型社群的建立就是第三次创业，集智开始升级为了3.0的版本。

== 集智小夫妻 ==
任何一个组织都需要少数几个核心成员，集智志愿者也不例外。在集志核中，王硕和秦颖可谓是最突出的一对，因为他们俩是新婚小两口，被我们戏称为“集智小夫妻”。

第一次遇到这对夫妻是在15年8月份《科学的极致》的新书发布活动上，那时他第一次参加活动就成为了志愿者，并负责现场摄影。初见王硕，只觉得他羞答答的，眼光始终不敢直视我。我则尽量放低姿态与他聊天接触。相反，秦颖给我的第一印象则是自信满满、爽快利落。
[[文件:硕哥和秦颖姐姐.jpg|替代=硕哥和秦颖姐姐]]

秦颖王硕第一次参加集智活动留影

一个月过去了，王硕、秦颖已经成为了志愿者的骨干，加入了集志核。一次活动结束后，我们坐在五道口的麦当劳店里边吃边聊。由于平时活动的时候，他们都是以志愿者的身份默默地出现在我面前。于是，这一次，我故意放下老师的架子，非常诚恳地说，“我自己已经对现在年轻人们的新玩法不熟悉了，你们有没有什么好玩的想法？”

我这一招果然很灵，王硕的话匣子一下子就打开了，他开始滔滔不绝地给我讲起了什么叫做互联网思维，而且引经据典，什么《人人时代》、《联盟》、《认知盈余》等等，仿佛在他看来，世界早已经在互联网的催化下演化成为我们这些老朽们完全不懂的样子了。更有意思的是，讲到后来，王硕的双眼都开始冒光，他的语气也变得逐渐强硬了起来，我则只有点头哈腰的份。

那一次我真的被王硕震撼到了。通过他的眼睛，我的确看到了一个完全不同的世界。也正是在这次，我了解到王硕和秦颖的发展历史，他们是一对联手在北京打拼的有志向的年轻人。为了堵住父母的嘴，他们刚刚领了结婚证，并从家人那里成功“套来一笔钱”，说是用于办婚宴，其实是租了一套房安歇下来以便让他们继续进行“终身学习”。王硕甚至连工作也辞了，以便让自己更好的充电。秦颖在当时也是通过自己过硬的口语而东奔西走挣些零用钱。不为别的，只为能够接触到更多的新鲜事物，学习更好玩的知识。

王硕后来被大家戏称为“传销硕”，是因为他虽然表面上看上去不擅言谈，但一旦有了时机，他会到处安利“集智大法”，并且成功发展了很多“下线”，甚至还有“下线”的“下线”，这也是因为他对集智有很强的认同感，并且愿意分享出去，希望更多人了解集智。

让我对秦颖刮目相看的，是一篇报纸报道，那文章说一个内蒙古女孩具有惊人的记忆力记住大量的英语单词，而这个女孩就是秦颖。果然，经过一年多在集智俱乐部志愿工作的沉淀，秦颖的惊人能力终于在复杂性文摘翻译活动之中爆发了出来，她组织的这个新群不仅吸引了相当多的学术牛人，而且还用微商表情包来发布任务，充分调动了群友们的积极性，也获得了“微商颖”的浑名，目前已经完成了百十篇复杂文摘的翻译并陆续通过公众号发布，受到了广大的好评，这个群已然形成了集智的一个新亮点。

真正感动我的，是王硕的那一句“爱你，就为你写代码！”。原来，秦颖组织翻译工作时需要手工地记录谁领取了哪一篇文摘的任务，非常辛苦。于是，王硕主动提出要给她写个脚本，来帮她简化工作。这就是程序员默默的爱吧，爱她，就为她写代码！

这一对情侣加入集智志愿者团队后，自己的生活也发生了变化，秦颖现在在一家金融机构做董秘，成了飞来飞去的精英，王硕也成了彩云天气的工程师。他们见证了集智的成长，集智也同样见证了他们的奋斗历程！
[[文件:硕哥和秦颖姐姐结婚照.jpg|替代=硕哥和秦颖姐姐结婚照]]

是有多爱集智

[[文件:硕哥和秦颖姐姐结婚照2.jpg|替代=硕哥和秦颖姐姐结婚照2]]

秦颖王硕结婚照

2016年9月中旬，这对小夫妻终于在内蒙古呼和浩特市举办了他们的婚礼，我率领集志核专程赶感到呼市为他们助兴，并顺道去内蒙古大草原、响沙湾大沙漠游玩一遭。
[[文件:蒙古参加王硕秦颖婚礼留影.jpg|替代=蒙古参加王硕秦颖婚礼留影]]

蒙古参加王硕秦颖婚礼留影

[[文件:蒙古响沙湾留影.jpg|替代=蒙古响沙湾留影]]

蒙古响沙湾留影

== 圣诞大趴 ==
[[文件:集智圣诞Party2015年全体留影.jpg]]

集智圣诞party2015年全体留影

2015年12月24日晚，圣诞节前夜，在一幢气派的私人别墅，集智俱乐部第一次举办了一个大型Party，这是一次新老成员的相聚，这是全新核心——集志核的正式亮相。

下午5点钟左右，晚会开始前两个多小时，正当志愿者们忙乎着布置晚会场地的时候，一名年轻女子走进了别墅。大家不约而同地停下了手上的活，将目光投向了她。

只见她瘦瘦高高，个子高挑，一件黄色的羽绒服配上一双长长的皮靴投射出她那低调的奢华。一头乌黑的秀发自然地搭在肩上，衬托出她秀丽的脸庞。这就是张倩，一位7岁女孩的母亲，一名在读的硕士研究生，一位活跃的集志核成员。

早在8月份南京会议的时候，我就与张倩有了一面之缘。那个时候，我们现场售书，她一股脑买了3本，第一个找我来签名。当时，我并不认识她，只模糊记得一个白衣长裙美女飘到了我身边。

再后来，她成为了我们第一个应召的志愿者。于是，张倩和张霞共同成为了集智的美女小编，这在当时也构成了一道非常靓丽的风景线。毕竟集智俱乐部是以理工男为主的一个社群，两位美女的加入必然造成了诸多粉丝的围观。

渐渐的，我发现把张倩按到公众号编辑的岗位有些大才小用了，她的能量可以得到更大的释放。就在Party举行的一个多月前，由于特殊原因，张倩被大家临时指派为Party的组织者。然而，正是这样一次临危受命，张倩爆发了她的小宇宙。她从早上6点就开始在群里发布各种消息，组织安排Party的繁杂工作，一直忙到晚上10点多钟。更厉害的是，她人一直在南京，所有的活动全部是她远程操控完成的。一切繁杂都被她梳理得井井有条。

在晚会收费的问题上，张倩与其它核心志愿者有了比较大的分歧。大家普遍认为我们的Party即使收费价格也不能太高，应该保持在100元以内，原因首先是集智向来都是以免费活动为惯例的，突然这次活动收费是否就破坏了集智的形象？另外一个很重要的原因是我们的Party太过业余，不可能在各种服务上都做到物有所值。但是，张倩却坚持收费要在200以上，原因是，我们有很多邀请过来免费参加Party的嘉宾，他们看到这个高价，就会非常珍惜自己参加这次Party的机会。至于出这么高的钱没人参与也不是我们应该担心的问题，因为只要我们给所有的集智核心成员和志愿者一个免费的机会就不愁没人过来。而我们本来就不希望一些不了解集智的人混进来，所以高价刚好可以把他们挡在门外。

她的这套观点让我眼前一亮，因为长久以来，我们集智把免费当作了一种习惯，于是就会形成一种固定的思维模式。然而，张倩引进来的不仅是收费的突破，更重要的是她有一套全新的思维模式。

晚会结束后，我与张倩进行了一段长聊，才了解到她的丰富经历。原来，早在7、8年前，她就迫于生活的压力开始经营自己的淘宝小店。通过将一些名牌幼儿衣服的尾货以非常低廉的价格抛售给那些年轻的妈妈，她不仅大赚一笔，月入上万，而且还成了淘宝上知名的美女卖家。更厉害的是，在那段时间，她还要一边照顾自己的宝宝一边开店。她的事迹甚至还被南京本地的一个报纸所报道，她在当地也算是小有名气的人。

然而，正当她可以利用自己的淘宝小店赚得盆满钵满的时候，她却毅然决然地把店关了，去报考硕士研究生。离开学校长达6年之久，她真的考上了全日制研究生，并且阴差阳错地选择了人工智能这个她并不熟悉的专业。张倩非常珍惜这个来之不易的重回学校的机会，学习非常刻苦，成为学校里有名的辣妈学霸。

2016年的圣诞学术party仍然是张倩一手操办的，已经游刃有余，相当成功，吸引了大量人工智能行业的精英。

[[文件:2016年集智圣诞晚会.jpg|替代=2016年集智圣诞晚会]]

2016年集智圣诞晚会AI专场

== 成立公司 ==
在Party晚会上，我做了新年致辞。我说道，“……大家看到今天的Party举办的非常成功。令人难以想象的是，所有的组织和会务活动全部都是依靠志愿者和业余时间完成的。我感叹互联网给我们每一个微小个体的赋能，使得我们可以用Part time的组织形式做到很多公司也不一定能很好完成的成功Party……”

然而，我当时心里想的却是，等到明年一定要成立公司！虽然，依靠志愿者我们的确可以成功地举行这场Party，我们也的确可以让集智俱乐部的活动再上一个新的台阶。但是，这一切的一切都是以我个人付出了超倍的努力为代价的！

这半年来，我基本上已经荒废了科研，更是离那个“[[观察者理论]]”渐行渐远。我几乎将全部的精力投入到了集智俱乐部的运行中，这才使得我们有了新的队伍、达到了新的高度。然而，所有的一切都建立在我的亲力亲为上。这就好像我在推动一个沉重的大铁箱前进。之所以铁箱子现在移动得更快了，那是因为我花费了更大的力气在推。只要我一放手，箱子就会停下来。

事情果然不出我所料，就在Party结束后的两个多月，我去美国访问了[[圣塔菲研究所]]。没有了我的存在，集智的活动也就基本上废掉了。不是那些志愿者不能自己搞活动，是集智往前发展的动力来源完全取决于我。这群志愿者还没有发展到能够完全凭自觉组织活动的能力，我是他们不能缺少的第一推动。怎么办？我怎么才能让这个组织真正的产生出自己的动力呢？

成立公司！我的脑海中立刻产生了这个念头，只有公司化运营才是解决问题的根本之道。于是，我立即组织召开会议，准备成立公司。之前经过调研，我们已经发现，在国内很难申请NGO组织，所以成立公司的另一个好处就是可以经由工商部门实现正式的注册。

半年多的时间过去了，在一个炽热炎炎的下午，我终于拿到了等待已久的工商营业执照。“'''北京集智会自然科学研究中心'''”几个大字跃然纸上。之所以取这样的名字，是因为我们更倾向于把它做成一个非盈利性的社会化企业。所以，我们申请的这个公司的类型是“集体所有制企业”，这样才能很好地配合“自然科学研究中心”这个名字。然而，后来我才知道，其实这个名字和这个公司类型就是一个坑，它会给我们造成不必要的麻烦。

要想开办公司就需要同时具备人员、办公地点和钱这三个条件。人员，我手头只有大批的志愿者，虽然他们都很给力，可是让他们全职是不太可能的。办公地点，我哪里去找？北京的房租那么贵。钱，废话呀，我要是有钱，还愁什么呢？尽管集智俱乐部也有个发展基金，常年来积攒了大概十万元左右的费用，但是想要开办一个公司还是捉襟见肘。我感觉自己又绕进了一个死循环。我因为没钱，所以无法找来合适的办公场地，因为没有像样的办公场地，所以无法招来靠谱的员工；因为没有正式员工所以没法赚到更多的钱……

== 集智公寓 ==
就在这个时候，706青年空间的邬方荣给我打电话说华清嘉园有一间空出来的大三居，问我租不租。邬方荣这个人真的很靠谱，他曾经给予我很多的帮助，也一直在劝我赶快把集智俱乐部在这两年做大，抓住风口。他的推荐想来应该不错，可是，当我知道了2万每月的租住价格，我就打消了租房子的念头。

然而，张倩却给出了不同的意见，她说，“咱们如果租用了一处房子，不管是办公地点还是居住空间，我们都会拥有一个固定的地点了。这样，外地过来的粉丝可以居住，平时还可以为那些在北京漂泊的志愿者提供一定的住房福利以作为一定的回报。志愿者有了归属感自然会更加努力地为集智做事情了。这样，我们的公司就可以开办起来了”。

我现在迫切需要解决的问题就是冷启动问题。公司之所以是一个活的单元，就是因为它会源源不断地产生着资金流水。虽然我们现在还没有想清楚靠什么来挣钱，但是如果我们总是这么凭空想，想上一年也不见得会有什么进展。而如果我花一笔小钱给几个核心志愿者，那么他们至少可以把经营当回事儿开始思考起来。这样集智的发展就和他们的生活密不可分了，如果集智把钱花光了，那么他们也就没有了住处。就这样，我们可以解决冷启动问题了。

最后，我们在六道口附近靠近五环的地方租了一间客厅超级大的三居室，这就是“'''集智公寓'''”。刚开始入驻的是集智姊妹：张倩和张霞。她们俩乔迁了新居，更因为有了新的好邻居而满心欢喜。有了集智公寓，我们便有了一个固定聚点，讨论事情变得很方便。两个妹子白天上班，晚上就开始忙集智的事，编辑公众号文章，活动组织等等。在她们俩的管理下，集智的各方面事务果然上了一个台阶。再后来，实习生王婷，台湾同胞张扬诚，以及美工王建男也先后住了进来，集智公寓有了家的感觉，天天充满着欢声笑语，几个并没有血缘关系的人却成了“家人”，真正给员工创造了归属感，也许有一天，《集智公寓》的故事也会被人演出来吧。

[[文件:牛轧糖.jpg|替代=牛轧糖]]

小伙伴在集智公寓一起做牛轧糖

== 研读营 ==

金秋十月，北京密云县古北水镇。置身在山清水秀的风景以及古色古香的中式建筑中间，聆听着尤亦庄、张潘，以及吴令飞等人的学术讲座，我感到一阵阵的欢喜和惬意。毕竟，我已经有一年多的时间没有如此近距离地感受到最前沿的科技发展了。第二次量子力学革命、[[张量网络]]、[[深度学习]]、[[贝叶斯推理]]、消息传播算法……，这些久违了的学术名词再一次在我脑中反复回荡着。

这次研读营的活动是早已经与凯风基金会谈好的。这是一家民营的基金会，他们的宗旨是：“推动人类进步，促进和谐发展”。他们的资助学者遍布清华、北大、哈佛、牛津等全世界知名的大学。以前，凯风基金会主要针对人文、社科领域的学者进行资助。对自然科学相关组织的赞助，这是他们的头一次。正是因为这几年科技的突飞猛进才使得他们认识到要想改变社会，必须依靠科技的力量。而我们这样的民间科技组织正是他们感兴趣的，因为它的影响力可能是很长期而深远的。本次集智凯风研读营的目的就是希望能够孕育出一些原创性的思想，从而激发大家对前沿科学的热情，并让这些思想能够产生社会影响力。

本次活动的主题是“'''网络、几何与机器学习'''”，它基本可以覆盖从[[量子信息到深度学习这样一个非常宽泛的知识频谱。更有意思的是，在[[尤亦庄]]、[[张潘 Pan Zhang]]等人的讲解下，我们看到了横亘于多个不同学科之间的共通性和统一性。本次会议的全部费用都是由凯风基金会负责，内容和形式全部是集智来制定。会议还特别选拔了一些年轻的学者甚至本科生，他们不仅在会议中感受到了各类前沿科学思想，而且也深切感受到了集智俱乐部长期以来保持的那种纯真而平等的学术探讨精神。

我也是再一次被集智所震撼。还记得在宾馆的客厅里，十多个学者围坐成一圈，共同探讨着复杂网络中的双曲几何问题。正是这一次讨论，让我在短短的五天内就顿悟到了双曲几何的本质，从而看到了全新的科研方向。（几乎每一个参与过研读营的人都写下了笔记，'''并已由小木球、张霞等志愿者整理成册，可以在这里下载：[https://pan.baidu.com/s/1miiArK8 集智凯风研读营2016年汇总资料]'''）

在回北京的大巴上，所有人都聊得很开心，而我却一个人躲在靠窗的角落里。我的内心又听到了两种声音的挣扎。一种声音要我做顶尖的学术研究，而另一个声音则是要把集智公司做好。

长久以来，这两个目标本来是重合的。我之所以能够十几年如一日地办集智俱乐部，就是因为我能够将自己的研究兴趣和集智的活动合起来。然而，最近，我们开始公司化运作，这就意味着我需要把大量的时间和精力都放在公司的运营和管理上。我本就不够用的心智却要再次分心，这是一种怎样的撕裂感呢？

回想最近5年多的学术生涯，我虽然已经全力以赴，但却并不顺利。我由于始终在追求自己才能认可和理解的终极学术问题——[[观察者理论]]，所以难免在能够带来荣誉和地位的普通科学研究方面并不出色。况且，我的整个学术生涯都在不停地转移之中，从早期的模糊数学、人工智能，到后来的复杂性科学，从生态系统转到社会经济系统，再到后来的互联网，我真的已经不知道自己在迷失还是在不断地前进。所有这些努力仅仅是为了能够让自己写出来的Paper能够在更高影响因子的期刊上发表。于是，我花费了大块大块的时间在英文写作、润色和咬文嚼字上，我必须学会如何包装自己的科研成果，尽管在很多时候我觉得这些技能实际上与真正的科学无关。

时间就这样一天天地流失了过去，我在学术这条路上不仅没有达到想要的高度和荣誉，反而渐渐迷失了自己的初心和兴趣点。然而，我始终没有认真操办的集智俱乐部却乘着“大众创业、万众创新”的大潮逐渐成长了起来。身边的人不停地给来正反馈，肯定集智的工作对于整个社会的意义。

我面对的是这样一个两难的选择：一方面是无心插柳柳成荫的[[集智俱乐部]]，另一方面是有心栽花花不开的学术研究，我应该选择哪一个呢？没错，我已经做出了选择，我选择了前者。我选择了改变自己的意愿从而迎合社会的需要。也许，这也并不意味着我会抛弃初衷，因为当年做集智俱乐部就是希望给自己一个可以自由交流的学术环境。同样，我把集智俱乐部做成一家公司也是出于自己的私人目的：集智其实就是我那套理论的试验田，只有我把集智做起来了，我才算真正地从白手起家完成一番事业，才算一次完整的人生历练，也才能真正锤炼出自己的理论。

我学术上的天花板究其本质就是因为既没有很深的理论背景（或者说我个人能力达不到），又没有扎实的应用基础。做研究就应该“顶天立地”。既然由于机缘巧合，我已经无法做到顶天，那就应该赶快扎根在大地，自己按照自己的一套理论打拼出一个事业出来。想到这里，我的意志变的无比坚定了。

[[文件:2016年集智凯风研读营.jpg|替代=2016年集智凯风研读营|1282x1282像素]]

2016集智凯风研读营

== 盈利 ==
2011年的曹旭东刚在微软亚洲研究院就职，便强势回归到集智俱乐部。他不仅带来了一个最终孕育出“彩云天气”原创想法的读书会，而且还带来了一票极其靠谱而实干的人。李嫣然就是其中之一。

[[文件:李嫣然.jpg|替代=李嫣然]]

2013年带病坚持来做读书会的李嫣然

还记得那是一个炎热夏季的下午，已经过了2点45了，主讲人李嫣然还没到场。这是“自然语言处理”读书会的第一期呀，她是主持人怎么还能缺席呢？刚要打电话，只见一个小姑娘便匆匆忙忙地跑来了蕴味儿咖啡。一边喘着粗气，一边连声道歉：“对不起，对不起，我来晚了……”。

“你就是年糕？”我问道，李嫣然的网名就叫年糕。

“是的。您是张江老师吧？” 李嫣然客气地回答道。

“啊，是的。你怎么来的那么晚呢？”

“哦，是因为我昨天晚上调程序时可能吹着冷风着凉了，结果半夜就肚子疼的不行，叫急救车去医院了。我这是刚刚在医院输液完就赶了过来，实在抱歉。”

“啊？那么严重？那你还不赶快在家休息？咱们这读书会不要紧！”我赶快说道，毕竟我们集智俱乐部的活动完全是自愿的。她不至于如此拼命，不能讲就推到下次好了。

“没事儿，我现在已经没事了。我们现在就开讲吧，我今天要讲的内容是[[隐马尔可夫模型……”

这就是李嫣然，一个北大本科三年级的学生。她现在就如此拼命地干活、搞科研，将来还会了得？集智就应该团结这样的人，我当时想到。

果然，时间的发展验证了我的判断。李嫣然不仅成为了《[[科学的极致：漫谈人工智能]]》这本书的最年轻作者，而且还成功被保送到香港理工大学。最重要的，就是在集智公司最危难的时候，她为我们赚来了第一桶金。这还要从她的“自然语言处理”[[集智俱乐部读书会]]讲起。李嫣然虽然也是兴趣涉猎颇为广泛（集智俱乐部的学者们大都这样），但在这几年的学术生涯却始终牢牢地把握着[[自然语言处理]]和[[深度学习]]这两块。同时，她还和另一位同学共同运营了一个在行业内颇有影响力的公众号：'''程序媛的日常'''，专发各类有关深度学习和自然语言处理方面的东西。在收获了近1万粉丝后，李嫣然已然成为了圈内的明星。

[[文件:2016年读书会合影.jpg|替代=2016年读书会合影|1200px]]

2016读书会合影留念

在2016年的暑期，她发起了“自然语言处理与深度学习”的读书会。由于她的超高人气，为了屏蔽掉一些不相关的打酱油者，我们决定采用一种预交保证金的模式来运营这一期读书会。'''所谓的保证金制度是指首先你要交一笔钱才能参加这个读书会，其次，只有当你听完读书会并达到了一定的要求，才能退还给你这笔钱。我们这样做的好处就是能够甄别出认真学习的人，并保证他们不花一分钱；二是可以给那些本不追求学术，只不过想来集智掺乎一下的吃瓜群众开放一个渠道，让他们奉献。'''

最终的效果非常好，我们不仅顺利地完成了整个读书会，而且更重要的是，我们想清楚了集智公司的盈利模式。我们就是要通过售卖与人工智能相关的课程来盈利。

== 集智AI学园 ==

思路一经缕顺，很多事情就都顺了起来。“集智AI学园”便是集智创业项目的新名字。AI道出了我们这个学园要开展的课程内容。整个2016都属于人工智能，它的降临将带来一场超过蒸汽机和互联网的全方位革命，而且很可能是人类历史上的最后一次科技革命。我们以学园为名而不是学院，它很好地说明了这个在线课堂的风格：它虽然讲的都是高深莫测的人工智能，但风格却非常的轻松活泼。

明确了创业的思路，接下来就需要有人来牵头做这件事情了，我再次将目光投向了张倩。于是，我和她深谈了很多次，每一次都动之以情晓之以理。最主要的是，集智面临这么好的机遇，这么清晰的发展路线，而且我还有集智这一大群高质量的粉丝们，我们的事业没有不成功的可能性呀。于是，她终于被我说动了，承担起了集智新公司CEO的职位。

2016年10月底，我们受邀来到了坐落于CBD地区的“京城俱乐部”。电梯坐到50层楼顶，我们便可以站在窗边纵览北京街景。据称，京城俱乐部是北京四大“有钱也进不去的俱乐部”之一，颇有名气。

[[文件:京城俱乐部.jpg|替代=京城俱乐部]]

京城俱乐部

这一天，集智俱乐部召集了十几个创业团队，与“正略书院”联合举办了“走向智能时代”的高端晚宴读书会。各个创业团队轮流上台路演，其中“集智AI学园”也在其中。张倩作为集智AI学园的代表，发表了主题演讲：

[[文件:正略书院活动合影.jpg]]

集智AI学园CEO张倩在正略书院的讲座

=== 关于集智学园的介绍 ===
2016注定是多事之秋。年初，一场人机大战敲醒了所有人类的警钟：我们并不是这个星球唯一具有卓越智力的物种。与此同时，一本名为：“神人——未来简史”（Homo dues: a brief history of tomorrow）的奇书在亚马逊网站上开始迅速走红。以色列历史学家赫拉利（Yuval Noah Harari）用优美的笔触撕下了人类最后的遮羞布：自由意志不过是人类的幻觉，AI将掌管一切，与机器融合进化为神人（Homo deus）才是智人（Homo sapiens）摆脱被淘汰命运的唯一选择。

[[文件:人类简史.png]]

也是这一年，Google、Facebook、微软、百度等公司开始了全面转型为AI优先的举动。这边，各大巨头玩了命地从各大高校挖人，全面布局自己的AI生态；那边，AI人才供给产生了巨大的缺口，刚毕业的AI博士年薪被炒到了三百万美元。

还是这一年，为了填补巨大的人才缺口，集智人义不容辞地走上了历史舞台，担当起人工智能的普及和教育这一艰巨的任务，这便是集智AI学园。作为中国历史最悠久，同时也是最活跃的一个人工智能社区，我们曾孕育出彩云天气（一款用人工智能提供个性化的天气预报的APP）创业团队，我们也见证了曹旭东冲破藩篱，一步步成长为估值750万美金的初创公司Momenta的创始人。尽管集智在全国到底有多少粉丝我们不得而知，但可以肯定的是，学者、极客、创始人、投资人、学生，所有这些人都自发、自愿地聚集在这个庞大而富有粘性的社群中。在这里，我们分享读书体验；在这里，我们一起编程玩耍；在这里，我们为“生命如何起源”这类终极问题争论不休。我们十四年如一日地坚持到今天，伴随着机器的觉醒，我们到达了爆发的临界点。

[[文件:集智俱乐部发展历史1.0版本.jpg|1200px]]

* 如果你是投资人或管理者，那么你可以在集智学园学到AI最新进展及其发展趋势；
* 如果你是技术宅，那么你可以足不出户就在这里一步步成长为AI技术大拿；
* 如果你是追踪前沿的学者，那么你可以和集智学者共同切磋，合作创造。

然而，千万不要用“培训机构”这四个字框住集智AI学园。首先，AI的快速发展已经远远超越了任何一种传统培训机构的步伐。其次，对于我们这群以打造中国的“没有围墙的研究所”为理念的集智小伙伴，我们的情怀和视野远不是“培训机构”这四个字所能涵盖的。那么，我们要怎么做呢？

==== 1、AI内容的淘宝 ====
大学本应该是快速普及AI知识的理想场所，然而，现在的她却已经被庞杂而繁琐的行政事物和教学考核所拖累，失去了大步前进的冲劲。如何快速地覆盖广大的AI知识频谱？我们的解决方案就是发动群众，让大家自学自教，形成AI内容的生态系统。

==== 2、用AI打造最牛X的个性化AI学习体验 ====
我们是AI社群，自然不会忘记用强大的AI技术武装自身。无论是课程评估，还是个性化推荐，我们终将用AI武器武装我们自己。未来的集智学园将能为你量身打造个性化的学习路径。[http://www.jianshu.com/p/6dc329782663 “乐高大学”]将成为未来学园的原型。

==== 3、打造2050新人类 ====
然而，我们的野心远不止于此。要知道，教育与学习绝不仅限于我们已知的方式。随着生物技术的进步与普及，智人将会主动地修改自己的大脑连接结构甚至基因以抗衡机器的学习速度。正如赫拉利在“未来简史”中所说，与机器融合进化为“神人”也许是智人摆脱被淘汰命运的最后途径。没错，教育的最终手段将收敛到对人类的改造！到2050年，集智学园将为每位VIP学员提供升级为神人的服务。

[[文件:走近2050——注意力、互联网与人工智能.jpg]]

集智俱乐部出版的书籍

[[文件:正略书院活动合影.jpg|替代=正略书院活动留影]]

正略书院活动留影

== 集智社群 ==
社群是一个独属于中国移动互联网时代的特有名词，它不同于国外通常说的社区（Community）或者社交媒体（Social media）。集智社群就是这样一个网络上的虚拟王国，它包含了多个城市，每个城市就是一个微信群或QQ群。

这个王国的入口就是集智俱乐部初级群（QQ群：292641157），之后你便可以选择一个可以定居的城市。这些城市包括：知识管理与注意力、智能控制、自然语言处理、计算机视觉、复杂系统与人工智能、科学游戏等等，这些都是按照学科来进行分科的。其次，还有按照功能进行分类的城市：翻译、字幕组、集智观察者、集志核、集核，等等。还有一票活动群，如：集体注意力与互联网、深度“深度学习”等等。还有按照真实地理进行划分的地方群，包括：南京群、上海群、深圳群等。

每一个群都有一个群主和群管，群主负责进人、出人等重大事项，群管则负责日常事务处理。除此之外，还有一个舵主群，所有群主和群管都在这个群中。所有这些社群的总舵主就是张倩。

自从张倩全职加入集智的运维之后，我才真正舒了一口气。张倩仿佛给集智这个笨重的铁箱装上了滚轮，我只需要稍稍推动它，它就可以按照自己的惯性往前走。我头一次真正感受到了自组织的力量，它既不需要你用蛮力去推动，也不是完全一盘散沙，我们必须要搭建出一个复杂的层级结构，这样它才可能相互联动，形成各个单元之间的非线性相互作用。

== 股权 ==
有人说，创业就是要犯错，创业者所要做的并不是避免它们的发生，而是要尽可能快速地将这些已知和未知的错误都犯一遍，从而达到快速纠正。我们的创业历程非常好地验证了这个说法。我们自从决定创业以来就在犯错，越到后来，我们的创业决心越坚定，前进的方向越明确，发展步伐越快速，我们犯的错误也随之越来越多、越来越大。

因为我嫌早期办理公司注册麻烦，就找了一家代办公司来代理，花了大概7千多。我本以为这样就可以高枕无忧了。但没想到的是，所有后续的手续，特别是法律和财务还是需要花费大量的时间。代办公司承诺找的财务人员除了三番两次打电话麻烦我们以外根本没有给我们什么帮助。沟通成本相当高，所以新公司的注册，张倩执意亲手去做。

第二个坑就是集智公司的性质，由于当时申请的时候我们自己定位的是不盈利的社会化企业，所以申办了一个“科学研究中心”，这样，它就是一个集体所有制企业。这种性质的企业有些奇葩，大家可以自行百度。总之，当我们跟外人谈起这个公司的时候，自己都觉得别扭。

最严重的错误在于股权分配。由于集智俱乐部特殊的历史原因，非常多的人曾经为她的成长作出过不可磨灭的贡献。因此，当我们转型成公司的时候，我就不得不为这些老的集智粉丝着想。正如我前文所说，我将相当一大部分股份分配给了老集核，同时还为那些做出过贡献的人预留了少量的股份，最后自己只剩下了34%的股权。而作为临时创始人的张倩也仅仅具有6％不到的股权（因为她在集智俱乐部中的资历比较低）。加入集智的第二个正式员工，有着丰富的创业公司经验的阎赫却一点股份都没有。

相反，占据了大股份的人都是那些曾为集智做过贡献的老集核。他们的付出无疑应该得到一定的回报，但是将股权作为这种回报就不合适了。我曾以非常低廉的价格将股份卖给了他们。开始还好，但是当我们的创业项目逐渐有了一些眉目的时候，就开始有越来越多的老集智找我，要求我以同样低廉的价格卖给他们可观的股份。我渐渐发现，我能出让的股份很快就没了。另外一个因素是这些老集核成员并不会参与新成立公司的经营，而创业公司股权的一个最重要作用就是激励员工。所以，我慢慢才认识到在股份分配上我已经犯下了一个很大的错误。

怎么办呢？在咨询了一些具有创业经验的人之后，我决定重新入资、分配股权。

等所有这些事情慢慢缕顺了以后，我才长出了一口气。

== 尾声 ==
这是一幢不算高的小白楼，就坐落在北京师范大学南院内，与我北师大本部仅仅一路之隔。我懒懒地坐在办公室中，让阳光尽情地倾洒在我的身上，为这寒冷的冬日增添了丝丝温暖。

我的右手边就是我们的主力程序员阎赫，他正在日以继夜地鏖战代码，争取在春节前能够把学园的网站搞定，这样我们就会有一个非常不错的平台。我的左手边是王建男，她是我们的美工加公众号小编。虽然她到北京还不到一周，但却能够很快地融入我们，融入了集智公寓，而且学东西很快。

在建男左侧的就是张倩，作为集智学园的一把手，她打理着集智社群以及集智学园的上上下下。

当然，除了这个屋子里的人，我们还有庞大的外围虚拟团队。包括集智实习生王婷，她因录制了“深度学习for小白”的视频而一炮走红；侯月源，长期潜水的资深程序员；罗淼，科学游戏的倡导者；吴迪，知识管理和注意力流社群的群主；曾凡齐，我培养的即将毕业的硕士研究生，他就像一个顺风耳，能够源源不断地给集智带来全新的资讯；张扬诚，台大EMBA，目前在集智AI学园做商务总监。

上一次的记录是[[记录集智2003-2015]]集智这两年的发展已经超过了过去12年的发展，这也暗示着集智到了指数增长时期。

希望集智会在AI的风潮中乘风破浪，开启新的篇章。

== 编者推荐 ==
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(1)%E2%80%94%E2%80%94%E4%BB%8E%E5%A4%8D%E6%9D%82%E5%88%B0%E7%94%9F%E5%91%BD 生命之流(1)——从复杂到生命]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(2)%E2%80%94%E2%80%94%E7%94%9F%E5%91%BD%E8%87%AA%E4%B8%BB%E4%BD%93%E7%AE%80%E5%8F%B2 生命之流(2)——生命自主体简史]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(3)%E2%80%94%E2%80%94%E8%BF%87%E5%8E%BB%E4%B8%8E%E6%9C%AA%E6%9D%A5%E5%9C%A8%E7%8E%B0%E5%9C%A8%E7%9B%B8%E9%81%87 生命之流(3)——过去与未来在现在相遇]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(3)%E2%80%94%E2%80%94%E7%89%9B%E9%A1%BF%E5%8A%9B%E5%AD%A62.0 生命之流(3)——牛顿力学2.0]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(4)%E2%80%94%E2%80%94%E7%83%AD%E9%87%8F%E4%B8%AD%E7%9A%84%E6%97%B6%E9%97%B4%E4%B9%8B%E7%AE%AD 生命之流(4)——热量中的时间之箭]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(5)%E2%80%94%E2%80%94%E8%BF%9E%E6%8E%A5%E4%B8%8A%E5%B8%9D%E7%9A%84%E7%BA%BD%E5%B8%A6-%E7%86%B5 生命之流(5)——连接上帝的纽带-熵]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(6)%E2%80%94%E2%80%94%E7%B3%BB%E7%BB%9F%E4%B9%8B%E6%B5%81 生命之流(6)——系统之流]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(7)%E2%80%94%E2%80%94%E6%B5%81%E5%8A%A8%E4%B8%8E%E6%97%B6%E9%97%B4%E7%9A%84%E8%B5%9B%E8%B7%91 生命之流(7)——流动与时间的赛跑]
*[https://wiki.swarma.org/index.php%3Ftitle=%E8%B5%B0%E8%BF%912050 走近2050]
*[https://wiki.swarma.org/index.php%3Ftitle=Jake jake]

张老师记录的从2003年-2016年的故事，他简单的记录了一下~2003-2015年的故事：

[[记录集智2003-2015]]

[[记录集智2015-2016 --超越与重生]]

[[记录集智2017-2021]]

[[Category:集智相关]]

集智百科周会纪要

2024-05-21T07:48:12Z

18810648466：

集智百科的目标是做复杂性科学领域科学、全面、客观的百科全书。我们的宗旨是“知识从我而来，问题到我为止”。我们认为词条是为大家提供最科学、专业、准确的知识，帮助大家快速了解某一个知识概念，所以我们非常追求词条的准确性和专业性。而复杂科学是跨学科性最强的学科之一，涉及了非常多不同的学科和概念，对这些非常概念的掌握，需要每个专业内的学生和老师来共同把关。

[[集智百科运营周报]]

== 会议纪要 ==

=== 06.13 ===

* 完成集智百科志愿者招募宣讲会 https://campus.swarma.org/course/4572
* 本季度积分反馈（三月至六月）
** 自有团队-2675
** 神经动力学读书会-630

* 运维工作进度-维护升级

=== 05.30 ===

* '''五月累积完成（审校29条，编辑12条）'''

=== 05.16 ===

* 五月上半月完成词条
* 生产闭环反馈，收集表单
** [https://wj.qq.com/s2/10184738/c973/ 因果涌现读书会老师词条收集表单]
** [https://wj.qq.com/s2/10185681/3949 读书会期间长期面向大家收集词源]
* 运维招募以及工作计划落实

=== 04.29 ===

* '''四月累计完成（审校30条，编辑10条）'''
* 百科按需生产闭环的工作需要落实
** 词源方-提出需求+反馈
** 志愿者-积分制度+激励反馈
** 反馈机制-志愿者以及词源方的闭环
* 相应的工具的开发（信息收集，反馈机制）

=== 04.11 ===

* 完成词条展示（审校5条，编辑5条）
* 运维完成工作
** 修复图片无法上传的工作
** 招募运维志愿者需要扩大社区
* Netlogo词条工作需要更多讨论确认需求
** 大标题确认
** 词条名称（暂定英文名称，后期中文重定向）
** 志愿者来源（神经动力学读书会）
[[Category:集智相关]]

志愿者入门指南

2024-05-21T07:47:34Z

18810648466：

首先感谢您成为集智百科志愿者。了解更多集智俱乐部：[[集智俱乐部]]

== 如何参与集智百科项目？ ==

集智百科是集智俱乐部社区的一个知识性产品，主要的目的是为了打造复杂性科学领域最全面、科学、客观的百科全书。

集智百科的生产依然采用集智俱乐部传统且高效的模式：众包生产。希望依靠社区的力量，吸引一批对知识本身，知识分享，知识整理感兴趣的朋友，一同完成这项万古长青的事业。

*第一步：注册百科账号，完善百科个人主页。参考[[编辑规范]]，同时在这个页面可以查看已有小伙伴的个人主页。[https://wiki.swarma.org/index.php?from=&to=&namespace=2&title=%E7%89%B9%E6%AE%8A%3A%E6%89%80%E6%9C%89%E9%A1%B5%E9%9D%A2 百科志愿者用户]

*第二步：在[[入门任务清单]]中选择任意一本书籍或者任意一个人物，按照书籍和人物模板为其建立百科主页。如果您有推荐的书籍或者人物，可以跟负责人确认，是否可以增加。

*第三步：联系负责人，领取每周任务，并更新积分，可见[[集智百科荣誉榜]]。

== 新建词条的生产流程 ==

*第一步：选择翻译的词条

*第二步：新建词条，粘贴复制原译文

*第三步：在对应的英文下翻译

*第四步：提交审校

*第五步：提交编辑

*第六步：提供负责人

== 待建词条列表和领域 ==

我们列出了30个小领域及其相关的12个左右的词条，这是第一个阶段的目标词条。[https://pattern.swarma.org/overview/#/ 复杂性科学概览图]

为了方便大家编辑，更加专注在内容生产，我们通过彩云小译，对词条进行了翻译，在这个列表下面是由彩云小译翻译的词条，未经人工审核，如果有你感兴趣的词条，欢迎跟负责人认领词条，或者直接在对应的页面进行编辑。[https://wiki.swarma.org/index.php?title=%E5%88%86%E7%B1%BB:%E5%BE%85%E6%95%B4%E7%90%86%E9%A1%B5%E9%9D%A2&action=edit&redlink=1 待整理页面]

== 已经建立好的词条列表 ==

在这个页面，是我们已经建立好的词条清单和列表。[https://wiki.swarma.org/index.php?title=%E9%9B%86%E6%99%BA%E7%99%BE%E7%A7%91%E8%8D%A3%E8%AA%89%E6%A6%9C 集智百科已完善词条列表]

[[Category:集智相关]]

自生成结构读书会词条梳理

2024-05-21T07:47:04Z

18810648466：

== 自生成结构读书会简介 ==
为了更深入的认识复杂活系统的自生成结构，集智科学家小木球(仇玮祎)联合周理乾、王东、董达、刘宇、苑明理、傅渥成、章彦博等科学哲学、计算机科学、物理学和生物化学等学科的一线研究者共同发起，与集智俱乐部一同组织共三季《自生成结构系列读书会》。

本系列读书会希望通过交流与共同学习，追寻不同学科中与自指相关的理论前沿，以“自生成结构”为核心建立跨学科共识，通过辨析主体涌现与分布式涌现在复杂活系统形成中的角色，探索对自指与自生成结构的定性认识和定量刻画方法，探索对生命及类生命的活系统复杂性的全新认识。

读书会的目标为：1.共性与定义；2.描述与刻画；3.复杂性度量。

按照该目标，「自生成结构」读书会将分为三季，以探讨生命复杂系统/类生命系统的“自生成结构”为核心，初步按照以下框架发起读书会。三季读书会均在线上进行，预期将持续一年左右。

* '''第一季：共识'''——自生成结构与自复制自动机的研究背景
** 背景与共识
** 自复制自动机理论
* '''第二季：结构'''——自指与自生成结构的定性理论
** 自指与自催化
** 自指与自创生
** 自指与自我意识
* '''第三季：计算'''——对涌现和自生成结构的定量刻画
** 复杂性度量——涌现和层级的度量
** 复杂性度量——基于主体的复杂性度量

若想进一步了解读书会，请点击[https://swarma.org/?p=29430 自生成结构读书会启动：剖解生命、意识与智能的核心结构]进一步了解详情。

== 项目目标 ==

* 梳理自生成结构读书会中所属领域相关的重要知识概念，为初学者提供更好的认知地图
* 促进自生成结构读书会所属领域的概念统一和对齐，达成共识
* 跟随讲者的报告内容，定制化产出与报告内容紧密相连的重要概念，做精品词条的同时也给读书会成员提供预习资料
* 不批量产生词条，生产比较精品高质量的词条

== 项目背景 ==
该项目为自生成结构系列读书会的沉淀产物。希望能够通过对自生成结构读书会中重要概念的梳理，沉淀出自生成结构读书会中探讨的问题中所涉及到的重要概念地图。

=== 词条来源 ===
该项目的词条来源由自生成结构读书会的发起人小木球（仇玮祎）、相关讲者刘宇、孟庆业提供。

== 待建立词库 ==
{| class="wikitable" width="100%;text-align:center;"
|- style="height:30px"
! scope="col" style="width:30%" |词条中文
!词条英文
! scope="col" style="width:20%" |对应wiki链接
!参考文献
|-
|[[生命]]
|Life
|https://en.wikipedia.org/wiki/Life
|
|-
|[[自创生生成论]]
|Enactivism
|https://en.wikipedia.org/wiki/Enactivism
|De Jesus, Paulo. 2016. Autopoietic enactivism, phenomenology and the deep continuity between life and mind. Phenomenology and the Cognitive Sciences, 15(2), pp. 265-289.
|-
|[[生物符号学]]
|Biosemiotics
|<nowiki>https://en.wikipedia.org/wiki/Biosemiotics</nowiki>
|Barbieri, M. Biosemiotics: a new understanding of life. Naturwissenschaften 95, 577–599 (2008). <nowiki>https://doi.org/10.1007/s00114-008-0368-x</nowiki>
|-
|[[机制]]
|Mechanism (engineering)
|https://en.wikipedia.org/wiki/Mechanism_(engineering)
|
|-
|[[海森堡不确定性原理]]
|Uncertainty principle
|https://en.wikipedia.org/wiki/Uncertainty_principle
|W. Heisenberg, Über quantentheoretishe Umdeutung kinematisher und mechanischer Beziehungen, Zeitschrift für Physik, 33, 879-893, 1925 (received July 29, 1925). [English translation in: B. L. van der Waerden, editor, Sources of Quantum Mechanics (Dover Publications, 1968)；
史蒂芬·霍金，《时间简史》，第4章不确定性原理
|-
|[[量子不可克隆定理]]
|No-cloning theorem
|https://en.wikipedia.org/wiki/No-cloning_theorem
|W.K. Wootters, W.H.Zurek, A single quantum cannot be cloned, Nature, 299, 802-803 (1982)
|-
|[[量子互文性]]
|Quantum contextuality
|https://en.wikipedia.org/wiki/Quantum_contextuality
|Zhen-Peng Xu, Jing-Ling Chen, Otfried Gühne, Proof of the Peres Conjecture for Contextuality, <nowiki>https://arxiv.org/pdf/2001.07656v1.pdf</nowiki>
|-
|[[KS定理]]
|Kochen–Specker theorem
|https://en.wikipedia.org/wiki/Kochen%E2%80%93Specker_theorem
|S. Kochen，E.P. Specker, The Problem of Hidden Variables in Quantum Mechanics, J. Math. Mech. 17, 59 (1967)
|-
|[[诺特定理]]
|Noether's theorem
|https://en.wikipedia.org/wiki/Noether%27s_theorem
|Emmy Noether, Invariant Variation Problems, （M.A. 翻译）<nowiki>https://arxiv.org/pdf/physics/0503066v3.pdf</nowiki>
|-
|[[基于物理学的神经网络]]
|Physics-informed neural networks
|https://en.wikipedia.org/wiki/Physics-informed_neural_networks
|von Rueden, L., Mayer, S., Beckh, K., Georgiev, B., Giesselbach, S., Heese, R., Kirsch, B., Pfrommer, J., Pick, A., Ramamurthy, R., Walczak, M., Garcke, J., Bauckhage, C., Schuecker, J., 2021. Informed Machine Learning -- A Taxonomy and Survey of Integrating Knowledge into Learning Systems. IEEE Trans. Knowl. Data Eng. 1–1. <nowiki>https://doi.org/10.1109/TKDE.2021.3079836</nowiki>
|-
|[[符号回归]]
|Symbolic regression
|<nowiki>https://en.wikipedia.org/wiki/Symbolic_regression</nowiki>
|
|-
|[[机器学习的可解释性]]
|Explainable artificial intelligence
|https://en.wikipedia.org/wiki/Explainable_artificial_intelligence
|<nowiki>https://www.quantamagazine.org/been-kim-is-building-a-translator-for-artificial-intelligence-20190110/</nowiki>
|-
|[[哥德尔不完备定理]]
|Gödel's incompleteness theorems
|[[wikipedia:Gödel's_incompleteness_theorems|<nowiki>https://en.wikipedia.org/wiki/Gödel%27s_incompleteness_theorems</nowiki>]]
|https://en.wikipedia.org/wiki/Gödel%27s_incompleteness_theorems
|-
|[[模拟计算机]]
|Analog computer
|<nowiki>https://en.wikipedia.org/wiki/Analog_computer</nowiki>
|https://en.wikipedia.org/wiki/Analog_computer
|-
|[[洛尼雅]]
|Lenia
|https://en.wikipedia.org/wiki/Lenia
|[[wikipedia:Lenia|https://chakazul.github.io/lenia.html]]
|-
|[[自我反省]]
|Self-reflection
|<nowiki>https://en.wikipedia.org/wiki/Self-reflection</nowiki>
|
|-
|[[通用构造器]]
|Von Neumann universal constructor
|<nowiki>https://en.wikipedia.org/wiki/Von_Neumann_universal_constructor</nowiki>
|
|-
|[[自复制机器]]
|Self-replicating machine
|<nowiki>https://en.wikipedia.org/wiki/Self-replicating_machine</nowiki>
|
|-
|[[自重构模块化机器人]]
|Self-reconfiguring modular robot
|<nowiki>https://en.wikipedia.org/wiki/Self-reconfiguring_modular_robot</nowiki>
|
|-
|[[灰蛊]]
|Gray goo
|<nowiki>https://en.wikipedia.org/wiki/Gray_goo</nowiki>
|
|-
|[[数理生物学]]
|Mathematical and theoretical biology
|<nowiki>https://en.wikipedia.org/wiki/Mathematical_and_theoretical_biology</nowiki>
|
|-
|[[物理系统中的计算]]
|Computation
|
|1.https://en.wikipedia.org/wiki/Computation
2.<nowiki>https://plato.stanford.edu/entries/computation-physicalsystems/</nowiki>
|-
|
|ALiEn
|
|<nowiki>https://alien-project.org</nowiki>
|-
|目的动力学
|Teleodynamics
|
|<nowiki>https://iaisae.org/wp-content/uploads/w117.pdf，Terrence</nowiki> Deacon. " Teleodynamics: Specifying the Dynamical Principles of Intrinsically End-Directed Processes ". Preprint. Superior, CO: International Association for the Integration of Science and Engineering (IAISAE). IAISAE/CP-T2020-W117.
|}

== 志愿者任务领取词库 ==
如您想领取词条，请在“未领取”栏下选取自己感兴趣的词条，点击进入该词条，点击“编辑”，在最上面写入“该词条由xxx于何时领取，预计于何时完成”

<nowiki>##</nowiki>能不能让以后爬取页面时在最开头加上该词条的wiki原文链接
{| class="wikitable" width="100%;text-align:center;"
|-style="height:30px"
! scope='col' style='width:30%' |词条
!scope='col' style='width:20%' |认领人
!scope='col' style='width:25%' |参考文献
!scope='col' style='width:25%;' |认领时间
|-
|[[自创生生成论]]
|
|De Jesus, Paulo. 2016. Autopoietic enactivism, phenomenology and the deep continuity between life and mind. Phenomenology and the Cognitive Sciences, 15(2), pp. 265-289.
|
|-
|[[海森堡不确定性原理]]
|
|
|
|-
|[[哥德尔机]]
|
|
|
|-
|[[Crooks涨落定理]]
|
|
|
|-
|[[AIXI模型]]
|
|
|
|-
|[[耗散适应理论]]
|曹洋昆
|
|
|-
|[[受限生成过程]]
|曹洋昆
|
|
|-
|[[P/NP问题]]
|周浩杰
|
|
|-
|[[Protocell]]
|周扬凯
|
|
|-
|[[化学组织理论]]
|周扬凯
|
|
|-
|[[RNA世界]]
|周扬凯
|
|
|-
|[[最大功率原理]]
|孙小滢
|
|
|-
|[[共同演化]]
|Danny
|
|
|-
|[[霍德・利普森]]
|孙小滢
|
|}

== 负责人审核词库 ==
{| class="wikitable" width="100%;text-align:center;"
|- style="height:30px"
! scope="col" style="width:30%" |词条
!负责人
! scope="col" style="width:20%" |审核人
! scope="col" style="width:25%" |审核意见
!完成情况
|-
|[[艾伦·图灵]]
|范星辰
|李欣儒
|更新人物简历，完善段落标题翻译，记得翻译图注，再次通读
|
|-
|[[图灵停机问题]]
|范星辰
|李欣儒
|完善段落标题翻译，记得see also部分，再次通读
|
|-
|[[还原论]]
|
|鲍英铄
|高亮部分第一处重新翻译，第二处统一人名翻译
|
|-
|P/NP
|周浩杰
|鲍英铄
|建议将字母统一大写，完善标题翻译
|
|-
|[[受限生成过程]]
|曹洋昆
|鲍英铄
|高亮部分重新翻译，完善标题翻译
|
|}

== 编辑排版词库 ==
{| class="wikitable" width="100%;text-align:center;"
|-style="height:30px"
! scope='col' style='width:30%' |词条
!scope='col' style='width:20%' |认领人
!scope='col' style='width:25%' |认领时间
!scope='col' style='width:25%;' |完成时间
|-
|[[XNA]]
|薄荷
|2022.04.16
|2022.04.17
|-
|[[自催化集合]]
|薄荷
|2022.04.04
|2022.04.04
|-
|[[人工化学]]
|薄荷
|2022.04.04
|2022.04.04
|}

== 专家审核词库 ==
{| class="wikitable" width="100%;text-align:center;"
|- style="height:30px"
! scope="col" style="width:30%" |词条
! scope="col" style="width:20%" |审核人
! scope="col" style="width:25%" |审核情况
|-
|[[罗伯特罗森]]
|董达
|
|-
|[[自复制自动机]]
|
|
|-
|[[生态位]]
|孟庆业
|
|-
|[[人工细胞]]
|刘宇
|
|-
|[[考夫曼]]
|仇玮祎
|
|}

== 可完善词条成果 ==
{| class="wikitable" width="100%;text-align:center;"
|- style="height:30px"
! scope="col" style="width:30%" |词条中文
!词条英文
! scope="col" style="width:20%" |对应wiki链接
!参考文献
|-
|[[自由能原理]]
|Free energy principle
|https://en.wikipedia.org/wiki/Free_energy_principle
|Karl Friston. " Free energy principle: a rough guide to brain". Trends in Cognitive Science, vol 13, No. 7: 293-301. <nowiki>https://www.fil.ion.ucl.ac.uk/~karl/The%20free-energy%20principle%20-%20a%20rough%20guide%20to%20the%20brain.pdf</nowiki>
|-
|[[自由意志定理 Free Will Theorem]]
|Free will theorem
|https://en.wikipedia.org/wiki/Free_will_theorem
|John Conway, Simon Kochen, the free will theorem, <nowiki>https://arxiv.org/pdf/quant-ph/0604079v1.pdf；</nowiki>
唐先一，张志林，《量子力学中的自由意志定理》, Philosophical Analysis, Vol 7, No. 5
|-
|[[三体问题]]
|Three-body problem
|https://en.wikipedia.org/wiki/Three-body_problem
|[法]庞加莱，《天体力学新方法》；
Milovan Suvakov, V. Dmitrasinovic, Three Classes of Newtonian Three-Body Planar Periodic Orbits
|-
|[[约翰·冯·诺依曼 John von Neumann]]
|John von Neumann
|<nowiki>https://en.wikipedia.org/wiki/John_von_Neumann</nowiki>
|
|-
|[[自动机器学习]]
|Automated machine learning
|<nowiki>https://en.wikipedia.org/wiki/Automated_machine_learning</nowiki>
|
|-
|[[工作记忆]]
|Working memory
|<nowiki>https://en.wikipedia.org/wiki/Working_memory</nowiki>
|
|-
|[[自动机理论]]
|Automata theory
|<nowiki>https://en.wikipedia.org/wiki/Automata_theory</nowiki>
|
|}
== 志愿者名单 ==
[[用户:AvecSally|AvecSally]]

https://wiki.swarma.org/index.php/%E7%94%A8%E6%88%B7:AvecSally
[[Category:集智相关]]

Google 机器学习术语表——初学 AI 必备资料

2024-05-21T07:43:23Z

18810648466：

[[File:初学1.jpg]]
<br /><br />
本术语表中列出了一般的机器学习术语和 TensorFlow 专用术语的定义。
<br />
转载自谷歌 https://developers.google.cn/machine-learning/glossary/?hl=zh-CN

==A==

===A/B 测试 (A/B testing)===

一种统计方法，用于将两种或多种技术进行比较，通常是将当前采用的技术与新技术进行比较。A/B 测试不仅旨在确定哪种技术的效果更好，而且还有助于了解相应差异是否具有显著的统计意义。A/B 测试通常是采用一种衡量方式对两种技术进行比较，但也适用于任意有限数量的技术和衡量方式。

===准确率 (accuracy)===

'''分类模型'''的正确预测所占的比例。在'''多类别分类'''中，准确率的定义如下：
<br />
准确率=正确的预测数/样本总数
<br />
在'''二元分类'''中，准确率的定义如下：
<br />
准确率=（真正例数+真负例数）/样本总数
<br />
请参阅'''真正例'''和'''真负例'''。

===激活函数 (activation function)===

一种函数（例如'''ReLU '''或 '''S'''型函数），用于对上一层的所有输入求加权和，然后生成一个输出值（通常为非线性值），并将其传递给下一层。

===AdaGrad===
一种先进的梯度下降法，用于重新调整每个参数的梯度，以便有效地为每个参数指定独立的'''学习速率'''。

===ROC 曲线下面积 (AUC, Area under the ROC Curve)===

一种会考虑所有可能分类阈值的评估指标。
<br />
ROC 曲线下面积是，对于随机选择的正类别样本确实为正类别，以及随机选择的负类别样本为正类别，分类器更确信前者的概率。

==B==

===反向传播算法 (backpropagation)===
<br />
在'''神经网络'''上执行'''梯度下降法'''的主要算法。该算法会先按前向传播方式计算（并缓存）每个节点的输出值，然后再按反向传播遍历图的方式计算损失函数值相对于每个参数的偏导数。

===基准 (baseline)===

一种简单的'''模型'''或启发法，用作比较模型效果时的参考点。基准有助于模型开发者针对特定问题量化最低预期效果。

===批次 (batch)===

'''模型训练'''的一次'''迭代'''（即一次'''梯度'''更新）中使用的样本集。

另请参阅'''批次规模'''。

===批次规模 (batch size)===

一个'''批次'''中的样本数。例如，'''SGD '''的批次规模为 1，而'''小批次'''的规模通常介于 10 到 1000 之间。批次规模在训练和推断期间通常是固定的；不过，TensorFlow 允许使用动态批次规模。

===偏差 (bias)===

距离原点的截距或偏移。偏差（也称为'''偏差项'''）在机器学习模型中以 b 或 w0 表示。例如，在下面的公式中，偏差为 b：

y′=b+w1x1+w2x2+…wnxn

请勿与预测偏差混淆。

===二元分类 (binary classification)===

一种分类任务，可输出两种互斥类别之一。例如，对电子邮件进行评估并输出“垃圾邮件”或“非垃圾邮件”的机器学习模型就是一个二元分类器。

===分箱 (binning)===

请参阅'''分桶'''。

===分桶 (bucketing)===

将一个特征（通常是'''连续'''特征）转换成多个二元特征（称为桶或箱），通常是根据值区间进行转换。例如，您可以将温度区间分割为离散分箱，而不是将温度表示成单个连续的浮点特征。假设温度数据可精确到小数点后一位，则可以将介于 0.0 到 15.0 度之间的所有温度都归入一个分箱，将介于 15.1 到 30.0 度之间的所有温度归入第二个分箱，并将介于 30.1 到 50.0 度之间的所有温度归入第三个分箱。

==C==

===校准层 (calibration layer)===

一种预测后调整，通常是为了降低'''预测偏差'''。调整后的预测和概率应与观察到的标签集的分布一致。

===候选采样 (candidate sampling)===

一种训练时进行的优化，会使用某种函数（例如 softmax）针对所有正类别标签计算概率，但对于负类别标签，则仅针对其随机样本计算概率。例如，如果某个样本的标签为“小猎犬”和“狗”，则候选采样将针对“小猎犬”和“狗”类别输出以及其他类别（猫、棒棒糖、栅栏）的随机子集计算预测概率和相应的损失项。这种采样基于的想法是，只要'''正类别'''始终得到适当的正增强，'''负类别'''就可以从频率较低的负增强中进行学习，这确实是在实际中观察到的情况。候选采样的目的是，通过不针对所有负类别计算预测结果来提高计算效率。

===分类数据 (categorical data)===

一种'''特征'''，拥有一组离散的可能值。以某个名为 house style 的分类特征为例，该特征拥有一组离散的可能值（共三个），即 Tudor, ranch, colonial。通过将 house style 表示成分类数据，相应模型可以学习 Tudor、ranch 和 colonial 分别对房价的影响。

有时，离散集中的值是互斥的，只能将其中一个值应用于指定样本。例如，car maker分类特征可能只允许一个样本有一个值 (Toyota)。在其他情况下，则可以应用多个值。一辆车可能会被喷涂多种不同的颜色，因此，car color 分类特征可能会允许单个样本具有多个值（例如 red 和 white）。

分类特征有时称为'''离散特征'''。

与'''数值数据'''相对。

===检查点 (checkpoint)===

一种数据，用于捕获模型变量在特定时间的状态。借助检查点，可以导出模型'''权重'''，跨多个会话执行训练，以及使训练在发生错误之后得以继续（例如作业抢占）。请注意，'''图'''本身不包含在检查点中。

===类别 (class)===

为标签枚举的一组目标值中的一个。例如，在检测垃圾邮件的'''二元分类'''模型中，两种类别分别是“垃圾邮件”和“非垃圾邮件”。在识别狗品种的'''多类别分类'''模型中，类别可以是“贵宾犬”、“小猎犬”、“哈巴犬”等等。

===分类不平衡的数据集 (class-imbalanced data set)===

一种'''二元分类'''问题，在此类问题中，两种类别的'''标签'''在出现频率方面具有很大的差距。例如，在某个疾病数据集中，0.0001 的样本具有正类别标签，0.9999 的样本具有负类别标签，这就属于分类不平衡问题；但在某个足球比赛预测器中，0.51 的样本的标签为其中一个球队赢，0.49 的样本的标签为另一个球队赢，这就不属于分类不平衡问题。

===分类模型 (classification model)===

一种机器学习模型，用于区分两种或多种离散类别。例如，某个自然语言处理分类模型可以确定输入的句子是法语、西班牙语还是意大利语。请与'''回归模型'''进行比较。

===分类阈值 (classification threshold)===

一种标量值条件，应用于模型预测的得分，旨在将'''正类别'''与'''负类别'''区分开。将'''逻辑回归'''结果映射到'''二元分类'''时使用。以某个逻辑回归模型为例，该模型用于确定指定电子邮件是垃圾邮件的概率。如果分类阈值为 0.9，那么逻辑回归值高于 0.9 的电子邮件将被归类为“垃圾邮件”，低于 0.9 的则被归类为“非垃圾邮件”。

===协同过滤 (collaborative filtering)===

根据很多其他用户的兴趣来预测某位用户的兴趣。协同过滤通常用在推荐系统中。

===混淆矩阵 (confusion matrix)===

一种 NxN 表格，用于总结'''分类模型'''的预测成效；即标签和模型预测的分类之间的关联。在混淆矩阵中，一个轴表示模型预测的标签，另一个轴表示实际标签。N 表示类别个数。在'''二元分类'''问题中，N=2。例如，下面显示了一个二元分类问题的混淆矩阵示例：

[[File:初学111.png]]
<br /><br />

上面的混淆矩阵显示，在 19 个实际有肿瘤的样本中，该模型正确地将 18 个归类为有肿瘤（18 个真正例），错误地将 1 个归类为没有肿瘤（1 个假负例）。同样，在 458 个实际没有肿瘤的样本中，模型归类正确的有 452 个（452 个真负例），归类错误的有 6 个（6 个假正例）。

多类别分类问题的混淆矩阵有助于确定出错模式。例如，某个混淆矩阵可以揭示，某个经过训练以识别手写数字的模型往往会将 4 错误地预测为 9，将 7 错误地预测为 1。混淆矩阵包含计算各种效果指标（包括精确率和召回率）所需的充足信息。

===连续特征 (continuous feature)===

一种浮点特征，可能值的区间不受限制。与'''离散特征'''相对。

===收敛 (convergence)===

通俗来说，收敛通常是指在训练期间达到的一种状态，即经过一定次数的迭代之后，训练损失和验证损失在每次迭代中的变化都非常小或根本没有变化。也就是说，如果采用当前数据进行额外的训练将无法改进模型，模型即达到收敛状态。在深度学习中，损失值有时会在最终下降之前的多次迭代中保持不变或几乎保持不变，暂时形成收敛的假象。

另请参阅'''早停法'''。

另请参阅 Boyd 和 Vandenberghe 合著的 Convex Optimization（《凸优化》）。

===凸函数 (convex function)===

一种函数，函数图像以上的区域为'''凸集'''。典型凸函数的形状类似于字母'''U'''。例如，以下都是凸函数：
<br />
[[File:初学呀2.png]]
<br /><br />
相反，以下函数则不是凸函数。请注意图像上方的区域如何不是凸集：
<br />
[[File:初学3.jpg]]
<br /><br />
'''严格凸函数'''只有一个局部最低点，该点也是全局最低点。经典的 U 形函数都是严格凸函数。不过，有些凸函数（例如直线）则不是这样。

很多常见的'''损失函数'''（包括下列函数）都是凸函数：

'''*L2 损失函数'''
'''*对数损失函数'''
'''*L1 正则化'''
'''*L2 正则化'''

'''梯度下降法'''的很多变体都一定能找到一个接近严格凸函数最小值的点。同样，'''随机梯度下降法'''的很多变体都有很高的可能性能够找到接近严格凸函数最小值的点（但并非一定能找到）。

两个凸函数的和（例如 L2 损失函数 + L1 正则化）也是凸函数。

'''深度模型'''绝不会是凸函数。值得注意的是，专门针对'''凸优化'''设计的算法往往总能在深度网络上找到非常好的解决方案，虽然这些解决方案并不一定对应于全局最小值。

===凸优化 (convex optimization)===

使用数学方法（例如'''梯度下降法'''）寻找'''凸函数'''最小值的过程。机器学习方面的大量研究都是专注于如何通过公式将各种问题表示成凸优化问题，以及如何更高效地解决这些问题。

如需完整的详细信息，请参阅 Boyd 和 Vandenberghe 合著的 Convex Optimization（《凸优化》）。

===凸集 (convex set)===

欧几里得空间的一个子集，其中任意两点之间的连线仍完全落在该子集内。例如，下面的两个图形都是凸集：
<br />
[[File:初学4.png]]
<br /><br />
相反，下面的两个图形都不是凸集：
<br />
[[File:初学5.png]]
<br /><br />
===成本 (cost)===

是'''损失'''的同义词。

===交叉熵 (cross-entropy)===

'''对数损失函数向多类别分类问题'''进行的一种泛化。交叉熵可以量化两种概率分布之间的差异。另请参'''阅困惑度'''。

===自定义 Estimator (custom Estimator)===

您按照这些说明自行编写的 '''Estimator'''。

与'''预创建的 Estimator''' 相对。

==D==

===数据集 (data set)===

一组'''样本'''的集合。

===Dataset API (tf.data)===

一种高级别的 TensorFlow API，用于读取数据并将其转换为机器学习算法所需的格式。tf.data.Dataset 对象表示一系列元素，其中每个元素都包含一个或多个'''张量'''。tf.data.Iterator 对象可获取 Dataset 中的元素。

如需详细了解 Dataset API，请参阅《TensorFlow 编程人员指南》中的导入数据。

===决策边界 (decision boundary)===

在'''二元分类'''或'''多类别分类'''问题中，模型学到的类别之间的分界线。例如，在以下表示某个二元分类问题的图片中，决策边界是橙色类别和蓝色类别之间的分界线：
<br />
[[File:初学6.png]]
<br /><br />
===密集层 (dense layer)===

是'''全连接层'''的同义词。

===深度模型 (deep model)===

一种'''神经网络'''，其中包含多个'''隐藏层'''。深度模型依赖于可训练的非线性关系。

与宽度模型相对。

===密集特征 (dense feature)===

一种大部分数值是非零值的'''特征'''，通常是一个浮点值'''张量'''。参照'''稀疏特征'''。

===衍生特征(derived feature)===

是'''合成特征'''的同义词。

===离散特征 (discrete feature)===

一种'''特征'''，包含有限个可能值。例如，某个值只能是“动物”、“蔬菜”或“矿物”的特征便是一个离散特征（或分类特征）。与'''连续特征'''相对。

===丢弃正则化 (dropout regularization)===

一种形式的'''正则化'''，在训练'''神经网络'''方面非常有用。丢弃正则化的运作机制是，在神经网络层的一个梯度步长中移除随机选择的固定数量的单元。丢弃的单元越多，正则化效果就越强。这类似于训练神经网络以模拟较小网络的指数级规模集成学习。如需完整的详细信息，请参阅 Dropout: A Simple Way to Prevent Neural Networks from Overfitting（《丢弃：一种防止神经网络过拟合的简单方法》）。

===动态模型 (dynamic model)===

一种'''模型'''，以持续更新的方式在线接受训练。也就是说，数据会源源不断地进入这种模型。

==E==

===早停法 (early stopping)===

一种'''正则化'''方法，涉及在训练损失仍可以继续减少之前结束模型训练。使用早停法时，您会在基于'''验证数据集'''的损失开始增加（也就是'''泛化'''效果变差）时结束模型训练。

===嵌套 (embeddings)===

一种分类特征，以连续值特征表示。通常，嵌套是指将高维度向量映射到低维度的空间。例如，您可以采用以下两种方式之一来表示英文句子中的单词：

*表示成包含百万个元素（高维度）的'''稀疏向量'''，其中所有元素都是整数。向量中的每个单元格都表示一个单独的英文单词，单元格中的值表示相应单词在句子中出现的次数。由于单个英文句子包含的单词不太可能超过 50 个，因此向量中几乎每个单元格都包含 0。少数非 0 的单元格中将包含一个非常小的整数（通常为 1），该整数表示相应单词在句子中出现的次数。
*表示成包含数百个元素（低维度）的'''密集向量'''，其中每个元素都包含一个介于 0 到 1 之间的浮点值。这就是一种嵌套。

在 TensorFlow 中，会按'''反向传播损失'''训练嵌套，和训练'''神经网络'''中的任何其他参数时一样。

===经验风险最小化 (ERM, empirical risk minimization)===

用于选择可以将基于训练集的损失降至最低的模型函数。与'''结构风险最小化'''相对。

===集成学习 (ensemble)===

多个'''模型'''的预测结果的并集。您可以通过以下一项或多项来创建集成学习：

*不同的初始化
*不同的'''超参数'''
*不同的整体结构

深度模型和宽度模型属于一种集成学习。

===周期 (epoch)===

在训练时，整个数据集的一次完整遍历，以便不漏掉任何一个样本。因此，一个周期表示（N/'''批次规模'''）次训练'''迭代'''，其中 N 是样本总数。

===Estimator===

tf.Estimator 类的一个实例，用于封装负责构建 TensorFlow 图并运行 TensorFlow 会话的逻辑。您可以创建自己的'''自定义 Estimator'''（如需相关介绍，请点击此处），也可以将其他人'''预创建的 Estimator''' 实例化。

===样本 (example)===

数据集的一行。一个样本包含一个或多个'''特征'''，此外还可能包含一个'''标签'''。另请参阅有'''标签样本'''和'''无标签样本'''。

F

===假负例 (FN, false negative)===

被模型错误地预测为'''负类别'''的样本。例如，模型推断出某封电子邮件不是垃圾邮件（负类别），但该电子邮件其实是垃圾邮件。

===假正例 (FP, false positive)===

被模型错误地预测为'''正类别'''的样本。例如，模型推断出某封电子邮件是垃圾邮件（正类别），但该电子邮件其实不是垃圾邮件。

===假正例率（false positive rate, 简称 FP 率===

'''ROC 曲线'''中的 x 轴。FP 率的定义如下：

假正例率=假正例数/假正例数+真负例数

===特征 (feature)===

在进行'''预测'''时使用的输入变量。

===特征列 (FeatureColumns)====

一组相关特征，例如用户可能居住的所有国家/地区的集合。样本的特征列中可能包含一个或多个特征。

TensorFlow 中的特征列内还封装了元数据，例如：

*特征的数据类型
*特征是固定长度还是应转换为嵌套

特征列可以包含单个特征。

“特征列”是 Google 专用的术语。特征列在 Yahoo/Microsoft 使用的 VW 系统中称为“命名空间”，也称为场。

===特征组合 (feature cross)===

通过将单独的特征进行组合（相乘或求笛卡尔积）而形成的'''合成特征'''。特征组合有助于表示非线性关系。

===特征工程 (feature engineering)===

指以下过程：确定哪些'''特征'''可能在训练模型方面非常有用，然后将日志文件及其他来源的原始数据转换为所需的特征。在 TensorFlow 中，特征工程通常是指将原始日志文件条目转换为 '''tf.Example''' proto buffer。另请参阅 tf.Transform。

特征工程有时称为'''特征提取'''。

===特征集 (feature set)===

训练机器学习模型时采用的一组'''特征'''。例如，对于某个用于预测房价的模型，邮政编码、房屋面积以及房屋状况可以组成一个简单的特征集。

===特征规范 (feature spec)===

用于描述如何从 '''tf.Example''' proto buffer 提取'''特征'''数据。由于 tf.Example proto buffer 只是一个数据容器，因此您必须指定以下内容：

*要提取的数据（即特征的键）
*数据类型（例如 float 或 int）
*长度（固定或可变）

'''Estimator API''' 提供了一些可用来根据给定''' FeatureColumns '''列表生成特征规范的工具。

===完整 softmax (full softmax)===

请参阅 '''softmax'''。与'''候选采样'''相对。

===全连接层 (fully connected layer)===

一种'''隐藏层'''，其中的每个'''节点'''均与下一个隐藏层中的每个节点相连。

全连接层又称为'''密集层'''。

G

===泛化 (generalization)===

指的是模型依据训练时采用的数据，针对以前未见过的新数据做出正确预测的能力。

===广义线性模型 (generalized linear model)===

'''最小二乘回归'''模型（基于高斯噪声）向其他类型的模型（基于其他类型的噪声，例如泊松噪声或分类噪声）进行的一种泛化。广义线性模型的示例包括：

*'''逻辑回归'''
*多类别回归
*最小二乘回归

可以通过凸优化找到广义线性模型的参数。

广义线性模型具有以下特性：

*最优的最小二乘回归模型的平均预测结果等于训练数据的平均标签。
*最优的逻辑回归模型预测的平均概率等于训练数据的平均标签。

广义线性模型的功能受其特征的限制。与深度模型不同，广义线性模型无法“学习新特征”。

===梯度 (gradient)===

'''偏导数'''相对于所有自变量的向量。在机器学习中，梯度是模型函数偏导数的向量。梯度指向最速上升的方向。

===梯度裁剪 (gradient clipping)===

在应用'''梯度'''值之前先设置其上限。梯度裁剪有助于确保数值稳定性以及防止梯度爆炸。

===梯度下降法 (gradient descent)===

一种通过计算并且减小梯度将损失降至最低的技术，它以训练数据为条件，来计算损失相对于模型参数的梯度。通俗来说，梯度下降法以迭代方式调整参数，逐渐找到'''权重'''和偏差的最佳组合，从而将损失降至最低。

===图 (graph)===

TensorFlow 中的一种计算规范。图中的节点表示操作。边缘具有方向，表示将某项操作的结果（一个张量）作为一个操作数传递给另一项操作。可以使用''' TensorBoard '''直观呈现图。

H

===启发法 (heuristic)===

一种非最优但实用的问题解决方案，足以用于进行改进或从中学习。

===隐藏层 (hidden layer)===

'''神经网络'''中的合成层，介于'''输入层'''（即特征）和'''输出层'''（即预测）之间。神经网络包含一个或多个隐藏层。

===合页损失函数 (hinge loss)===

一系列用于'''分类'''的'''损失'''函数，旨在找到距离每个训练样本都尽可能远的'''决策边界'''，从而使样本和边界之间的裕度最大化。 '''KSVM''' 使用合页损失函数（或相关函数，例如平方合页损失函数）。对于二元分类，合页损失函数的定义如下：

loss=max(0,1−(y′∗y))

其中“y'”表示分类器模型的原始输出：

y′=b+w1x1+w2x2+…wnxn

“y”表示真标签，值为 -1 或 +1。

因此，合页损失与 (y * y') 的关系图如下所示：

[[File:初学7.jpg]]
<br /><br />

===维持数据 (holdout data)===

训练期间故意不使用（“维持”）的'''样本'''。'''验证数据集'''和'''测试数据集'''都属于维持数据。维持数据有助于评估模型向训练时所用数据之外的数据进行泛化的能力。与基于训练数据集的损失相比，基于维持数据集的损失有助于更好地估算基于未见过的数据集的损失。

===超参数 (hyperparameter)===

在模型训练的连续过程中，您调节的“旋钮”。例如，'''学习速率'''就是一种超参数。

与参数相对。

===超平面 (hyperplane)===

将一个空间划分为两个子空间的边界。例如，在二维空间中，直线就是一个超平面，在三维空间中，平面则是一个超平面。在机器学习中更典型的是：超平面是分隔高维度空间的边界。'''核支持向量机'''利用超平面将正类别和负类别区分开来（通常是在极高维度空间中）。

I

===独立同分布 (i.i.d, independently and identically distributed)===

从不会改变的分布中提取的数据，其中提取的每个值都不依赖于之前提取的值。i.i.d. 是机器学习的理想气体 - 一种实用的数学结构，但在现实世界中几乎从未发现过。例如，某个网页的访问者在短时间内的分布可能为 i.i.d.，即分布在该短时间内没有变化，且一位用户的访问行为通常与另一位用户的访问行为无关。不过，如果将时间窗口扩大，网页访问者的分布可能呈现出季节性变化。

===推断 (inference)===

在机器学习中，推断通常指以下过程：通过将训练过的模型应用于'''无标签样本'''来做出预测。在统计学中，推断是指在某些观测数据条件下拟合分布参数的过程。（请参阅维基百科中有关统计学推断的文章。）

===输入函数 (input function)===

在 TensorFlow 中，用于将输入数据返回到''' Estimator '''的训练、评估或预测方法的函数。例如，训练输入函数用于返回'''训练集'''中的'''批次'''特征和标签。

===输入层 (input layer)===

'''神经网络'''中的第一层（接收输入数据的层）。

===实例 (instance)===

是'''样本'''的同义词。

===可解释性 (interpretability)===

模型的预测可解释的难易程度。深度模型通常不可解释，也就是说，很难对深度模型的不同层进行解释。相比之下，线性回归模型和'''宽度模型'''的可解释性通常要好得多。

===评分者间一致性信度 (inter-rater agreement)===

一种衡量指标，用于衡量在执行某项任务时评分者达成一致的频率。如果评分者未达成一致，则可能需要改进任务说明。有时也称为'''注释者间一致性信度'''或'''评分者间可靠性信度'''。另请参阅 Cohen's kappa（最热门的评分者间一致性信度衡量指标之一）。

===迭代 (iteration)===

模型的权重在训练期间的一次更新。迭代包含计算参数在单个'''批量'''数据上的梯度损失。

K

===Keras===

一种热门的 Python 机器学习 API。Keras 能够在多种深度学习框架上运行，其中包括 TensorFlow（在该框架上，Keras 作为 '''tf.keras''' 提供）。

===核支持向量机 (KSVM, Kernel Support Vector Machines)===

一种分类算法，旨在通过将输入数据向量映射到更高维度的空间，来最大化'''正类别'''和'''负类别'''之间的裕度。以某个输入数据集包含一百个特征的分类问题为例。为了最大化正类别和负类别之间的裕度，KSVM 可以在内部将这些特征映射到百万维度的空间。KSVM 使用合页损失函数。

L

===L1 损失函数 (L₁ loss)===

一种'''损失'''函数，基于模型预测的值与'''标签'''的实际值之差的绝对值。与 '''L2 损失函数'''相比，L1 损失函数对离群值的敏感性弱一些。

===L1 正则化 (L₁ regularization)===

一种'''正则化'''，根据权重的绝对值的总和来惩罚权重。在依赖'''稀疏特征'''的模型中，L1 正则化有助于使不相关或几乎不相关的特征的权重正好为 0，从而将这些特征从模型中移除。与 '''L2 正则化'''相对。

===L2 损失函数 (L₂ loss)===

请参阅'''平方损失函数'''。

===L2 正则化 (L₂ regularization)===

一种'''正则化'''，根据权重的平方和来惩罚权重。L2 正则化有助于使离群值（具有较大正值或较小负值）权重接近于 0，但又不正好为 0。（与''' L1 正则化'''相对。）在线性模型中，L2 正则化始终可以改进泛化。

===标签 (label)===

在监督式学习中，标签指'''样本'''的“答案”或“结果”部分。有标签数据集中的每个样本都包含一个或多个特征以及一个标签。例如，在房屋数据集中，特征可以包括卧室数、卫生间数以及房龄，而标签则可以是房价。在垃圾邮件检测数据集中，特征可以包括主题行、发件人以及电子邮件本身，而标签则可以是“垃圾邮件”或“非垃圾邮件”。

===有标签样本 (labeled example)===

包含'''特征'''和'''标签'''的样本。在监督式训练中，模型从有标签样本中进行学习。

===lambda===

是'''正则化率'''的同义词。

（多含义术语，我们在此关注的是该术语在正则化中的定义。）

===层 (layer)===

'''神经网络'''中的一组'''神经元'''，处理一组输入特征，或一组神经元的输出。

此外还指 TensorFlow 中的抽象层。层是 Python 函数，以张量和配置选项作为输入，然后生成其他张量作为输出。当必要的张量组合起来，用户便可以通过模型函数将结果转换为 '''Estimator'''。

===Layers API (tf.layers)===

一种 TensorFlow API，用于以层组合的方式构建'''深度'''神经网络。通过 Layers API，您可以构建不同类型的'''层'''，例如：

*通过 tf.layers.Dense 构建'''全连接层'''。
*通过 tf.layers.Conv2D 构建卷积层。

在编写'''自定义 Estimator '''时，您可以编写“层”对象来定义所有'''隐藏层'''的特征。

Layers API 遵循 '''[Keras]'''(#Keras) layers API 规范。也就是说，除了前缀不同以外，Layers API 中的所有函数均与 Keras layers API 中的对应函数具有相同的名称和签名。

===学习速率 (learning rate)===

在训练模型时用于梯度下降的一个变量。在每次迭代期间，'''梯度下降法'''都会将学习速率与梯度相乘。得出的乘积称为'''梯度步长'''。

学习速率是一个重要的'''超参数'''。

===最小二乘回归 (least squares regression)===

一种通过最小化''' L2 损失'''训练出的线性回归模型。

===线性回归 (linear regression)===

一种'''回归模型'''，通过将输入特征进行线性组合，以连续值作为输出。

===逻辑回归 (logistic regression)===

一种模型，通过将''' S 型函数'''应用于线性预测，生成分类问题中每个可能的离散标签值的概率。虽然逻辑回归经常用于'''二元分类'''问题，但也可用于'''多类别'''分类问题（其叫法变为'''多类别逻辑回归'''或'''多项回归'''）。

===对数损失函数 (Log Loss)===

二元逻辑回归中使用的损失函数。

===损失 (Loss)===

一种衡量指标，用于衡量模型的'''预测'''偏离其'''标签'''的程度。或者更悲观地说是衡量模型有多差。要确定此值，模型必须定义损失函数。例如，线性回归模型通常将'''均方误差'''用于损失函数，而逻辑回归模型则使用'''对数损失函数'''。

==M==

===机器学习 (machine learning)===

一种程序或系统，用于根据输入数据构建（训练）预测模型。这种系统会利用学到的模型根据从分布（训练该模型时使用的同一分布）中提取的新数据（以前从未见过的数据）进行实用的预测。机器学习还指与这些程序或系统相关的研究领域。

===均方误差 (MSE, Mean Squared Error)===

每个样本的平均平方损失。MSE 的计算方法是'''平方损失'''除以'''样本数'''。'''TensorFlow Playground''' 显示的“训练损失”值和“测试损失”值都是 MSE。

===指标 (metric)===

您关心的一个数值。可能可以也可能不可以直接在机器学习系统中得到优化。您的系统尝试优化的指标称为'''目标'''。

===Metrics API (tf.metrics)===

一种用于评估模型的 TensorFlow API。例如，tf.metrics.accuracy 用于确定模型的预测与标签匹配的频率。在编写'''自定义 Estimator '''时，您可以调用 Metrics API 函数来指定应如何评估您的模型。

===小批次 (mini-batch)===

从训练或推断过程的一次迭代中一起运行的整批'''样本'''内随机选择的一小部分。小批次的'''规模'''通常介于 10 到 1000 之间。与基于完整的训练数据计算损失相比，基于小批次数据计算损失要高效得多。

===小批次随机梯度下降法 (SGD, mini-batch stochastic gradient descent)===

一种采用'''小批次'''样本的'''梯度下降法'''。也就是说，小批次 SGD 会根据一小部分训练数据来估算梯度。'''Vanilla SGD '''使用的小批次的规模为 1。

===ML===

'''机器学习的缩写'''。

===模型 (model)===

机器学习系统从训练数据学到的内容的表示形式。多含义术语，可以理解为下列两种相关含义之一：

*一种''' TensorFlow '''图，用于表示预测计算结构。
*该 TensorFlow 图的特定权重和偏差，通过'''训练'''决定。

===模型训练 (model training)===

确定最佳'''模型'''的过程。

===动量 (Momentum)===

一种先进的梯度下降法，其中学习步长不仅取决于当前步长的导数，还取决于之前一步或多步的步长的导数。动量涉及计算梯度随时间而变化的指数级加权移动平均值，与物理学中的动量类似。动量有时可以防止学习过程被卡在局部最小的情况。

===多类别分类 (multi-class classification)===

区分两种以上类别的分类问题。例如，枫树大约有 128 种，因此，确定枫树种类的模型就属于多类别模型。反之，仅将电子邮件分为两类（“垃圾邮件”和“非垃圾邮件”）的模型属于'''二元分类模型'''。

===多项分类 (multinomial classification)===

是'''多类别分类'''的同义词。

N

===NaN 陷阱 (NaN trap)===

模型中的一个数字在训练期间变成 NaN，这会导致模型中的很多或所有其他数字最终也会变成 NaN。

NaN 是“非数字”的缩写。

===负类别 (negative class)===

在'''二元分类'''中，一种类别称为正类别，另一种类别称为负类别。正类别是我们要寻找的类别，负类别则是另一种可能性。例如，在医学检查中，负类别可以是“非肿瘤”。在电子邮件分类器中，负类别可以是“非垃圾邮件”。另请参阅'''正类别'''。

===神经网络 (neural network)===

一种模型，灵感来源于脑部结构，由多个层构成（至少有一个是'''隐藏层'''），每个层都包含简单相连的单元或'''神经元'''（具有非线性关系）。

===神经元 (neuron)===

'''神经网络'''中的节点，通常是接收多个输入值并生成一个输出值。神经元通过将'''激活函数'''（非线性转换）应用于输入值的加权和来计算输出值。

===节点 (node)===

多含义术语，可以理解为下列两种含义之一：

*'''隐藏层'''中的神经元。
*TensorFlow '''图'''中的操作。

===标准化 (normalization)===

将实际的值区间转换为标准的值区间（通常为 -1 到 +1 或 0 到 1）的过程。例如，假设某个特征的自然区间是 800 到 6000。通过减法和除法运算，您可以将这些值标准化为位于 -1 到 +1 区间内。

另请参阅'''缩放'''。

===数值数据 (numerical data)===

用整数或实数表示的'''特征'''。例如，在房地产模型中，您可能会用数值数据表示房子大小（以平方英尺或平方米为单位）。如果用数值数据表示特征，则可以表明特征的值相互之间具有数学关系，并且与标签可能也有数学关系。例如，如果用数值数据表示房子大小，则可以表明面积为 200 平方米的房子是面积为 100 平方米的房子的两倍。此外，房子面积的平方米数可能与房价存在一定的数学关系。

并非所有整数数据都应表示成数值数据。例如，世界上某些地区的邮政编码是整数，但在模型中，不应将整数邮政编码表示成数值数据。这是因为邮政编码 20000 在效力上并不是邮政编码 10000 的两倍（或一半）。此外，虽然不同的邮政编码确实与不同的房地产价值有关，但我们也不能假设邮政编码为 20000 的房地产在价值上是邮政编码为 10000 的房地产的两倍。邮政编码应表示成'''分类数据'''。

数值特征有时称为'''连续特征'''。

===Numpy===

一个开放源代码数学库，在 Python 中提供高效的数组操作。'''Pandas''' 就建立在 Numpy 之上。

==O==

===目标 (objective)===

算法尝试优化的指标。

===离线推断 (offline inference)===

生成一组'''预测'''，存储这些预测，然后根据需求检索这些预测。与'''在线推断'''相对。

one-hot 编码 (one-hot encoding)===

===一种稀疏向量，其中：

*一个元素设为 1。
*所有其他元素均设为 0。

one-hot 编码常用于表示拥有有限个可能值的字符串或标识符。例如，假设某个指定的植物学数据集记录了 15000 个不同的物种，其中每个物种都用独一无二的字符串标识符来表示。在特征工程过程中，您可能需要将这些字符串标识符编码为 one-hot 向量，向量的大小为 15000。

===一对多 (one-vs.-all)===

假设某个分类问题有 N 种可能的解决方案，一对多解决方案将包含 N 个单独的'''二元分类器''' - 一个二元分类器对应一种可能的结果。例如，假设某个模型用于区分样本属于动物、蔬菜还是矿物，一对多解决方案将提供下列三个单独的二元分类器：

*动物和非动物
*蔬菜和非蔬菜
*矿物和非矿物

===在线推断 (online inference)===

根据需求生成'''预测'''。与'''离线推断'''相对。

===操作 (op, Operation)===

TensorFlow 图中的节点。在 TensorFlow 中，任何创建、操纵或销毁张量的过程都属于操作。例如，矩阵相乘就是一种操作，该操作以两个张量作为输入，并生成一个张量作为输出。

===优化器 (optimizer)===

'''梯度下降法'''的一种具体实现。TensorFlow 的优化器基类是 tf.train.Optimizer。不同的优化器（tf.train.Optimizer 的子类）会考虑如下概念：

*动量 (Momentum)
*更新频率（AdaGrad = ADAptive GRADient descent； Adam = ADAptive with Momentum；RMSProp）
*稀疏性/正则化 (Ftrl)
*更复杂的计算方法（Proximal，等等）

甚至还包括 NN 驱动的优化器。

===离群值 (outlier)===

与大多数其他值差别很大的值。在机器学习中，下列所有值都是离群值。

*绝对值很高的'''权重'''。
*与实际值相差很大的预测值。
*值比平均值高大约 3 个标准偏差的输入数据。

离群值常常会导致模型训练出现问题。

===输出层 (output layer)===

神经网络的“最后”一层，也是包含答案的层。

===过拟合 (overfitting)===

创建的模型与'''训练数据'''过于匹配，以致于模型无法根据新数据做出正确的预测。

==P==

===Pandas===

面向列的数据分析 API。很多机器学习框架（包括 TensorFlow）都支持将 Pandas 数据结构作为输入。请参阅 Pandas 文档。

===参数 (parameter)===

机器学习系统自行训练的模型的变量。例如，'''权重'''就是一种参数，它们的值是机器学习系统通过连续的训练迭代逐渐学习到的。与'''超参数'''相对。

===参数服务器 (PS, Parameter Server)===

一种作业，负责在分布式设置中跟踪模型'''参数'''。

===参数更新 (parameter update)===

在训练期间（通常是在'''梯度下降法'''的单次迭代中）调整模型'''参数'''的操作。

===偏导数 (partial derivative)===

一种导数，除一个变量之外的所有变量都被视为常量。例如，f(x, y) 对 x 的偏导数就是 f(x) 的导数（即，使 y 保持恒定）。f 对 x 的偏导数仅关注 x 如何变化，而忽略公式中的所有其他变量。

===分区策略 (partitioning strategy)===

'''参数服务器'''中分割变量的算法。

===性能 (performance)===

多含义术语，具有以下含义：

*在软件工程中的传统含义。即：相应软件的运行速度有多快（或有多高效）？
*在机器学习中的含义。在机器学习领域，性能旨在回答以下问题：相应模型的准确度有多高？即模型在预测方面的表现有多好？

===困惑度 (perplexity)===

一种衡量指标，用于衡量'''模型'''能够多好地完成任务。例如，假设任务是读取用户使用智能手机键盘输入字词时输入的前几个字母，然后列出一组可能的完整字词。此任务的困惑度 (P) 是：为了使列出的字词中包含用户尝试输入的实际字词，您需要提供的猜测项的个数。

困惑度与'''交叉熵'''的关系如下：

[[File:初学8.png]]
<br /><br />

===流水线 (pipeline)===

机器学习算法的基础架构。流水线包括收集数据、将数据放入训练数据文件、训练一个或多个模型，以及将模型导出到生产环境。

===正类别 (positive class)===

在'''二元分类'''中，两种可能的类别分别被标记为正类别和负类别。正类别结果是我们要测试的对象。（不可否认的是，我们会同时测试这两种结果，但只关注正类别结果。）例如，在医学检查中，正类别可以是“肿瘤”。在电子邮件分类器中，正类别可以是“垃圾邮件”。

与'''负类别'''相对。

===精确率 (precision)===

一种'''分类模型'''指标。精确率指模型正确预测正类别的频率，即：

精确率=真正例数/真正例数+假正例数

===预测 (prediction)===

模型在收到输入的'''样本'''后的输出。

===预测偏差 (prediction bias)===

一个值，用于表明'''预测'''平均值与数据集中'''标签'''的平均值相差有多大。

===预创建的 Estimator (pre-made Estimator)===

其他人已建好的''' Estimator'''。TensorFlow 提供了一些预创建的 Estimator，包括 DNNClassifier、DNNRegressor 和 LinearClassifier。您可以按照这些说明构建自己预创建的 Estimator。

===预训练模型 (pre-trained model)===

已经过训练的模型或模型组件（例如'''嵌套'''）。有时，您需要将预训练的嵌套馈送到'''神经网络'''。在其他时候，您的模型将自行训练嵌套，而不依赖于预训练的嵌套。

===先验信念 (prior belief)===

在开始采用相应数据进行训练之前，您对这些数据抱有的信念。例如，'''L2 正则化'''依赖的先验信念是'''权重'''应该很小且应以 0 为中心呈正态分布。

==Q==

===队列 (queue)===

一种 TensorFlow''' 操作'''，用于实现队列数据结构。通常用于 I/O 中。

==R==

===等级 (rank)===

机器学习中的一个多含义术语，可以理解为下列含义之一：

*'''张量'''中的维度数量。例如，标量等级为 0，向量等级为 1，矩阵等级为 2。
*在将类别从最高到最低进行排序的机器学习问题中，类别的顺序位置。例如，行为排序系统可以将狗狗的奖励从最高（牛排）到最低（枯萎的羽衣甘蓝）进行排序。

===评分者 (rater)===

为'''样本'''提供'''标签'''的人。有时称为“注释者”。

===召回率 (recall)===

一种'''分类模型'''指标，用于回答以下问题：在所有可能的正类别标签中，模型正确地识别出了多少个？即：

召回率=真正例数/真正例数+假负例数

===修正线性单元 (ReLU, Rectified Linear Unit)===

一种'''激活函数'''，其规则如下：

*如果输入为负数或 0，则输出 0。
*如果输入为正数，则输出等于输入。

===回归模型 (regression model)===

一种模型，能够输出连续的值（通常为浮点值）。请与'''分类模型'''进行比较，分类模型输出离散值，例如“黄花菜”或“虎皮百合”。

===正则化 (regularization)===

对模型复杂度的惩罚。正则化有助于防止出现'''过拟合'''，包含以下类型：

*'''L1 正则化'''
*'''L2 正则化'''
*'''丢弃正则化'''
*'''早停法'''（这不是正式的正则化方法，但可以有效限制过拟合）

===正则化率 (regularization rate)===

一种标量值，以 lambda 表示，用于指定正则化函数的相对重要性。从下面简化的损失公式中可以看出正则化率的影响：

===minimize(loss function + λ(regularization function))===

提高正则化率可以减少'''过拟合'''，但可能会使模型的'''准确率'''降低。

===表示法 (representation)===

将数据映射到实用'''特征'''的过程。

===受试者工作特征曲线（receiver operating characteristic, 简称 ROC 曲线）===

不同'''分类阈值'''下的'''真正例率'''和'''假正例率'''构成的曲线。另请参阅'''曲线下面积'''。

===根目录 (root directory)===

您指定的目录，用于托管多个模型的 TensorFlow 检查点和事件文件的子目录。

===均方根误差 (RMSE, Root Mean Squared Error)===

'''均方误差'''的平方根。

S

===SavedModel===

保存和恢复 TensorFlow 模型时建议使用的格式。SavedModel 是一种独立于语言且可恢复的序列化格式，使较高级别的系统和工具可以创建、使用和转换 TensorFlow 模型。

如需完整的详细信息，请参阅《TensorFlow 编程人员指南》中的保存和恢复。

===Saver===

一种 TensorFlow 对象，负责保存模型检查点。

===缩放 (scaling)===

'''特征工程'''中的一种常用做法，是对某个特征的值区间进行调整，使之与数据集中其他特征的值区间一致。例如，假设您希望数据集中所有浮点特征的值都位于 0 到 1 区间内，如果某个特征的值位于 0 到 500 区间内，您就可以通过将每个值除以 500 来缩放该特征。

另请参阅'''标准化'''。

===scikit-learn===

一个热门的开放源代码机器学习平台。请访问 www.scikit-learn.org。

===半监督式学习 (semi-supervised learning)===

训练模型时采用的数据中，某些训练样本有标签，而其他样本则没有标签。半监督式学习采用的一种技术是推断无标签样本的标签，然后使用推断出的标签进行训练，以创建新模型。如果获得有标签样本需要高昂的成本，而无标签样本则有很多，那么半监督式学习将非常有用。

===序列模型 (sequence model)===

一种模型，其输入具有序列依赖性。例如，根据之前观看过的一系列视频对观看的下一个视频进行预测。

===会话 (session)===

维持 TensorFlow 程序中的状态（例如变量）。

===S 型函数 (sigmoid function)===

一种函数，可将逻辑回归输出或多项回归输出（对数几率）映射到概率，以返回介于 0 到 1 之间的值。S 型函数的公式如下：

[[File:初学9.png]]
<br /><br />

在'''逻辑回归'''问题中，σ非常简单：

[[File:初学10.png]]
<br /><br />

换句话说，S 型函数可将

σ转换为介于 0 到 1 之间的概率。

在某些'''神经网络'''中，S 型函数可作为'''激活函数'''使用。

===softmax===

一种函数，可提供'''多类别分类模型'''中每个可能类别的概率。这些概率的总和正好为 1.0。例如，softmax 可能会得出某个图像是狗、猫和马的概率分别是 0.9、0.08 和 0.02。（也称为完整 '''softmax'''。）

与'''候选采样'''相对。

===稀疏特征 (sparse feature)===

一种'''特征'''向量，其中的大多数值都为 0 或为空。例如，某个向量包含一个为 1 的值和一百万个为 0 的值，则该向量就属于稀疏向量。再举一个例子，搜索查询中的单词也可能属于稀疏特征 - 在某种指定语言中有很多可能的单词，但在某个指定的查询中仅包含其中几个。

与'''密集特征'''相对。

===平方合页损失函数 (squared hinge loss)===

'''合页损失函数'''的平方。与常规合页损失函数相比，平方合页损失函数对离群值的惩罚更严厉。

===平方损失函数 (squared loss)===

在'''线性回归'''中使用的'''损失'''函数（也称为''' L2 损失函数'''）。该函数可计算模型为有标签'''样本'''预测的值和'''标签'''的实际值之差的平方。由于取平方值，因此该损失函数会放大不佳预测的影响。也就是说，与''' L1 损失函数'''相比，平方损失函数对离群值的反应更强烈。

===静态模型 (static model)===

离线训练的一种模型。

===平稳性 (stationarity)===

数据集中数据的一种属性，表示数据分布在一个或多个维度保持不变。这种维度最常见的是时间，即表明平稳性的数据不随时间而变化。例如，从 9 月到 12 月，表明平稳性的数据没有发生变化。

===步 (step)===

对一个'''批次'''的向前和向后评估。

===步长 (step size)===

是'''学习速率'''的同义词。

===随机梯度下降法 (SGD, stochastic gradient descent)===

批次规模为 1 的一种'''梯度下降法'''。换句话说，SGD 依赖于从数据集中随机均匀选择的单个样本来计算每步的梯度估算值。

===结构风险最小化 (SRM, structural risk minimization)===

一种算法，用于平衡以下两个目标：

*期望构建最具预测性的模型（例如损失最低）。
*期望使模型尽可能简单（例如强大的正则化）。

例如，旨在将基于训练集的损失和正则化降至最低的模型函数就是一种结构风险最小化算法。

如需更多信息，请参阅 http://www.svms.org/srm/。

与'''经验风险最小化'''相对。

===总结 (summary)===

在 TensorFlow 中的某一步计算出的一个值或一组值，通常用于在训练期间跟踪模型指标。

===监督式机器学习 (supervised machine learning)===

根据输入数据及其对应的'''标签'''来训练'''模型'''。监督式机器学习类似于学生通过研究一系列问题及其对应的答案来学习某个主题。在掌握了问题和答案之间的对应关系后，学生便可以回答关于同一主题的新问题（以前从未见过的问题）。请与'''非监督式机器学习'''进行比较。

===合成特征 (synthetic feature)===

一种'''特征'''，不在输入特征之列，而是从一个或多个输入特征衍生而来。合成特征包括以下类型：

*将一个特征与其本身或其他特征相乘（称为'''特征组合'''）。
*两个特征相除。
*对连续特征进行'''分桶'''，以分为多个区间分箱。

通过'''标准化'''或'''缩放'''单独创建的特征不属于合成特征。

T

===目标 (target)===

是'''标签'''的同义词。

===时态数据 (temporal data)===

在不同时间点记录的数据。例如，记录的一年中每一天的冬外套销量就属于时态数据。

===张量 (Tensor)===

TensorFlow 程序中的主要数据结构。张量是 N 维（其中 N 可能非常大）数据结构，最常见的是标量、向量或矩阵。张量的元素可以包含整数值、浮点值或字符串值。

===张量处理单元 (TPU, Tensor Processing Unit)===

一种 ASIC（应用专用集成电路），用于优化 TensorFlow 程序的性能。

===张量等级 (Tensor rank)===

请参阅'''等级'''。

===张量形状 (Tensor shape)===

'''张量'''在各种维度中包含的元素数。例如，张量 [5, 10] 在一个维度中的形状为 5，在另一个维度中的形状为 10。

===张量大小 (Tensor size)===

张量包含的标量总数。例如，张量 [5, 10] 的大小为 50。

===TensorBoard===

一个信息中心，用于显示在执行一个或多个 TensorFlow 程序期间保存的摘要信息。

===TensorFlow===

一个大型的分布式机器学习平台。该术语还指 TensorFlow 堆栈中的基本 API 层，该层支持对数据流图进行一般计算。

虽然 TensorFlow 主要应用于机器学习领域，但也可用于需要使用数据流图进行数值计算的非机器学习任务。

===TensorFlow Playground===

一款用于直观呈现不同的'''超参数'''对模型（主要是神经网络）训练的影响的程序。要试用 TensorFlow Playground，请前往 http://playground.tensorflow.org。

===TensorFlow Serving===

一个平台，用于将训练过的模型部署到生产环境。

===测试集 (test set)===

数据集的子集，用于在'''模型'''经由验证集的初步验证之后测试模型。

与'''训练集'''和'''验证集'''相对。

===tf.Example===

一种标准的 proto buffer，旨在描述用于机器学习模型训练或推断的输入数据。

===时间序列分析 (time series analysis)===

机器学习和统计学的一个子领域，旨在分析'''时态数据'''。很多类型的机器学习问题都需要时间序列分析，其中包括分类、聚类、预测和异常检测。例如，您可以利用时间序列分析根据历史销量数据预测未来每月的冬外套销量。

===训练 (training)===

确定构成模型的理想'''参数'''的过程。

===训练集 (training set)===

数据集的子集，用于训练模型。

与'''验证集'''和'''测试集'''相对。

===转移学习 (transfer learning)===

将信息从一个机器学习任务转移到另一个机器学习任务。例如，在多任务学习中，一个模型可以完成多项任务，例如针对不同任务具有不同输出节点的'''深度模型'''。转移学习可能涉及将知识从较简单任务的解决方案转移到较复杂的任务，或者将知识从数据较多的任务转移到数据较少的任务。

大多数机器学习系统都只能完成一项任务。转移学习是迈向人工智能的一小步；在人工智能中，单个程序可以完成多项任务。

===真负例 (TN, true negative)===

被模型正确地预测为'''负类别'''的样本。例如，模型推断出某封电子邮件不是垃圾邮件，而该电子邮件确实不是垃圾邮件。

===真正例 (TP, true positive)===

被模型正确地预测为'''正类别'''的样本。例如，模型推断出某封电子邮件是垃圾邮件，而该电子邮件确实是垃圾邮件。

===真正例率（true positive rate, 简称 TP 率）===

是'''召回率'''的同义词，即：

真正例率=真正例数/真正例数+假负例数

真正例率是 '''ROC 曲线'''的 y 轴。

U

===无标签样本 (unlabeled example)===

包含'''特征'''但没有'''标签'''的样本。无标签样本是用于进行'''推断'''的输入内容。在'''半监督式'''和'''非监督式'''学习中，无标签样本在训练期间被使用。

===非监督式机器学习 (unsupervised machine learning)===

训练'''模型'''，以找出数据集（通常是无标签数据集）中的模式。

非监督式机器学习最常见的用途是将数据分为不同的聚类，使相似的样本位于同一组中。例如，非监督式机器学习算法可以根据音乐的各种属性将歌曲分为不同的聚类。所得聚类可以作为其他机器学习算法（例如音乐推荐服务）的输入。在很难获取真标签的领域，聚类可能会非常有用。例如，在反滥用和反欺诈等领域，聚类有助于人们更好地了解相关数据。

非监督式机器学习的另一个例子是'''主成分分析 (PCA)'''。例如，通过对包含数百万购物车中物品的数据集进行主成分分析，可能会发现有柠檬的购物车中往往也有抗酸药。

请与'''监督式机器学习'''进行比较。

V

===验证集 (validation set)===

数据集的一个子集，从训练集分离而来，用于'''调整超参数'''。

与'''训练集'''和'''测试集'''相对。

W

===权重 (weight)===

线性模型中'''特征'''的系数，或深度网络中的边。训练线性模型的目标是确定每个特征的理想权重。如果权重为 0，则相应的特征对模型来说没有任何贡献。

===宽度模型 (wide model)===

一种线性模型，通常有很多'''稀疏输入特征'''。我们之所以称之为“宽度模型”，是因为这是一种特殊类型的'''神经网络'''，其大量输入均直接与输出节点相连。与深度模型相比，宽度模型通常更易于调试和检查。虽然宽度模型无法通过'''隐藏层'''来表示非线性关系，但可以利用'''特征组合'''、'''分桶'''等转换以不同的方式为非线性关系建模。

与'''深度模型'''相对。

[[Category:待确定]]

新手上路——词条编辑

2024-05-21T07:42:11Z

18810648466：

===工作内容===
* 对已完成审校的词条进行美化：
# 冗余信息的删除。冗余信息一般包括：已翻译的英文原文、翻译组和审校组的讨论等，但我们需要保留其参考文献部分（即一对ref标签之间的内容），并将其移动至对应中文翻译处。
# 格式的优化。例如图片展示的位置、大小；段间距等；人物介绍中表格的整理。
# 词条缺失内容的补充。缺失内容主要指wiki原文中的图片。
* 添加编者推荐、词条生产信息和分类信息；

:编者推荐资料来源：
::集智俱乐部、集智学园、集智斑图、CSDN、知乎等平台查找相关内容，以'''集智内容'''为主。

:词条生产信息模板：
<source>
----
本中文词条由[[用户:AAA|AAA]]参与编译，[[用户:CCC|CCC]]编辑，欢迎在讨论页面留言。

'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''
</source>

:分类信息添加：
<source>[[category:XXX]]</source>
* 调整整体格式：[https://www.cnblogs.com/zhongqiong/p/5161082.html Wiki语法大全]、[https://zh.moegirl.org.cn/Help:Wiki%E5%85%A5%E9%97%A8 Wiki入门]
* 添加seo、重定向及参考文献： [[内容规范]]

===词条要素清单===
* seo
* 重定向
* 词条主体
* 编者推荐
* 词条生产信息及协议
* 分类信息

===示例词条===
* 知识型词条——[[曼德布洛特集 Mandelbrot set]]
* 书籍类词条——[[链接：网络新科学 Linked: The New Science of Networks]]
* 人物类词条——[[斯蒂文·斯特罗加茨 Steven H. Strogatz]]

===常见问题===
====彩色文字/加粗文字====
审校递交过来的词条中很有可能包含了一些彩色/加粗的文字，包括专业词汇和翻译准确性不确定的部分，我们不需要对他们进行修改。

====主词条命名规则====
词条命名采用中英文格式，英文需与wikipedia原词条保持一致，如下图。
[[File:词条命名.png|400px|left]]

====名词中英文格式====
名词中英文格式：中文 English(缩写)

示例：蚁群算法 Ant Colony Optimization（ACO）

====数学公式格式====
数学公式单独占据一行时前面加“:”；且描述公式的变量需要加math标签：
<source> :<math>公式</math> </source>
<source> <math>c</math> </source>

====英文人名翻译====
英文人名翻译需要加英文原名，后文再次提到该人物时，直接用英文名

====图片位置====
一般将图片置于右侧；若文中有图片相关解释或描述可将图片居中。

图片标注格式如下：
<source>[[File:Allometry1.jpg|right|400px|thumb|图片备注]]</source>

其中：
::right可替代为:center 居中; left 居左;默认为right
::400px指图片大小，可根据需要进行数值调整
::图片备注需要搭配thumb

====段落间距====
段落之间的距离要统一宽度，最好都是空两行

====重点内容加粗====
部分重点内容可用加重方式标出
<source>'''对数转换'''</source>

====添加wiki外链或内链====
重点名词可添加wiki外链或内链

:外链：外部网址链接，例如：
<source> [https://en.wikipedia.org/wiki/Centrality 节点中心性] </source>
:内链：集智百科词条链接，例如：
<source> [[k-means]]</source>

====模板缺失====
添加模板教程：[[模板添加]]
[[Category:集智相关]]

因果科学读书会词条梳理

2024-05-21T07:41:37Z

18810648466：

== 读书会介绍 ==
[[因果科学社区]]

“因果”并不是一个新概念，而是一个已经在多个学科中使用了数十年的分析技术。第三季读书会，我们需要回顾数十年来在社会学、经济学、医学、生物学等多个领域中，都是使用了什么样的因果模型、以什么样的范式、解决了什么样的问题。我们还要尝试进行对比和创新，看能否以现在的眼光，用其他的模型，为这些研究提供新的解决思路。

第三季因果科学与Causal AI读书会，将主要结合因果推断的潜在结果（Potential Outcomes）框架展开讨论，并尝试在不同领域尝试建立与SCM的对应关系。

分享主要按照'''「理论学习」+「案例研讨」'''的模式进行展开：

第一个模块为「理论学习」模块，这部分将参考W. Imbens和B. Rubin的著作Causal Inference for Statistics, Social, and Biomedical Sciences以及A. Hernan和M. Robins的Causal Inference: What if进行分享，将重点介绍潜在结果框架，包括但不限于实验性研究和观察性研究中的重要方法以及更稳健的因果效应估计方法。

第二个模块为「案例研讨」模块，将围绕目前在不同领域学术界和业界面临的重要问题，研讨包括但不限于计量经济学、推荐系统、精准医疗、计算社会科学、推荐系统、智能运维等学科典型的因果相关分析的研究实例。对这些研究进行复现。我们也将尝试提供相关代码示例，对这些研究进行复现，帮助大家在自己的研究中快速开始部署结合因果的算法。

详情可了解[https://swarma.org/?p=29052 因果+X：解决多学科领域的因果问题 | 因果科学读书会第三季启动]

== 项目目标 ==

* 梳理因果科学领域的重要知识概念，为初学者提供更好的认知地图
* 促进因果科学领域的概念统一和对齐

== 项目背景 ==
因果科学在国内越来越受到大家的关注，很多的科研工作者都投身于这个方向的科研探索，也有越来越多的学生和老师对这个内容感兴趣，希望可以梳理出这个领域的核心概念，让大家能更好的学习，并且达成统一的共识，更好的推送因果科学的发展。

===词条来源===
该项目的词条来源由因果科学读书会的发起人李奉治、李昊轩等人提供。
==志愿者任务领取词库==
{| class="wikitable mw-collapsible" width="100%;text-align:center;"
|- style="height:30px"
! scope="col" style="width:30%" |词条
!类型
! scope="col" style="width:20%" |认领人
! scope="col" style="width:25%;" |拟完成时间
|-
|[[Peter Spirtes]]
|人物
|郑雨嘉
|
|-
|[[Causation, Prediction, and Search]]
|书籍
|
|
|-
|[[Bernhard Schölkopf]]
|人物
|英铄
|
|-
|[[Judea Pearl]]
|人物
|袁冰
|
|-
|[[Causal Inference for Statistics, Social, and Biomedical Sciences]]
|书籍
|朱淑媛
|
|-
|[[Causality: Model, Reasoning, and Inference]]
|书籍
|周浩杰
|
|-
|[[Elements of Causal Inference: Foundations and Learning Algorithms]]
|书籍
|于沂渭
|
|-
|[[Causal Inference: What If]]
|书籍
|雨轩
|
|-
|[[因果发现]]
|概念
|郑雨嘉
|
|}
书籍自建词条可参考[https://wiki.swarma.org/index.php/%E8%87%AA%E5%A4%8D%E5%88%B6%E8%87%AA%E5%8A%A8%E6%9C%BA%E7%90%86%E8%AE%BA_Theory_of_Self-reproducing_Automata 自复制自动机理论 Theory of Self-reproducing Automata]

所包含内容应当涵盖以下内容：

1、内容介绍（概述书籍主体思想及在所属领域的意义）

2、基本信息（包含书名、作者、编者、译者）

3、作者介绍（包含姓名、领域贡献）

4、内容目录（包含各部分标题）

5、内容摘要（包含目录所述各部分摘要）

6、资源获取（包含下载链接）

7、相关wiki（包含相关核心概念wiki链接）

8、编者推荐（包含相关书评与文章）

8.1 豆瓣书评

8.2 集智相关文章

人物自建词条可参考[[罗伯特·梅]] [[梅拉妮·米歇尔Melanie Mitchell]]

所包含内容应当涵盖以下内容：

1、基本信息（即简历卡）

2、成长经历（以求学经历、职业生涯为主）

3、研究领域

4、就职企业、机构或者院校

5、主要文章及著作（描述所著文章及书籍的要旨与意义）

6、研究动向

7、学术家族树

7.1 博士生导师

7.2 学生

8、合作者（研究团队的合作者（除学生与导师））

9、近期报道

10、相关链接（包含个人wiki、采访、谷歌学术个人主页等）

11、参考文献（包含所著文章标题）

12、编者推荐（包含相关书评与文章）
== 负责人审核词库 ==
{| class="wikitable" width="100%;text-align:center;"
|- style="height:30px"
! scope="col" style="width:30%" |词条
! scope="col" style="width:20%" |审核反馈
! scope="col" style="width:25%;" |完成时间
|-
|[[Guido Imbens]]
!
!
|-
|[[干预]]
!
!
|}
==编辑排版词库==
{| class="wikitable" width="100%;text-align:center;"
|- style="height:30px"
! scope="col" style="width:30%" |词条
! scope="col" style="width:20%" |认领人
! scope="col" style="width:25%" |认领时间
! scope="col" style="width:25%;" |完成时间
|-
|[[断点回归]]
|薄荷
|2022.04.23
|2022.04.23
|-
|[[合成对照]]
|薄荷
|2022.04.23
|2022.04.23
|-
|[[Sander Greenland]]
|
|
|
|-
|[[Tyler VanderWeele]]
|
|
|
|-
|[[Miguel Hernán]]
|
|
|
|-
|[[Donald Rubin]]
|
|
|
|-
|[[Elias Bareinboim]]
|
|
|
|-
|[[Counterfactuals and causal inference]]
|
|
|
|-
|[[双重差分]]
|薄荷
|2022.05.14
|2022.05.14
|-
|[https://wiki.swarma.org/index.php/%E6%97%A0%E6%B7%B7%E6%B7%86%E6%80%A7_Unconfoundedness 无混淆性 Uncondoundedness]
|薄荷
|2022.05.14
|2022.05.14
|-
|[[主分层]]
|薄荷
|2022.05.14
|2022.05.14
|-
|[[辛普森悖论]]
|薄荷
|2022.05.14
|2022.05.14
|-
|[[Susan Athey]]
|
|
|
|-
|[[James Robins]]
|
|
|
|-
|[[Causal Inference in Statistics: A Primer]]
|
|
|
|-
|[[The Book of Why]]
|
|
|
|-
|[[潜在结果]]
|
|
|
|-
|[[因果之梯]]
|
|
|
|-
|[[因果推断引擎]]
|
|
|
|-
|[[链接合，叉接合，对撞接合]]
|
|
|
|}
==专家审核词库==
[[逆概率加权]]

[[Clark Glymour]]

== 因果扑克牌 ==
{| class="wikitable"
|+

!词条主页面
!
!词条重定向页面
!
|-
|♠黑桃Spade
|
|
|
|-
|#REDIRECT[[潜在结果|<nowiki>[[潜在结果</nowiki>]]]]
|A
|[[YG1-SA]]
|*
|-
|#REDIRECT[[[[处理（干预）效应]][[无混淆性 Unconfoundedness|<nowiki>]</nowiki>]]]
|2
|[[YG1-S2]]
|*
|-
|#REDIRECT[[[[无混淆性 Unconfoundedness|<nowiki>无混淆性 Unconfoundedness]</nowiki>]]]
|3
|[[YG1-S3]]
|*
|-
|#REDIRECT[[[[中介分析|倾向评分]][[中介分析|<nowiki>]]</nowiki>]]
|4
|[[YG1-S4]]
|*
|-
|#REDIRECT[[[[中介分析|工具变量]][[中介分析|<nowiki>]]</nowiki>]]
|5
|[[YG1-S5]]
|*
|-
|#REDIRECT[[[[中介分析|<nowiki>中介分析]]</nowiki>]]
|6
|[[YG1-S6]]
|*
|-
|#REDIRECT[[[[主分层]][[中介分析|<nowiki>]]</nowiki>]]
|7
|[[YG1-S7]]
|*
|-
|#REDIRECT [[[[重随机化 Rerandomization]]]]
|8
|[[YG1-S8]]
|补充内容，缺乏编者推荐-未过编辑
|-
|#REDIRECT[[[[Causal Inference: What If|<nowiki>Causal Inference: What If]</nowiki>]]]
|9
|[[YG1-S9]]
|*
|-
|#REDIRECT[[[[Causal Inference for Statistics, Social, and Biomedical Sciences|<nowiki>Causal Inference for Statistics, Social, and Biomedical Sciences]]</nowiki>]]
|T
|[[YG1-ST]]
|*
|-
|#REDIRECT[[[[Susan Athey|<nowiki>Susan Athey]]</nowiki>]]
|J
|[[YG1-SJ]]
|*
|-
|#REDIRECT[[[[Miguel Hernán|<nowiki>Miguel Hernán]]</nowiki>]]
|Q
|[[YG1-SQ]]
|*
|-
|#REDIRECT[[[[Donald Rubin|<nowiki>Donald Rubin]]</nowiki>]]
|K
|[[YG1-SK]]
|*
|-
|♣梅花Club
|
|
|
|-
|#REDIRECT[[[[随机对照试验|<nowiki>随机对照试验]]</nowiki>]]
|A
|[[YG1-CA]]
|*
|-
|#REDIRECT[[[[回归分析|回归分析<nowiki>]]</nowiki>]]
|2
|[[YG1-C2]]
|*
|-
|#REDIRECT[[[[逆概率加权|<nowiki>逆概率加权]]</nowiki>]]
|3
|[[YG1-C3]]
|*
|-
|#REDIRECT[[[[双稳健|<nowiki>双稳健]]</nowiki>]]
|4
|[[YG1-C4]]
|*未完成-缺乏编者推荐-未过编辑**
|-
|#REDIRECT[[[[匹配|<nowiki>匹配]]</nowiki>]]
|5
|[[YG1-C5]]
|*补充内容
|-
|#REDIRECT[[[[断点回归|<nowiki>断点回归]]</nowiki>]]
|6
|[[YG1-C6]]
|*
|-
|#REDIRECT[[[[双重差分|<nowiki>双重差分]]</nowiki>]]
|7
|[[YG1-C7]]
|*
|-
|#REDIRECT[[[[合成对照|<nowiki>合成对照]]</nowiki>]]
|8
|[[YG1-C8]]
|添加相关超链** 缺乏编者推荐
|-
|#REDIRECT[[[[Counterfactuals and causal inference|<nowiki>Counterfactuals and causal inference]]</nowiki>]]
|9
|[[YG1-C9]]
|*缺乏编者推荐-未过编辑
|-
|#REDIRECT[[[[Causation, Prediction, and Search|<nowiki>Causation, Prediction, and Search]]</nowiki>]]
|T
|[[YG1-CT]]
|*未完成
|-
|#REDIRECT[[[[Sander Greenland|<nowiki>Sander Greenland]</nowiki>]]
|J
|[[YG1-CJ]]
|*
|-
|#REDIRECT[[[[Tyler VanderWeele]][[中介分析|<nowiki>]]</nowiki>]]
|Q
|[[YG1-CQ]]
|*
|-
|#REDIRECT[[Guido Imbens]][[中介分析|<nowiki>]]</nowiki>]]
|K
|[[YG1-CK]]
|*
|-
|♥-Heart
|
|
|
|-
|#REDIRECT[[因果之梯|<nowiki>[[因果之梯</nowiki>]]]]
|A
|[[YG1-HA]]
|
|-
|#REDIRECT[[[[Do演算]]]]
|2
|[[YG1-H2]]
|
|-
|#REDIRECT[[[[D-分离]]]]
|3
|[[YG1-H3]]
|
|-
|#REDIRECT[[[[后门准则]]]]
|4
|[[YG1-H4]]
|*
|-
|#REDIRECT[[[[前门准则]]]]
|5
|[[YG1-H5]]
|*
|-
|#REDIRECT[[[[辛普森悖论]]]]
|6
|[[YG1-H6]]
|https://en.wikipedia.org/wiki/Simpson%27s_paradox
|-
|#REDIRECT[[[[因果科学社区]]]]
|7
|[[YG1-H7]]
|
|-
|#REDIRECT[[[[因果发现]]]]
|8
|[[YG1-H8]]
|待完成
|-
|#REDIRECT[[[[The Book of Why]]]]
|9
|[[YG1-H9]]
|*
|-
|#REDIRECT[[[[Causality: Model, Reasoning, and Inference]]]]
|T
|[[YG1-HT]]
|*
|-
|#REDIRECT[[[[Bernhard Schölkopf]]]]
|J
|[[YG1-HJ]]
|缺乏编者推荐，参考文献-未过编辑**
|-
|#REDIRECT[[[[Elias Bareinboim]]]]
|Q
|[[YG1-HQ]]
|*
|-
|#REDIRECT[[[[Judea Pearl]]]]
|K
|[[YG1-HK]]
|
|-
|♦-diamond
|
|
|
|-
|#REDIRECT[[[[因果推断引擎]]]]
|A
|[[YG1-DA]]
|
|-
|#REDIRECT[[[[有向无环图 Directed acyclic graph]]]]
|2
|[[YG1-D2]]
|
|-
|#REDIRECT[[[[链接合，叉接合，对撞接合]]]]
|3
|[[YG1-D3]]
|
|-
|#REDIRECT[[[[干预]]]]
|4
|[[YG1-D4]]
|
|-
|#REDIRECT[[[[反事实]]]]
|5
|[[YG1-D5]]
|
|-
|#REDIRECT[[[[贝叶斯网络]]]]
|6
|[[YG1-D6]]
|
|-
|#REDIRECT[[[[因果森林 Causal Forest]]]]
|7
|[[YG1-D7]]
|待完成
|-
|#REDIRECT[[[[因果涌现 Causal Emergence]]]]
|8
|[[YG1-D8]]
|
|-
|#REDIRECT[[[[Causal Inference in Statistics: A Primer]]]]
|9
|[[YG1-D9]]
|
|-
|#REDIRECT[[[[Elements of Causal Inference: Foundations and Learning Algorithms]]]]
|T
|[[YG1-DT]]
|
|-
|#REDIRECT[[[[Peter Spirtes]]]]
|J
|[[YG1-DJ]]
|*
|-
|#REDIRECT[[[[James Robins]]]]
|Q
|[[YG1-DQ]]
|
|-
|#REDIRECT[[[[Yoshua Bengio]]]]
|K
|[[YG1-DK]]
|*
|-
|#REDIRECT[[[[潜在结果模型]]]]
|小王
|[[YG1-1]]
|
|-
|#REDIRECT[[[[Yoshua Bengio|结构因果模型]]]]
|大王
|[[YG1-2]]
|
|-
|#REDIRECT[[[[因果科学扑克牌项目记录]]]]
|
|[[YG1-3]]
|
|}
黑桃S

红桃H

方块D

梅花C

<nowiki>#REDIRECT [[目标词条]]</nowiki>

红桃方块

图片命名

[[Category:集智相关]]

集智百科精品词条

2024-05-21T07:40:43Z

18810648466：

{{Div col}}
集智百科的目标是做复杂性科学领域科学、全面、客观的百科全书。我们的宗旨是“知识从我而来，问题到我为止”。我们认为词条是为大家提供最科学、专业、准确的知识，帮助大家快速了解某一个知识概念。

目前，我们已经有了无标度网络、复杂网络的双曲几何模型、复杂系统、统计物理、系统科学等精品词条，涵盖'''复杂系统、人工智能、统计物理、因果科学、计算社会科学'''等复杂性科学的关键领域，期待着你们的加入，为百科添加更多内容！

<htmltag tagname="iframe" src="/graph.v20210913.html" style="display: block; margin-bottom: 1em; width: 100%; height: 90vh; border: solid 1px #ddd;"></htmltag>

<div style="display: flex; flex-wrap: wrap; justify-content: space-between; align-items: center; padding: 1em; background: #f9f9f9; border: solid 1px #ddd;">
<div style="width: 40em; text-align: center;">
<div style="margin-bottom: 2em; font-size: 28px;">最受欢迎的页面Top20</div></div>
<ul style="display: flex; flex-wrap: wrap; margin: 2em; padding-left: 2em; max-width: 60em;">
<li style="width: 10em;">[[博弈论 Game Theory]]</li>
<li style="width: 10em;">[[曼德布洛特集 Mandelbrot set]]</li>
<li style="width: 10em;">[[热力学第二定律]]</li>
<li style="width: 10em;">[[分形几何 Fractal]]</li>
<li style="width: 10em;">[[超图 Hypergraph]]</li>
<li style="width: 10em;">[[熵]]</li>
<li style="width: 10em;">[[复杂系统 Complex Systems]]</li>
<li style="width: 10em;">[[自组织]]</li>
<li style="width: 10em;">[[涌现]]</li>
<li style="width: 10em;">[[达尔文]]</li>
<li style="width: 10em;">[[计算社会科学]]</li>
<li style="width: 10em;">[[小世界网络]]</li>
<li style="width: 10em;">[[人工神经网络]]</li>
<li style="width: 10em;">[[人工神经网络]]</li>
<li style="width: 10em;">[[康威的生命游戏 Conway's Game of Life]]</li>
<li style="width: 10em;">[[信息论]]</li>
<li style="width: 10em;">[[沙堆模型]]</li>
<li style="width: 10em;">[[伯努瓦·曼德布洛特 Benoit Mandelbrot]]</li>
<li style="width: 10em;">[[度分布]]</li>
</ul>
</div>

==复杂科学==
复杂性科学是采用大数据、人工智能、复杂网络、统计物理等多学科交叉综合的方法，研究各类复杂系统（包括互联网、社会经济系统、生命生态系统、脑与认知系统、物理化学系统等）的一门新兴学科。从复杂网络到机器学习，从开放系统到生物信息，从个体智能到集体行为，从社会变迁到科学革命，我们探索着复杂系统背后的统一规律，也经历着学科分化与整合。作为跨学科研究的典型，复杂科学正在物质科学、生命科学、社会科学、信息科学的边界处引线穿针，开洞破墙。我们隐隐看到，颠覆性创新正在酝酿之中，重大科学发现逐渐浮出水面。

*[[复杂系统 Complex Systems]]
*[[系统论]]
*[[信息论]]
*[[控制论]]
*[[奇点]]
*[[临界点（热力学）]]
*[[沙堆模型]]
*[[斑图生成]]
*[[复杂适应系统]]
*[[系统科学]]
*[[蝴蝶效应]]
*[[混沌理论]]
*[[混沌边缘]]
*[[动力系统]]
*[[自组织]]
*[[自组织临界性]]

<div style="display: flex; flex-wrap: wrap; justify-content: space-between; align-items: center; padding: 1em; background: #f9f9f9; border: solid 1px #ddd;">
<div style="width: 20em; text-align: center;">
<div style="margin-bottom: 0.5em; font-size: 28px;">不能不懂的数学知识点</div></div>
<ul style="display: flex; flex-wrap: wrap; margin: 1em; padding-left: 1em; max-width: 60em;">
<li style="width: 10em;">[[幂律分布 power law]]</li>
<li style="width: 10em;">[[重尾分布]]</li>
<li style="width: 10em;">[[二项分布]]</li>
<li style="width: 10em;">[[泊松分布]]</li>
<li style="width: 10em;">[[KS检验]]</li>
<li style="width: 10em;">[[关联矩阵]]</li>
<li style="width: 10em;">[[断点回归]]</li>
<li style="width: 10em;">[[纳什均衡]]</li>
<li style="width: 10em;">[[零和博弈]]</li>
</ul>
</div>

==热力学和统计物理==
统计物理学是物理学的一个分支，它使用概率论和统计学的方法，特别是在解决物理问题时使用数学工具来处理大的群体和近似。它可以描述具有内在随机性的广泛领域。统计物理的应用领域包括物理学、生物学、化学、神经科学，甚至社会学、语言学等一些社会科学领域。

*[[热力学定律]]

*[[热力学第二定律]]

*[[平衡热力学]]

*[[统计力学]]

*[[相变]]

*[[伊辛模型]]

*[[熵]]

*[[有序和无序]]

*[[最大熵原理]]

==信息论==
信息论由克劳德·香农提出，用来找出信号处理与通信操作的基本限制，如数据压缩、可靠的存储和数据传输等，是应用数学、电子学和计算机科学的一个分支，由于其对信息量化的创新形式，现已是交叉学科必不可少的重要衡量指标。

*[[香农]]

*[[微分熵]]

*[[条件熵]]

*[[联合熵]]

==网络科学==

'''网络科学 Network Science'''是一个研究复杂网络的学术领域，如通讯网络，计算机网络，生物网络，认知和语义网络，以及社会网络，主要由节点（顶点）表示不同元素或参与者，由连边表示元素或参与者之间的联系。

[https://pattern.swarma.org/article/4 网络科学诞生记：发源、合流与分岔]

[https://swarma.org/?p=33122 Barabási算法+Physics Reports精选，网络科学综述10年Top10 | 妙算复杂]

[https://swarma.org/?p=17108 网络科学入门：9大技巧带你上手网络数据分析]

*[[网络科学专题]]
*[[网络科学]]
*[[埃尔德什数理论]]
*[[顶点 Vertex]]

*[[社团结构]]

*[[级联故障]]

*[[网络效应]]

*[[路径]]

*[[图距离]]

*[[LFR算法]]

*[[度]]

*[[度分布]]

*[[鲁棒性]]

*[[邓巴数]]

*[[复杂网络的双曲几何模型]]

*[[随机图]]

{{Div col}}
<div style="display: flex; flex-wrap: wrap; justify-content: space-between; align-items: center; padding: 1em; background: #f9f9f9; border: solid 1px #ddd;">
<div style="width: 20em; text-align: center;">
<div style="margin-bottom: 0.5em; font-size: 28px;">人工智能</div></div>
<ul style="display: flex; flex-wrap: wrap; margin: 1em; padding-left: 1em; max-width: 60em;">
<li style="width: 10em;">[[机器学习]]</li>
<li style="width: 10em;">[[深度学习]]</li>
<li style="width: 10em;">[[知识图谱]]</li>
<li style="width: 10em;">[[自然语言处理]]</li>
<li style="width: 10em;">[[人工神经网络]]</li>
<li style="width: 10em;">[[贝叶斯网络]]</li>
<li style="width: 10em;">[[数据挖掘]]</li>
<li style="width: 10em;">[[数据分析]]</li>
<li style="width: 10em;">[[因果推断]]</li>
<li style="width: 10em;">[[人工生命历史]]</li>
<li style="width: 10em;">[[康威的生命游戏]]</li>
<li style="width: 10em;">[[朗顿的蚂蚁]]</li>
<li style="width: 10em;">[[鸟群算法]]</li>
<li style="width: 10em;">[[模拟退火]]</li>
<li style="width: 10em;">[[演化算法]]</li>
<li style="width: 10em;">[[Floy鸟群模拟模型]]</li>
<li style="width: 10em;">[[SVM支持向量机]]</li>

</ul>
</div>

<div style="display: flex; flex-wrap: wrap; justify-content: space-between; align-items: center; padding: 1em; background: #f9f9f9; border: solid 1px #ddd;">
<div style="width: 20em; text-align: center;">
<div style="margin-bottom: 0.5em; font-size: 28px;">你还可以学习的理论</div></div>
<ul style="display: flex; flex-wrap: wrap; margin: 1em; padding-left: 1em; max-width: 60em;">
<li style="width: 10em;">[[计算社会学]]</li>
<li style="width: 10em;">[[科学学]]</li>
<li style="width: 10em;">[[计算传播学]]</li>
<li style="width: 10em;">[[复杂经济学]]</li>
<li style="width: 10em;">[[计算社会科学]]</li>
<li style="width: 10em;">[[社会控制论]]</li>
<li style="width: 10em;">[[耗散结构论]]</li>
<li style="width: 10em;">[[鲍德温效应]]</li>
</ul>
</div>

<div style="display: flex; flex-wrap: wrap; justify-content: space-between; align-items: center; padding: 1em; background: #f9f9f9; border: solid 1px #ddd;">
<div style="width: 20em; text-align: center;">
<div style="margin-bottom: 0.5em; font-size: 28px;">国内外著名科学家</div></div>
<ul style="display: flex; flex-wrap: wrap; margin: 1em; padding-left: 1em; max-width: 60em;">
<li style="width: 10em;">[[哈肯]]</li>
<li style="width: 10em;">[[伯努瓦·曼德布洛特 Benoit Mandelbrot]]</li>
<li style="width: 10em;">[[路德维希·玻尔兹曼 Ludwig Edward Boltzmann]]</li>
<li style="width: 10em;">[[斯图尔特·艾伦·考夫曼 Stuart Alan Kauffman]]</li>
<li style="width: 10em;">[[约翰·冯·诺依曼 John von Neumann]]</li>
<li style="width: 10em;">[[杰弗里·韦斯特 Geoffery West]]</li>
<li style="width: 10em;">[[路德维希·冯·贝塔郎菲 Ludwig von Bertalanffy]]</li>
<li style="width: 10em;">[[钱学森]]</li>
</ul>
</div>

[[Category:集智相关]]

使用pythony实现遗传算法

2024-05-21T07:39:00Z

18810648466：

==理论==

[[File:generticalgorithm1.png|600px]]

遗传算法（Genetic Algorithms）是一种很有趣的理论，由密歇根大学的约翰·霍兰德（John Holland）和他的同事于二十世纪六十年代在对元胞自动机（cellular automata）研究时提出。在八十年代前，对于遗传算法的研究还仅仅限于理论方面，直到在匹兹堡召开了第一届世界遗传算法大会。随着计算机计算能力的发展和实际应用需求的增多，遗传算法逐渐进入实际应用阶段。

遗传算法的基本思想，是让程序像生物那样在交配，变异中进化，产生出更适宜环境的（逼近目标函数的）程序。

==应用场景==

遗传算法有很多不同的实现形式，一般都是用一个01串表达一个程序，但《集体智慧编程》（programming collective intelligence）里介绍了一种非常有意思的应用：用来寻找数据拟合的最优方程。

假如我们有如下数据：

[[File:generticalgorithm2.png|600px]]

许多人的第一直觉是使用多元回归来拟合方程f(x,y)，但我们这里要用遗传算法来做这件事。我们打算用一个程序代表一个方程，然后让方程之间交配、变异，最终进化出一个最符合数据的方程。

==技术难点及解决方案==

--[[用户:Qige96|Ricky]]（[[用户讨论:Qige96|讨论]]）这一部分讲到的案例属于遗传编程，即用遗传算法的原理获得一个计算机程序。个人认为是一种相当高级的应用，不利于入门级读者了解遗传算法。

===使用树结构表达方程===

要用程序表达方程，显然不可能直接用01串实现，因为任意构造的01串及其交配变异是没有数学意义的。我们要用解析树（parse tree）的概念

[[File:generticalgorithm3.png|500px]]

树上的每个节点或者表达一种对它子节点进行的数学操作，或者表达一个参数或变量。运算时，树从下往上收缩。

上述树就可以表达如下程序：
<syntaxhighlight lang="python">
def func(x,y)
if x>3:
return y + 5
else:
return y - 2
</syntaxhighlight>

因此，也就表达了一个方程。实际上，大多数程序语言在使用机器编译（compile）或解释（interpret）的时候，都是先变成这样一棵树。也许只有Lisp是例外，因为它相当于要求程序员直接写出这样的树结构。看起来树似乎只能表达比较简单的运算，但如果考虑到节点位置上的数学操作可以很复杂，例如欧式距离或者高斯函数，并且叶节点可以引用根节点，构成loop，树将可以表达非常复杂的运算。

===变异（mutation）===

变异对于01串表达程序的遗传算法模型来说就是随机地把一些0变成1或者相反。但在树结构里，我们定义两种变异：

一种是改变节点上的操作符号：

[[File:generticalgorithm4.png|500px]]

一种是替换树的一部分枝干

[[File:generticalgorithm5.png|500px]]

===交配(crossover)===

交配就是让两棵树相遇，互换一部分枝干，拼接出一棵新的树

[[File:generticalgorithm6.png|500px]]

==python实现==

我们先定义树的基本结构
<syntaxhighlight lang="python">
from random import random,randint,choice
from copy import deepcopy
import numpy as np

class fwrapper:
def __init__(self,function,childcount,name):
self.function=function
self.childcount=childcount
self.name=name

class node:
def __init__(self,fw,children):
self.function=fw.function
self.name=fw.name
self.children=children
def evaluate(self,inp):
results=[n.evaluate(inp) for n in self.children]
return self.function(results)
def display(self,indent=0):
print (' '*indent)+self.name
for c in self.children:
c.display(indent+1)

class paramnode:
def __init__(self,idx):
self.idx=idx
def evaluate(self,inp):
return inp[self.idx]
def display(self,indent=0):
print '%sp%d' % (' '*indent,self.idx)

class constnode:
def __init__(self,v):
self.v=v
def evaluate(self,inp):
return self.v
def display(self,indent=0):
print '%s%d' % (' '*indent,self.v)
</syntaxhighlight>

其中fwrapper代表着一种运算，它接受三个参数：函数的定义，函数里参数的个数，函数的名字。node就是一个节点，它的evaluate函数可以接受子节点的输入，并把fawapper定义的函数运用在子节点上，得到输出结果。它的display函数可以打印出节点以下的树的形式，方便我们分析程序内部表达的函数。paramnode是参数节点，总是返回输入的参数idx，constnode是常数节点，不管输入时什么，总是返回一个常数。

接下来我们定义一些基本的运算：

<syntaxhighlight lang="python">
addw=fwrapper(lambda l:l[0]+l[1],2,'add')
subw=fwrapper(lambda l:l[0]-l[1],2,'subtract')
mulw=fwrapper(lambda l:l[0]*l[1],2,'multiply')

def iffunc(l):
if l[0]>0: return l[1]
else: return l[2]
ifw=fwrapper(iffunc,3,'if')

def isgreater(l):
if l[0]>l[1]: return 1
else: return 0
gtw=fwrapper(isgreater,2,'isgreater')

flist=[addw,mulw,ifw,gtw,subw]
</syntaxhighlight>

其中加减乘都可以使用lambda一句话实现，但分段函数和比较函数要先定义一个函数，然后再用fwrapper。在flist里我们把这些函数都装起来，以便将来使用。

有了这些函数，其实我们已经可以定义一个示例树并观察其运算后果了

<syntaxhighlight lang="python">
def exampletree( ):
return node(ifw,[
node(gtw,[paramnode(0),constnode(3)]),
node(addw,[paramnode(1),constnode(5)]),
node(subw,[paramnode(1),constnode(2)]),
]
)

exampletree=exampletree( )
exampletree.evaluate([2,3])
exampletree.evaluate([5,3])
exampletree.display( )
</syntaxhighlight>

我们还可以制造随机树，用来作为演化的初始值
<syntaxhighlight lang="python">
def makerandomtree(pc,maxdepth=4,fpr=0.5,ppr=0.6):
if random( )<fpr and maxdepth>0:
f=choice(flist)
children=[makerandomtree(pc,maxdepth-1,fpr,ppr)
for i in range(f.childcount)]
return node(f,children)
elif random( )<ppr:
return paramnode(randint(0,pc-1))
else:
return constnode(randint(0,10))

random1=makerandomtree(2)
random1.evaluate([7,1])
random1.evaluate([2,4])
random2=makerandomtree(2)
random2.evaluate([5,3])
random2.evaluate([5,20])
random1.display( )
random2.display( )
</syntaxhighlight>

接下来我们定义变异和交配函数来对树结构进行操作。

<syntaxhighlight lang="python">

def mutate(t,pc,probchange=0.1):
if random( )<probchange:
return makerandomtree(pc)
else:
result=deepcopy(t)
if isinstance(t,node):
result.children=[mutate(c,pc,probchange) for c in t.children]
return result

def crossover(t1,t2,probswap=0.7,top=1):
if random( )<probswap and not top:
return deepcopy(t2)
else:
result=deepcopy(t1)
if isinstance(t1,node) and isinstance(t2,node):
result.children=[crossover(c,choice(t2.children),probswap,0) for c in t1.children]
return result

random2.display( )
muttree=mutate(random2,2)
muttree.display( )
cross=crossover(random1,random2)
cross.display( )
</syntaxhighlight>

为了准备测试数据，我们使用事先给定的函数制造一个数据。其实上面那张表里面的数据就是这么制造出来的。为了便于评估数据，我们还需要准备相应的衡量一棵树拟合数据的结果的函数。

<syntaxhighlight lang="python">
def hiddenfunction(x,y):
return x**2+2*y+3*x+5

def buildhiddenset( ):
rows=[]
for i in range(200):
x=randint(0,10)
y=randint(0,10)
rows.append([x,y,hiddenfunction(x,y)])
return rows

def scorefunction(tree,s):
dif=0
for data in s:
v=tree.evaluate([data[0],data[1]])
dif+=abs(v-data[2])
return dif

def getrankfunction(dataset):
def rankfunction(population):
scores=[(scorefunction(t,dataset),t) for t in population]
scores.sort( )
return scores
return rankfunction

hiddenset=buildhiddenset( )
scorefunction(random2,hiddenset)
scorefunction(random1,hiddenset)
</syntaxhighlight>

一切都准备好，就可以开始进行遗传算法的迭代了：

<syntaxhighlight lang="python">
def evolve(pc,popsize,rankfunction,maxgen=500,
mutationrate=0.1,breedingrate=0.4,pexp=0.7,pnew=0.05):
# Returns a random number, tending towards lower numbers. The lower pexp
# is, more lower numbers you will get
def selectindex( ):
return int(np.log(random( ))/np.log(pexp))
# Create a random initial population
population=[makerandomtree(pc) for i in range(popsize)]
for i in range(maxgen):
scores=rankfunction(population)
print scores[0][0]
if scores[0][0]==0: break
# The two best always make it
newpop=[scores[0][1],scores[1][1]]
# Build the next generation
while len(newpop)<popsize:
if random( )>pnew:
newpop.append(mutate(
crossover(scores[selectindex( )][1],
scores[selectindex( )][1],
probswap=breedingrate),
pc,probchange=mutationrate))
else:
# Add a random node to mix things up
newpop.append(makerandomtree(pc))
population=newpop
scores[0][1].display( )
return scores[0][1]

rf=getrankfunction(buildhiddenset( ))
final = evolve(2,500,rf,mutationrate=0.2,breedingrate=0.1,pexp=0.7,pnew=0.1)
</syntaxhighlight>

有趣的是，许多时候我们会找到和原始公式一模一样，但比原始公式复杂的树。其实对树本身的变换，也就是符号计算背后的原理。这样，我们就更理解为什么说数学系统其实也是一个图灵机了。

[[category:python]]
[[category:旧词条迁移]]
[[Category:集智相关]]

地球科学读书会词条梳理

2024-05-21T07:38:23Z

18810648466：

==地球系统科学读书会简介==
地球科学是研究相互作用的大气圈、水圈、岩石圈和生物圈等组成的地球系统的形成、演化机制的学科。地球系统科学的研究对象是一个复杂的物理系统，从远古时代，人类便观察到一些独特的自然现象，在生产生活实践中，也尝试理解地球系统不同组成要素的联系，渐渐总结出了看云识天气，瑞雪兆丰年等一些列规律。

但是这些经验化的规律并不能完全刻画地球系统的变化，随着现代科学的不断发展，科学家尝试对复杂的地球系统进行定量化的研究。地球的气候系统是众多的复杂系统之一，在 20 世纪 60 年代，美国气象学家真锅淑郎开始探索大气中辐射平衡与气团垂直输送之间相互作用，据此领导了第一个地球气候物理模型的开发，并展示了大气中二氧化碳浓度的增加如何导致地球表面温度升高。大约十年后，德国气象学家克劳斯·哈塞尔曼创建了一个将天气和气候联系在一起的模型，并进一步回答了尽管天气多变而混沌，但气候模型却仍然可靠。此外他还开发了识别特定信号和印记（指纹）的方法，发现自然过程和人类活动都会在气候变化中留下指纹，证明了第一次工业革命以来大气温度的快速升高主要是是由人类排放二氧化碳导致的。这些开创性的工作，也让真锅淑郎和克劳斯·哈塞尔曼获得了2021年的诺贝尔物理学奖。

全球变暖显著地改变了地球系统的演化过程，由此引发的冰川退缩，海平面上升，极端天气气候事件频发等一系列的环境灾害，给人类社会也带来了许多严重的灾难。因此全球变暖不仅仅是一个科学前沿问题，更是一个重要的社会政治问题，影响着每个人的生存和发展。随着站点观测，卫星遥感、雷达等大量观测平台的相继建设，也产生了海量的地球系统观测数据，而目前经典的物理模型往往不能充分地利用这些数据，地球系统的许多问题也急需新的方法来深入解决。基于复杂网络的分析方法近些年来也被广泛运用，在中短期天气预报，二氧化碳空间不均匀分布的增暖效应，以及火灾的预测等问题上有了很多的创新性的工作。

此外，随着计算机技术、人工智能的快速发展，许多深度学习的方法比如神经网络、图网络等也被广泛地应用于分析和解决许多的地球系统科学问题，目前在大气污染预报，厄尔尼诺预测，自然灾害损失评估等领域有了明显的进展。复杂网络，深度学习等新方法的成功运用，给地球系统科学这门古老的学科注入了新的发展动力，也为解决当前地球系统科学面临的许多问题和迎接未来的挑战提供了强大动能。

由中国地质大学特聘副教授邓琪敏，北京师范大学“励耘”博士后，助理研究员张钢锋，北京师范大学系统科学学院在读博士王硕、在读硕士许菁等人发起的「地球系统科学」系列读书会，将组织大家系统地研究这些以统计物理方法、深度学习方法为核心在地球系统科学中应用的相关文献，深入研读相关文献，激发科研灵感。

若想进一步了解读书会，可点击[https://swarma.org/?p=30411 地球系统科学读书会启动：统计物理与深度学习交叉前沿。]

==项目目标==
*梳理地球系统科学读书会中所属领域相关的重要知识概念，为初学者提供更好的认知地图
*促进地球系统科学读书会所属领域的概念统一和对齐，达成共识
*跟随讲者的报告内容，定制化产出与报告内容紧密相连的重要概念，做精品词条的同时也给读书会成员提供预习资料
*不批量产生词条，生产比较精品高质量的词条
==项目背景==
该项目为地球系统科学读书会的沉淀产物。希望能够通过对地球系统科学读书会中重要概念的梳理，沉淀出地球系统读书会中探讨的问题中所涉及到的重要概念地图。
===词条来源===
该项目的词条来源由地球系统科学读书会的上官微、吴玉祥、王硕老师提供。

== 目前词条成果 ==
[[大数据]]

[[大气模式]]

==志愿者任务领取词库==
如您想领取词条，请在“未领取”栏下选取自己感兴趣的词条，点击进入该词条，点击“编辑”，在最上面写入“该词条由xxx于何时领取，预计于何时完成”
{| class="wikitable" width="100%;text-align:center;"
|-style="height:30px"
! scope='col' style='width:30%' |词条
!scope='col' style='width:20%' |认领人
!scope='col' style='width:25%' |认领时间
!scope='col' style='width:25%;' |完成时间
|-
|[[地球能量收支]]
|
|
|
|-
|[[陆地生态系统]]
|
|
|
|-
|[[生态系统]]
|
|
|
|-
|[[理论引导的数据科学]]
|
|
|
|-
|[[自然地理学]]
|
|
|
|-
|[[时间序列分析]]
|呀你也是一只猫w
|
|
|-
|[[气候动力学]]
|米培超
|
|
|}

== 负责人审核词库 ==
{| class="wikitable" width="100%;text-align:center;"
|- style="height:30px"
! scope="col" style="width:30%" |词条
!负责人
! scope="col" style="width:20%" |审核人
! scope="col" style="width:25%" |审核意见
!完成情况
|-
|[[碳循环]]
|栗子CUGB
|
|
|
|-
|[[空间分析]]
|呀你也是一只猫w
|
|
|
|}

==编辑排版词库==
{| class="wikitable" width="100%;text-align:center;"
|-style="height:30px"
! scope='col' style='width:30%' |词条
!scope='col' style='width:20%' |认领人
!scope='col' style='width:25%' |认领时间
!scope='col' style='width:25%;' |完成时间
!
|-
|[[气候模式]]
|薄荷
|2022.03.27
|2022.03.28
|
|-
|[[人类圈]]
|薄荷
|2022.03.27
|2022.03.28
|
|-
|[[未来地球]]
|薄荷
|2022.03.27
|2022.03.28
|
|-
|[[生物地球化学循环]]
|薄荷
|2022.04.04
|2022.04.16
|
|-
|[[霍德・利普森]]
|薄荷
|2022.04.04
|2022.04.16
|
|-
|[[遥相关]]
|薄荷
|2022.05.08
|2022.05.08
|
|-
|[[碳中和]]
|刘芮源
|
|
|
|-
|[[气候系统转折点]]
|张昊辰
|
|
|
|-
|[[地球系统工程与管理]]
|奥博
|
|
|
|-
|[[全球气候观测系统]]
|卢春燕
|
|
|
|-
|[[温室效应]]
|许博
|
|
|
|-
|[[生物圈]]
|孙小滢
|
|
|
|}

==专家审核词库==

[[气候系统]]

[[气候模式]]

[[人类圈]]

[[未来地球]]

[[生物地球化学循环]]

[[霍德・利普森]]
==志愿者积分表==
{| class="wikitable" width="100%;text-align:center;"
|- style="height:30px"
! scope="col" style="width:30%" |志愿者
!学园ID号##
! scope="col" style="width:20%" |认领词条
! scope="col" style="width:25%" |词条对应积分
! scope="col" style="width:25%;" |第一阶段积分总计
|-
|[[用户:小竹凉|<nowiki>小竹凉[[用户：小竹凉|小竹凉]]</nowiki>]]
|
|[[地球系统科学]]
|
|
|-
|
|
|
|
|
|-
|
|
|
|
|
|-
|
|
|
|
|
|-
|
|
|
|
|
|-
|
|
|
|
|
|-
|
|
|
|
|
|}

[[Category:集智相关]]

参与的2050

2024-05-21T07:37:49Z

18810648466：

这是一个预测、规划、参与未来的游戏；也是一个多学科相互交叉合作的研究项目。我们的目的就是为了预测、规划、影响2050年人类社会乃至世界的走向。

==项目背景==

2050年的人类社会是什么样子的？在[[走近2050]]这本书中，我们从注意力的角度解读了互联网现象，重新审视了人－机关系，对人类社会进行了畅想。特别是，在书中的最后一个故事中，我们描述了2050年世界的样子。

然而，这种想象还远远不够。首先，如果我们要想真的刻画出2050年人类社会，乃至世界的样子，不能简单地靠拍脑袋来决定。因为，2050年的世界显然是一个非常复杂的巨系统，它会受到人类社会、政治、经济、文化、环境等各个子系统的影响。同时，人类的发展遵循非线性效应，因此，我们不可能从单一方面的外推来考虑整个未来世界的发展。

基于这些考虑，我们有必要把对2050年世界的想象、预测，甚至是干预看作一个系统工程。我们要邀请各个行业的经营共同参与其中，共同规划未来。同时，我们会配合计算机模拟技术，来共同打造一个设计未来的游戏。这就是这个项目的起源。

我们每个人都是2050的参与者，我们有权利根据自己的想象来构建2050的世界。于是，“参与的2050”（Participated 2050）这个项目就诞生了。我们需要大家一起参与进来，共同预测、规划2050年的样子。

===关于未来学===

本项目研究应该属于未来学的范畴。根据维基百科上的定义，所谓的未来学（Futurology）是指一种对可能、偏好的未来进行推测的一种学问。究竟未来学属于人文还是社会科学一直是人们争论的焦点。一般而论，它属于与历史学相平行的社会科学的一个分支。

未来学运用大量的系统科学研究方法，包括动力系统、计算机模拟、头脑风暴法、Delphi方法、层次分析方法等等，来对未来进行预测。

历史上，著名的未来学研究包括“增长的极限”、“奇点临近”、“第三次浪潮”等等。

==项目意义==

无论是社会人文科学还是自然科学，它们的终极目标都是为了更好地预测未来。反过来说，是否能够更加合理、准确地预测未来也是检验我们对科学的掌握程度的最好标准。所以，“参与的2050”这个项目的意义就在于我们可以通过设定一个宏大目标——预测2050年的人类未来，来检验项目参与者所掌握的科学知识和技能。

2050年并不是一个过分遥远的未来。我们相信，几乎每一个本项目的参与者都有机会亲眼看到2050年时候的真正模样。所以，我们的所有研究成果都可以在那个时候得到检验。所以，这更像是一场实验，而不仅仅是一场与现实无关的游戏。

另外一方面，正如我们的标题，我们每个人都显然是2050世界的一部分，都是一个参与者。这也就意味着，我们的所做所为很有可能会真的改变2050年的世界。假如在这个项目中，诞生了非常好玩的创意或者是让人意想不到的预言，那么我们的研究成果是真的会影响未来社会的发展走向的。正如当年罗马俱乐部曾经预测人类社会将出现大危机，从而导致了很多人郁郁而死一样，我们的预言也可能有着同样的震撼效果。

==具体玩法==

我们初步构思是通过一种人－机结合的方式，多学科反复交叉地推演未来世界的走向。在初期，我们会形成一个由多个学科学者共同参与的研讨小组，共同制定一些基本规则。整个系统的模拟需要划分为多个模块，比如气候模块。在这个模块中，气像学专家就可以预测一下未来几十年的气候变化大趋势会怎么样。将气候模块得出来的结论作为一种基本的环境变量设定，再放到其他模块中。例如，可以将气候变化的各种参数设定为全球生态系统演化的条件。之后，生态学家开始根据这些设定推演未来几十年的生态系统变化。

与此类似，我们可以不断地从更宏大的系统独立推演得出参数，然后放置到这个系统能够影响的子系统中。然后推演子系统。当然，有的子系统会反过来影响父系统，因此，整个系统需要反复不停地迭代。具体的流程可以如下图所示：

[[File:2050-couplingofsubsystems.png|150px]]

在每一个推演的环节，我们都需要采用定性与定量相结合、计算机模拟与人类的参与相结合的方式来进行。

从上往下，沿着相互影响箭头每执行一次，就称为一轮仿真。一轮仿真的时间周期可以很长（数月甚至一年）。在每轮结束后可以组织衍生品产出，包括：

* 具体的技术发明
* 科幻小说

在宏大叙事下，展开细节的小发明和小故事，会让人印象深刻。

==成果呈现==

我们的成果将以如下形式体现：

# 不定期的人类发展报告（要用纪实文学的形式、要具体）
# 新环境下的技术发明（应以专利的形式体现）
# 科幻小说若干

==子系统（学科）划分==

在此，我们根据维基百科上的科学的领域划分给出了各个子系统的分级。根据这种划分，人类的科学知识总共分为：人文、社会、自然、形式四大学科。按照和本项目的关系密切程度来做排序，顺序应该是：自然、社会、形式、人文。

在其中，自然科学又分为了：生物、化学、地球科学、物理学、空间科学，以及农业、工程与技术、环境科学、医疗与健康、运动科学这几个专业学科。根据笔者的理解，除去化学、物理学这样的基础学科以外，这些学科从宏观到微观对本项目的影响排序应该是：空间科学、地球科学、环境科学、农业科学、生物、工程与技术、医疗与健康、运动科学。

下面，我们根据这些学科划分，从宏观到微观，详细论述与本项目有关的子学科

===空间科学===

该学科主要探讨与宇宙航行、空间探索有关的学科，它包括如下分支：

# 天体生物学
# 天文学
# 天体物理学
……

===地球科学===

所有与地球、地理相关的学科分支，包括：

# 地质学
# 行星学
# 水力学
# 冰川学
……

===环境科学===

环境科学是一种包含了物理、生物、信息科学的交叉学科领域，它的主要研究对象就是我们的生存环境，解决环境问题是其核心目标。环境科学主要包括：

# 大气科学
# 生态学
# 环境化学
# 地球科学

这四大领域。

===工程与技术===

可以说工程与技术是人类改造地球、改造社会的一种最主要的学科门类，它对我们预测2050年的世界与人类社会起着至关重要的作用。下面我们列出一些可能与本项目研究有关的学科领域。

* 化学工程
*: 材料工程
===工程与技术===

可以说工程与技术是人类改造地球、改造社会的一种最主要的学科门类，它对我们预测2050年的世界与人类社会起着至关重要的作用。下面我们列出一些可能与本项目研究有关的学科领域。

* 化学工程
*: 材料工程
*: 分子工程
*: 纳米技术
* 土木建筑
*: 交通运输工程
*: 环境工程
*: 矿业工程
*: 结构工程
* 电气工程
*: 计算机工程
*: 计算机科学
*: 信息理论
*: 量子计算
*: 机器人
*: 半导体
* 材料科学与工程
*: 生物材料
*: 纳米材料
* 机械工程
* 生物医药工程
* 机器人
* 车辆运输工程

要注意的是，这种人为的分割仅仅是一种权宜之计。事实上，所有这些学科、子系统都是相互耦合的。因此，在模拟的过程中，我们需要综合考虑各种因素。

==实施步骤==

===形成项目筹备委员会===

由3到5个核心成员形成项目筹备委员会，职责是制定游戏的规则，召集活动参与者，负责、保证项目的实施。

===形成专业委员会===

由10-20人组成，来自各个领域的专家。大家通过研讨和交流，形成具体的项目实施方案。

===建立模型进行推演===

根据专业委员会讨论形成的具体方案，建立模型，进行推演。这里的模型是指人－机结合的模型。

===形成故事===

根据模拟的结果，招募大量的志愿者，形成在这个设定下的具体故事。希望对未来世界形成更具体、饱满的描述。

==参考资料==

===2050人类大迁徙===
[[File:人类大迁徙.jpg|300px]]

罗伦斯·史密斯写的《2050人类大迁徙》是一本与本项目主题最接近的一本书，该书主要从气候、人口全球经济的角度构思、预测了人类社会的未来。但是，本书唯一的不足是作者认为技术的力量并不足矣克服全球气候、人口增长、资源消耗的速度。

然后，从另一个角度说，《2050人类大迁徙》恰恰形成了《[[走近2050]]》的一个补充，因为前者主要从地理、环境、生态的角度探索地球的发展，而后者则主要从人工智能、虚拟现实等技术的角度来外推。
[[Category:旧词条迁移]]
[[Category:集智相关]]

因果科学社区

2024-05-21T07:37:09Z

18810648466：

（该词条正在编辑中）

== 因果科学社区介绍 ==

=== 因果科学社区简介 ===
一场改变数据科学的新革命——”因果革命“正在发生，与以数据为中心的第一次数据科学革命（涉及机器学习，深度学习及其应用，例如Alpha-Go、图像识别、机器翻译、自动驾驶等等）不同，因果革命以科学为中心，扩散到各个领域，从数据到政策、可解释性、机制的泛化，再到社会科学中的归因和公平性问题，甚至哲学中的创造性和自由意志。可以说，因果革命彻底改变了科学家处理因果问题的方式，'''形成了一门新学科——因果科学'''。

因果科学社区由智源社区、集智俱乐部共同推动，面向因果科学领域的垂直型学术讨论社区，目的是促进因果科学专业人士和兴趣爱好者们的学习、交流和合作，推进因果科学学术、产业生态的建设和落地，孕育新一代因果科学领域的学术专家和产业创新者。

The Causal AI Community is an academic community focuses on the topics of Causal Inference and Artificial Intelligence, which is supported by the Beijing Academy of Artificial Intelligence and the Swarma Club. The aim of the community is to promote the communication and cooperation among researchers who are interested in Causal Inference and AI.

===因果科学社区愿景===
回答因果问题是各个领域迫切的需求，当前许多不同领域（例如 AI 和统计学）都在使用因果推理，但是他们所使用的语言和模型各不相同，导致这些领域科学家之间沟通交流困难。因此我们希望构建一个社区，通过组织大量学术活动，使得科研人员能够掌握统计学的核心思想，熟练使用当前 AI 各种技术（例如 Pytorch/Pyro 搭建深度概率模型），促进各个领域的研究者交流和思维碰撞，从而让各个领域的因果推理有着共同的范式，甚至是共同的工程实践标准，推动刚刚成型的因果科学快速向前发展。具备因果推理能力的人类紧密协作创造了强大的文明，我们希望在未来社会中，因果推理融入到每个学科，尤其是紧密结合和提升 AI ，期待无数具备攀登因果之梯能力的 Agents (Causal AI) 和人类一起协作，共建下一代的人类文明！

=== 因果科学社区的发展历史 ===

=== 因果社区科学家 ===
因果社区科学家是指社区内有突出科研贡献和科研成果学者，是因果科学社区的最高荣誉。我们梳理了这些年参与过因果社区建设的重要学者，符合以下标准之一则可以认定为因果社区科学家：

1.以学者的身份参与过集智凯风研读营

2.以发起人的身份发起因果科学系列读书会

3.作为特邀讲者参与读书会的报告分享

'''''以下为部分科学家代表，非社区内全部科学家名单'''''

===== Donald B. Rubin =====

* 现任清华大学和天普大学讲席教授，美国科学院院士，美国艺术与科学院院士，美国科学促进会会士。Rubin教授是当今世界影响力最深远的统计学家之一，他在现代统计领域做出了许多基础贡献，特别是在缺失数据和因果推断方面。他也是世界上被引用最多的科学作者之一，根据谷歌学者的数据，他被引用超过25万次。此外，截至2019年底，他有10篇单独发表的论文，每一篇都被引用超过1000次。 Rubin教授的研究领域集中在：实验和观察研究中的因果推理；无响应抽样调查和缺失数据问题中的推理；贝叶斯技术的应用等。他获得过统计学领域几乎所有著名奖项，是当今世界最具影响力的统计学家。他对科学的贡献已超出统计学范畴，其统计思想对生物医学、经济学、心理学、教育学、社会学及计算机科学等众多领域均产生了重要影响
* 主要贡献：作为特邀讲者参与读书会的报告分享

===== Per Johansson =====

* 现任瑞典乌普萨拉大学统计系教授。1993年毕业于瑞典于默奥大学并获博士学位。Johansson教授致力于微观数据的分析（方法与应用），研究领域包括劳动经济学（收入保障体系对劳动力市场行为、项目评估、教育经济学的影响），以及交通经济学等
* 主要贡献：作为特邀讲者参与读书会的报告分享

===== 崔鹏 =====
清华大学计算机系长聘副教授，2010年于清华大学获得博士学位。研究兴趣包括大数据环境下的因果推理与稳定预测、网络表征学习、社会动力学建模，及其在金融科技、智慧医疗及社交网络等场景中的应用。已在数据挖掘及多媒体领域顶级国际期刊和会议上发表论文百余篇，并先后获得7项国际会议及期刊最佳论文奖，包括中国入选数据挖掘领域顶级国际会议KDD最佳论文专刊的首篇论文。目前担任IEEE TKDE、IEEE TBD、ACM TOMM、ACM TIST等四个国际顶级期刊的编委。获得中国计算机学会青年科学家奖，国际计算机协会（ACM）中国新星奖，并入选中国科协首届青年人才托举计划。获得国家自然科学二等奖、教育部自然科学一等奖、北京市科技进步一等奖、中国电子学会自然科学一等奖。入选中组部万人计划青年拔尖人才，并当选为中国科协全国委员会委员

===== 周晓华 =====
北京大学讲席教授，北京大学北京国际数学研究中心生物统计和生物信息研究室主任，北京大学公共卫生学院生物统计系主任，在国际顶尖的统计和生物统计期刊JRSSB、JASA、Biometrika、Ann. Statist、Biometrics、Stat. Med.等发表230多篇因果推断、统计建模相关方法及在医学研究上应用的SCI论文，130余篇是第一或通信作者，JCR一区论文120篇，总引用量12000余次。提出的新型因果推断和灵敏度分析理论及方法被应用于工业及医疗领域，并获得了国际贝叶斯学会颁发的重要奖项——Mitchell奖；在国际上首次提出群体大数据新的因果推断理论。周晓华及其团队在研究因果作用的可识别性、估计量的稳健性、与死亡相关生命质量的因果推断、随机激励设计的因果推断、个性化治疗等多个研究课题上取得了突出成果。周晓华与潜在结果因果推断模型创始人美国科学院院士Donald Rubin教授有超过30年的合作。创办并组织召开三届太平洋因果推断会议（Pacific Causal Inference Conference），为因果推断最新数学成果的国际性交流和发展做出重要贡献

===== 耿直 =====
北京大学数学科学学院教授。1982年获上海交通大学学士学位，1989年获日本九州大学博士学位。1989年至今在北京大学概率统计系任教。主要研究方向为因果推断、数理统计、生物医学统计、因果网络、贝叶斯网络、图模型等。1998年当选国际统计学会推选会员，1998年获国家杰出青年基金资助项目。曾任中国数学会概率统计学会理事长、IMS-China主席、国务院学位委员会统计学学科评议组成员等职务。荣获国家教委科技进步奖二等奖、全国统计科学研究优秀成果奖一等奖等多项奖励

===== 董振华 =====
南开大学博士，明尼苏达大学GroupLens Lab访问学者。研究方向：推荐系统，信息检索，因果推理，反事实学习。现任华为诺亚方舟实验室技术专家，负责推荐系统、机器学习前沿技术的研究与落地，帮助华为多个产品构建推荐系统，包括：华为浏览器，华为应用市场，广告系统，负一屏信息了与服务直达，金融产品推荐系统等。专利20+篇，在TKDE，SIGIR，RecSys，WWW，AAAI，CIKM等期刊、会议发表学术论文30+篇，担任SIGKDD（2017～now）、SIGAPP（2018～now）程序委员及审稿人。《奇点临近》译者

===== 蔡瑞初 =====
蔡瑞初，教授、博士生导师、数据挖掘与信息检索实验室（DMIR）主任、国家优秀青年基金获得者。 2010年于华南理工大学获得工学博士学位，并进入广东工业大学工作；2015年并被评为教授、博士生导师；曾先后到新加坡国立大学、UIUC高等数字科学研究中心访问学习。蔡教授专注于因果关系发现与因果性学习、深度学习等领域的理论与应用研究。在上述领域先后主持国家优秀青年基金、科技部”科技创新2030“重大项目、省杰出青年基金、省特支计划等项目；提出了因果关系发现与因果性学习系列理论与方法，在ICML、NIPS、AAAI、IJCAI、SIGMOD 、VLDB、SDM等领域重要会议和TNNLS、TKDE、NN、PR等国际著名期刊发表论文100余篇；解决了因果故障定位、因果决策优化、因果个性推荐等应用难题，相关成果在华为、网易、腾讯、滴滴、唯品会、南方电网、南方通信建设等企业实施，取得了良好的经济和社会价值；获得省科学技术二等奖（第四完成人）、省科学技术一等奖（第三完成人）、国家发明专利奖优秀奖（第三完成人）等奖项；指导学生获得NeurIPS 2019解耦学习算法大赛第一名、亚太因果推理大会推理大赛第一名、“互联网+”全国决赛银奖等奖项。

===== 冯福利 =====
新加坡国立大学研究员。研究领域：信息检索、数据挖掘、机器学习、因果推断等，发表会议和期刊论文30余篇，包括SIGIR、SIGKDD、WWW、ACMMM、TOIS和TKDE，谷歌学术引用1300余次，研究成果在多家公司的商业系统应用。曾获WWW 2018最佳演示论文奖。担任Frontiers in Big Data编委，众多顶级期刊、会议审稿人/程序委员，包括SIGIR、WWW、NeurIPS、AAAI、ACL、EMNLP、ACMMM、TOIS、TNNLS、TKDE、TMM

===== 赵西亮 =====
厦门大学经济学院和王亚南经济研究院经济学教授、博士生导师。清华大学经济管理学院数量经济学专业博士，美国康奈尔大学和芝加哥大学访问学者，加拿大西安大略大学经济系博士后，长期从事中国经济和应用计量经济学研究，编著教材《基本有用的计量经济学》，被京东评为“十大构思细腻的大学教材”之一。在《经济研究》、《经济学》（季刊）、《数量经济技术经济研究》、《WorldEconomy》等国内外重要期刊发表论文十余篇。China Economic Review, 《经济研究》、《管理世界》、《经济学（季刊）》、《世界经济》等国内外重要期刊匿名审稿人。

===== 张含望 =====
南洋理工大学助理教授，荣获“南洋”学者经费资助。他于2009年在浙江大学取得学士学位，并在2014年在新加坡国立大学取得了博士学位，之后在新加坡国立大学和美国哥伦比亚大学从事研究工作。张博士的主要研究领域是多模态当中的计算机视觉和机器推理。张博士曾经获得ACM MM 2013的最佳学生论文，ACM SIGIR 2016的最佳论文提名奖，以及TOMM 2018和IEEE TMM 2020的最佳论文, IEEE AI’s 10 to watch。其团队获得Visual Dialog Challenge 2018, 2020亚军以及2019冠军。

===== 张俊妮 =====
北京大学国家发展研究院副教授，2002年获美国哈佛大学统计学博士。现任民盟中央社会委员会委员、民盟北京市委金融委员会委员、中国现场统计研究会计算统计分会常务理事。曾任北京大学光华管理学院助理教授、副教授、北京大学商务智能研究中心副主任、北京大学光华管理学院责任与社会价值中心副主任。曾获北京大学立项教材奖励、北京大学优秀班主任奖励及北京大学教学优秀奖。研究领域为贝叶斯人口统计学、因果推断、数据与文本挖掘。

===== 苗旺 =====
北京大学概率统计系助理教授，2008-2017年在北京大学读本科和博士，2018-2020在北大光华管理学院任助理教授，2017-2018 在哈佛大学生物统计系做博士后研究。研究兴趣包括因果推断，人工智能，缺失数据分析和半参数统计，以及在生物医药、流行病学和社会经济中的应用。

===== 俞奎 =====
合肥工业大学计算机与信息学院黄山学者特聘教授，博士生导师。研究方向为因果推断与机器学习、自然语言处理等。在IEEE TPAMI、IEEE TKDE、IEEE TNNLS、ICML、KDD、AAAI等国际权威期刊与国际顶级会议发表学术论文40多篇。曾获2014年度中国计算机学会（CCF）优秀博士学位论文奖，2014年度加拿大太平洋数学研究院（PIMS）博士后奖。目前主持科技部科技创新2030-“新一代人工智能”重大项目课题一项，国家自然科学基金面上项目一项。安徽省人工智能学会认知智能与知识工程专委会主任，中国人工智能学会不确定性人工智能专委会委员，粒计算与知识发现专委会委员；担任多个国际人工智能领域顶级会议的领域主席与程序委员会委员。

===== 胡悦 =====
清华大学政治学系副教授，博士生导师，清华大学社科学院数据治理研究中心副主任、Github Campus Advisor，主要从事政治心理、政治语言、不平等认知、政治传播等方面研究。

===== 宫明明 =====
墨尔本大学讲师，研究方向为因果推断，基于因果的机器学习，迁移学习，计算机视觉。

===== 况琨 =====

* 浙江大学计算机科学与技术学院助理教授，研究方向因果推理、机器学习、数据挖掘。
* 主要贡献：参与集智研读营因果科学与Causal AI 专题分享“观测研究中的因果推断”

===== 郭若城 =====

* 香港城市大学（the City University of Hong Kong）数据科学学院任助理教授。研究方向为因果推理、机器学习、数据挖掘
* 主要贡献：参与集智研读营因果科学与Causal AI 专题分享“因果推断和机器学习的融合”

===== 龚鹤扬 =====

* 中国科学技术大学统计学在读博士，研究方向为因果推理。

* 主要贡献：作为因果科学与 Causal AI 系列读书会第一季发起人之一，参与集智研读营因果科学与Causal AI 专题分享“教会机器因果推理的强人工智能之路”

===== 陆超超 =====

* 剑桥大学机器学习组博士生，由Zoubin Ghahramani教授和José Miguel Hernández-Lobato教授联合培养，Carl Edward Rasmussen教授指导；同时他也是Cambridge-Tübingen 博士奖学金的获得者，由马克斯·普朗克智能系统研究所的Bernhard Schölkopf 教授联合培养。他的主要研究兴趣是机器学习，特别是涉及到如何结合因果推理、贝叶斯推理、强化学习和深度学习各自的优势，并将它们应用在现实领域中解决实际问题，如计算机视觉和医疗等领域。
* 主要贡献：作为因果科学与 Causal AI 系列读书会第二季发起人之一，参与集智研读营因果科学与Causal AI 专题分享

===== 李奉治 =====

* 中国科学院计算技术研究所直博生，主要研究方向为因果推理理论，以及因果在机器学习算法中的工程实践
* 主要贡献：作为因果科学与 Causal AI 系列读书会第三季发起人之一，参与集智研读营因果科学与Causal AI 专题分享“因果科学：Do-演算相关算法”

===== 李昊轩 =====

* 北京大学大数据科学研究中心博士研究生，导师为周晓华教授，专业为数据科学（统计学），研究兴趣为因果推断，推荐系统，强化学习
* 主要贡献：作为因果科学与 Causal AI 系列读书会第三季发起人之一

===== 黄碧薇 =====

* 卡耐基梅隆大学博士。主要研究领域为因果发现，因果关系启发式机器学习，和计算神经科学。
* 主要贡献：参与集智研读营因果科学与Causal AI 专题分享“基于观测数据的因果发现及因果关系启发式机器学习”

'''郭启淏'''

* 南方科技大学科研助理，从事方向为量子计算的物理实现、基于超导量子电路的量子模拟及量子纠错。
* 主要贡献：参与集智研读营因果科学与Causal AI 专题分享“量子因果”

===== 高亦斌 =====

* 北京大学物理学本科，美国俄亥俄州立大学博士，现在北京一家互联网公司从事人工智能和大数据相关的工作。对复杂系统建模，人工智能，因果推断等感兴趣
* 主要贡献：作为因果科学与 Causal AI 系列读书会第一季发起人之一

===== 张天健 =====

* 本科毕业于西安交通大学，现为香港中文大学（深圳）计算机信息工程专业博士研究生，研究兴趣包括可解释机器学习，因果推断及其在通信、医疗等领域中的应用。
* 主要贡献：作为因果科学与 Causal AI 系列读书会第二季发起人之一

== 因果科学社区活动 ==

=== 因果科学读书会 ===
为了深入学习探讨因果科学议题，通过集体智慧'''梳理因果科学的核心内容，理解它如何改变数据科学'''，'''助力 AI 系统超越曲线拟合和获得回答因果问题的能力'''；同时，也为了降低科研门槛，促进因果科学的普及，'''集智俱乐部联合智源社区'''，携手开启了因果科学系列读书会。

==== 【第一季：因果科学与Causal AI框架及前沿方向】 ====
图灵奖得主朱迪亚·珀尔教授认为，当下正在进行一场改变数据科学的新革命 ”因果革命“。它以科学为中心，涉及从数据到政策、可解释性、机制的泛化，再到一些社会科学中的归因和公平性问题，甚至哲学中的创造性和自由意志。本季读书会以Elements of Causal Inference一书为线索，主要展现因果科学在机器学习各个方向上的影响，包括强化学习、迁移学习、表示学习等等，并分享在工业界的部分应用成果。本季读书会梳理了因果科学的核心内容，理解它如何改变数据科学，助力 AI 系统超越曲线拟合和获得回答因果问题的能力。
-

'''发起人''' 龚鹤扬、高亦斌、郭瑞东等
-

时间 2020.08.26-2021.01.02

'''相关资料'''

[https://pattern.swarma.org/path?id=9 因果推断方法概述]

[https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]

[https://pattern.swarma.org/path?id=145 构建因果引擎，创新科研范式——因果科学的学习路线图]

本季读书会共邀请了来自海内外不同机构的32位讲者围绕因果科学进行分享，基本上涵盖了因果科学的整体框架，最终形成了因果科学的全局索引地图，给出了一个因果科学的概览。
[[文件:因果科学读书会第一季32位讲者.png|无|缩略图|972x972像素|因果科学全局索引地图]]

===== 因果科学第一季读书会成员基础画像 =====
截至2022年1月17日，因果科学读书会总报名人数382人。大家有以下特点：

1.参与用户中男女比例为7：3，以男性居多。

2.参与用户中博士比例接近50%，硕博比例超过80%，整体学历水平非常高。

3.毕业院校以海内外高校为主，包括清华大学、北京大学、浙江大学、中科院、复旦大学等学校。

4.参与用户以高校内的一线科研工作者为主，也有来自阿里巴巴、滴滴、腾讯等互联网大厂的工程师和研究员。
[[文件:因果科学读书会第一季人物画像.png|无|缩略图|967x967像素]]
5.参与用户学生居多，也包括很多教授、工程师等，同时大家所学专业种类非常多，包括计算机、人工智能、传播学、统计学、企业管理等，充分说明了跨学科交流的特性。
==== 【第二季：因果科学与Causal AI基础实战】 ====
因果推断与机器学习领域的结合已经吸引了越来越多来自学界业界的关注。第一季读书会主要关注了因果科学在机器学习方向上的前沿应用，为深入探讨、普及推广因果科学议题，第二季读书会着力于实操性、基础性，带领大家精读因果科学方向两本非常受广泛认可的入门教材：Causal inference in statistics: A primer和Elements of causal inference: foundations and learning algorithms。读书会以直播讨论为主，结合习题交流、夜谈、编程实践、前沿讲座等多类型内容，主要面向有机器学习背景、希望深入学习因果科学基础知识和重要模型方法、寻求解决相关研究问题的研究人员。
-

发起人李奉治、陆超超、张天健等
-

时间 2021.02.24-2021.07.24

'''相关资料'''

[https://pattern.swarma.org/path?id=138 因果科学读书会第二季主题论文合集]

==== 第二季成员基础画像 ====
截至2022年1月17日，因果科学读书会第二季共报名427人，具有以下特点：

* 参与成员较第一季比女性成员比例有所上升。
* 参与成员博士比例接近50%，硕博比例超过80%，高学历学者占比较高，与第一季基本一致。
* 参与人员所在单位以国内外高水平院校和互联网大厂为主，其中包括北京大学、清华大学、北京航空航天大学、同济大学、浙江大学、西安交通大学、中国科学院大学、北京师范大学等一流院校，还包括华为、美团等企业。
* 参与人员以学生为主，尤其是硕博学生。除了高校学生，还有教授、工程师、高级经理等角色加入社区，为因果科学的研究提供了不同的视角。
* [[文件:因果科学读书会第二季人物画像.png|无|缩略图|972x972像素]]参与人员的专业背景非常丰富，包括计算机、管理科学与工程、数学、生物信息、化学工程、传播学、控制科学与工程等学科。研究兴趣也涵盖了因果推断、机器学习、强化学习、复杂系统、时间序列分析等领域。不同专业背景和不同研究兴趣的社区学者为因果科学的研究注入了更多活力，增强其跨学科研究特性。

==== 【第三季：因果科学与Causal +X领域概览】 ====
“因果”并不是一个新概念，而是一个已经在多个学科中使用了数十年的分析技术。通过前两季的分享，我们主要梳理了因果科学在计算机领域的前沿进展。如要融会贯通，我们需要回顾数十年来在社会学、经济学、医学、生物学等多个领域中，都是使用了什么样的因果模型、以什么样的范式、解决了什么样的问题。我们还要尝试进行对比和创新，看能否以现在的眼光，用其他的模型，为这些研究提供新的解决思路。
-

发起人李奉治、李昊轩等
-

时间 2021.10持续至今

'''相关资料'''

[https://pattern.swarma.org/path?id=146 因果+X：解决多学科领域的因果问题 | 因果科学读书会第三季论文合集]

'''第三季成员基础画像'''

截至2022年1月17日，因果科学读书会第三季共报名287人，具有以下特点：

* 参与成员男女比例6：4，较第二季比女性成员比例有所上升。
* 参与成员博士比例接近50%，硕博比例超过80%，高学历学者占比较高，与第一季、第二季基本一致。
* 参与人员所在单位以国内外高水平院校和互联网大厂为主，其中包括北京大学、清华大学、北京航空航天大学、四川大学等一流院校，还包括华为、美团等企业。
* 参与人员以学生为主，尤其是硕博学生。除了高校学生，还有教授、助理研究员、工程师、高级经理等角色加入社区，为因果科学的研究提供了不同的视角。
[[文件:因果科学读书会第三季人物画像.png|无|缩略图|1066x1066像素]]

=== 2021泛太平洋因果推断大会 ===

==== 基本介绍 ====
因果推理的目标是将外部知识与学习设计结合起来，得到变量之间的因果关系。尤其是在人工智能技术遭遇瓶颈的现在，因果推理的方法也越来越受到不同领域的重视，它在人工智能、统计学、生物统计学、生物医学、计算机科学、经济学、流行病学和各种社会科学等领域获得了广泛的应用。北京大学讲席教授、北京大学公共卫生学院生物统计系系主任、北京大学北京国际数学研究中心生物统计和信息研究事室主任周晓华等发起了本次2021泛太平洋因果推断大会，会议将集中讨论因果科学在不同领域的最新进展。会议邀请了众多国内外因果科学学术大拿，共同讨论因果科学的最新进展。

每位讲者将用25分钟的时间汇报自己在因果领域的最新工作，9月11、12日累计15个小时的科研成果汇报。活动期间也会有华为因果挑战赛的获奖团队跟进获奖项目报告，共同助力本次2021泛太平洋因果推断大会的成功举办。

该会议曾经邀请过Bernhard Schölkopf, Donald B. Rubin, James M. Robins, Cui Peng, Zhang Kun, Zhouxiaohua等海内外的学术大拿共同分享最新的科研进展，并进行深度的探讨。第二届大会（2020年）内容回顾参见：

* [http://mp.weixin.qq.com/s?__biz=MzU5MDg1ODYyMA==&mid=2247485385&idx=1&sn=d976aa0d4094e09dc49d8a5ffb21a0ce&chksm=fe3697dac9411ecca50b53d2796460adb426b335492e6b1c51d67d0cec081f84569935006548&scene=21#wechat_redirect 泛太平洋因果推断大会回顾（一）]
* [http://mp.weixin.qq.com/s?__biz=MzU5MDg1ODYyMA==&mid=2247485385&idx=2&sn=993168772ec29355ec1ac23a5d8db542&chksm=fe3697dac9411ecc1b3ef577db22bf0c86de6011ff0d7b8761f665fbacaf05b7f89ed141336f&scene=21#wechat_redirect 泛太平洋因果推断大会回顾（二）]

==== 更多资料 ====
由集智因果科学社区同学整理汇总的所有参会讲者信息，包括了讲者的背景介绍，研究兴趣，科研课题以及个人网站信息等丰富的资料大会日程安排详情可参见[https://swarma.org/?p=28801 2021泛太平洋因果推断大会]

== 成果展示 ==

=== 因果科学读书会产出成果 ===
读书会不仅促进了因果科学社区的讨论思考，还带来了一系列成果：

==== 因果科学周刊 ====
形成了一系列因果周报：从 Causality, Causal Inference, Causal AI 三个维度鸟瞰，按照论文推荐、演讲报告、会议活动归类整理和推送近期因果科学值得关注的信息，为大家更好地了解因果科学的最新科研进展和资讯提供帮助。
*[https://mp.weixin.qq.com/s?__biz=MzU5ODg0MTAwMw==&mid=2247491336&idx=2&sn=6dc419037fc7d0bde56dcb0fc3c25423&chksm=febf5cccc9c8d5da6582ada27e0ded229073d04e8d0547d6a228fcd4611073ae001f230ec0c6&scene=21#wechat_redirect 《因果科学周刊》第1期：因果社区诚邀加入，打造因果推理共同范式]
*[https://mp.weixin.qq.com/s?__biz=MzU5ODg0MTAwMw==&mid=2247491873&idx=3&sn=4c9e586a16367301399dc2a59409cbad&chksm=febca2e5c9cb2bf34c6b81dc23b6de0ea3115ef9690c5bdbd2aa4d2d0b2e645c1c2aed6963b3&scene=21#wechat_redirect 《因果科学周刊》第2期：如何解决混淆偏差？]
*[https://mp.weixin.qq.com/s?__biz=MzU5ODg0MTAwMw==&mid=2247492017&idx=3&sn=014b13000d559785ef806179ec0f7b71&chksm=febca275c9cb2b63988e1f6ee1707982a100271f845c93999d789ceb10def93dd970040c1fcf&scene=21#wechat_redirect 《因果科学周刊》第3期：因果助力]
*[https://mp.weixin.qq.com/s?__biz=MzU5ODg0MTAwMw==&mid=2247493045&idx=3&sn=f8d1928e03af2b7e00523072954621d0&chksm=febca671c9cb2f67c0f6da7e2db351447df47b6ca1f8ba9e23ab8196554857997b57ba2b24c0&scene=21#wechat_redirect 《因果科学周刊》第4期：因果赋能推荐系统]
*[https://mp.weixin.qq.com/s?__biz=MzU5ODg0MTAwMw==&mid=2247493576&idx=3&sn=e76f4c9096b2ba7ba8241e2dc93dd01a&chksm=febca40cc9cb2d1ad747f5f54fd6a537158464a3e4a59fd35fc05c273fa5c5b378efed53de00&scene=21#wechat_redirect 《因果科学周刊》第5期：OOD 泛化]
*[https://swarma.org/?p=22756 《因果科学周刊》第6期：领域自适应]

==== 因果科学开源书籍 ====
目前关于因果推理的一些大众科普读物很多，但是针对因果推理从基础入门到深入研究的专业科普书却很少，对于想要了解因果推理，或者是希望转行从事因果推理研究的人来说，可参考的入门级实操专业性资料较少。基于这样痛点需求，我们希望可以通过因果科学读书会闭门分享讨论的形式，为大家提供更加沉浸，深度，自由的交流环境，共同掌握因果推理的基础知识，前沿探究，和业界应用，同时将读书会的产出以科普书籍的方式出版。

故借助因果科学读书会，推动了因果开源书籍的众筹：通过因果科学与Causal AI读书会，以众包的方式梳理因果科学的基础架构，筹备开源书籍，希望为投身这个领域的科研工作者提供一个全面、清晰且简洁的入门框架。

详情可见[https://swarma.org/?p=20838 因果科学与 Causal AI 系列读书会 | 众包出书 | 集智俱乐部]。

==== 因果科学相关算法、框架、数据集 ====
因果科学的工作大致可以分为基础因果假设及框架（fundamental causal assumption and framework）、因果学习（causal learning）、因果推断（causal reasoning/inference）和应用系统，其中因果学习又可以分为因果结构学习（causal discovery/causal structure learning）和因果表示学习（causal representation learning）。因果社区的成员闫和东对其进行了梳理和总结，而龚鹤扬、张天健、李奉治、段月然、孙钦贵参与了讨论和贡献。收集了因果科学相关的概率编程框架、工具包、数据集及基准，并依此进行分类。详情可见[https://swarma.org/?p=27736 因果科学算法、框架、数据集汇总]。

== 主办方 ==

=== 关于[[集智俱乐部读书会]] ===
集智俱乐部读书会是面向广大科研工作者的系列论文研读活动，其目的是共同深入学习探讨某个科学议题，了解前沿进展，激发科研灵感，促进科研合作，降低科研门槛。

读书会活动始于 2008 年，至今已经有 40 余个主题，内容涵盖复杂系统、人工智能、脑与意识、生命科学、因果科学、计算社会科学等。凝聚了众多优秀科研工作者，促进了科研合作发表论文，孵化了许多科研产品。如 2013 年的“深度学习”读书会孕育了彩云天气 APP，2015 年的“集体注意力流”读书会产生了众包书籍《走近2050》等。

为了更好地普及复杂经济学思想，促进复杂经济学教育，推进复杂经济学研究，集智俱乐部筹备组织复杂经济学的主题读书会，已有多位相关领域学者参与。读书会为保证金-退款模式，从1月26日开始，每周二晚线上举办，研讨论文，共读共享。

=== 集智俱乐部 ===
[[集智俱乐部]]，英文名：Swarma Club，成立于 2003 年，是一个从事学术研究、享受科学乐趣的探索者的团体，也是国内最早的研究人工智能、复杂系统的科学社区。它倡导以平等开放的态度、科学实证的精神，进行跨学科的研究与交流，力图搭建一个中国的 “ 没有围墙的研究所 ”。

* 关于集智俱乐部的故事：我们的时代：摇滚、互联网与科学。

=== 关于智源社区 ===
智源社区隶属于北京智源人工智能研究院，我们致力于创建一个AI领域内行人的交流平台。在这里你有机会参与全年线上线下百场专题论坛，与顶尖学者零距离接触；也可以与同行探讨领域前沿，碰撞思想火花。

== 推荐阅读 ==
[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247515078&idx=1&sn=b3c0cea57d03618d3f1b740a02d4715b&chksm=e897e14bdfe0685db345cb7e71d04d4dd3a5afbd6967a758ad8e83293d1d6c76a276f5e424c4&scene=21#wechat_redirect 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]

[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247526675&idx=1&sn=79553a046e58955e7792338e46d466b1&chksm=e897339edfe0ba8803edebcb87eb32f8f08d1c1184c399f090e1949c809a83c2902415a702fd&scene=21#wechat_redirect 因果阶梯与Do-演算：怎样完美地证明吸烟致癌？]

[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247520420&idx=1&sn=ed8b2a5734671c9b462e94841bb21b98&chksm=e897ca29dfe0433f69f2c9044ab0bcdad6fc65c9fa238cd20347f0c7dcc335f578c1861ecd9d&scene=21#wechat_redirect 因果发现：如何让算法成为复杂系统中的“福尔摩斯”？]

[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247526157&idx=3&sn=2835cb0114b57d01ce78198c72006ace&chksm=e8973d80dfe0b49659a602851620ca5df0cd1e43e5f6cbfdbf6937457c501462e6a2a11bf364&scene=21#wechat_redirect PC算法：缺失数据下的因果发现]

[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247521609&idx=1&sn=dd2f34baa3f9cd43f4a319d763086d73&chksm=e897cfc4dfe046d258a6ac12184c259898b2d356e7e386f004461fbc19d7485e6ae4a3b1fdeb&scene=21#wechat_redirect 如何在观测数据下进行因果效应评估]

[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247520660&idx=1&sn=22cc85b84b5e22aae45e5a60bf789276&chksm=e897cb19dfe0420f42634d4057d03c81c38449ff6daebc4c875dab695fb463abe3c9d2025414&scene=21#wechat_redirect 借助因果推断，更鲁棒的机器学习来了！]

[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247520023&idx=1&sn=1c129b89ad642eaf166c532a50c0fc7c&chksm=e897d59adfe05c8c9b96ede9754e359f42aa8f7adc2e37da744eff2b9b320d8222a0ea72de1d&scene=21#wechat_redirect 因果科学怎样改变人工智能和现实世界？| BDSC2020因果推断分会场回顾]

[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247506966&idx=1&sn=4a77e194848fde84154ee906826e0fb5&chksm=e897869bdfe00f8d638a21570f9d11786f8d5bdff359731ecb608bd490227e759c437278634b&scene=21#wechat_redirect 因果观念新革命？万字长文，解读复杂系统背后的暗因果]

[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247500020&idx=1&sn=7cef5358569c9d9a2983a3b65ff7d331&chksm=e8979a79dfe0136fe46239c480ed103924b01e09cfe4c764ca6219d075a4638dcb1c2be408e9&scene=21#wechat_redirect 因果之箭指向何方？| 图灵奖得主珀尔的《为什么》]

[http://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247500714&idx=1&sn=f1edec0d7a4ea551e1a75e5cea470060&chksm=e8979927dfe0103134a871b591329319716b9aaee97822a9c09b69c716e13fe414e17d445665&scene=21#wechat_redirect 为了研究因果关系，原来科学家在这么多方向上都有尝试]

[[Category:集智相关]]

利用python的theano库刷kaggle mnist排行榜

2024-05-21T07:36:06Z

18810648466：

==背景==
theano 是一个python语言的库，实现了一些机器学习的方法，最大的特点是可以就像普通的python程序一样透明的使用GPU
theano的主页：http://deeplearning.net/software/theano/index.html
theano 同时也支持符号计算，并且和numpy相容，numpy是一个python的矩阵计算的库，可以让python具备matlab的计算能力，虽然没有matlab方便
numpy的主页：http://www.numpy.org/
MNIST是一个手写数字识别的公开数据集，我以为地球人都知道

http://kaggle2.blob.core.windows.net/competitions/kaggle/3004/logos/front_page.png
mnist主页：http://yann.lecun.com/exdb/mnist/

其他大部分资源位于deeplearning向导的主页：
deeplearning.net向导: http://deeplearning.net/tutorial/

kaggle是一个供大家公开测试各种机器学习算法的平台，包括ICML和KDD cup一类的比赛都在上面进行，其中的入门测试集就是MNIST：
kaggle的MNIST主页：http://www.kaggle.com/c/digit-recognizer

目前发表的最好结果是卷积神经网络方法的0.23%错误率<ref name="mnist homepage">http://yann.lecun.com/exdb/mnist/, mnist homepage
</ref>，kaggle上被认可的最好结果是0.5%。看这个架势，mnist已经基本被大家解决了。不过本着实践出真知和学习threano用法的目的，我觉得用python的theano库对kaggle mnist刷个榜玩玩也不错。

==数据转换与代码修改==
theano的代码位于:
https://github.com/lisa-lab/DeepLearningTutorials
我修改后的代码位于：
https://github.com/chaosconst/DeepLearningTutorials

===输入数据修改===
原来是从cPickle导入：

<syntaxhighlight lang="python">
#############
# LOAD DATA #
#############

# Download the MNIST dataset if it is not present
data_dir, data_file = os.path.split(dataset)
if (not os.path.isfile(dataset)) and data_file == 'mnist.pkl.gz':
import urllib
origin = 'http://www.iro.umontreal.ca/~lisa/deep/data/mnist/mnist.pkl.gz'
print 'Downloading data from %s' % origin
urllib.urlretrieve(origin, dataset)

print '... loading data'

# Load the dataset
f = gzip.open(dataset, 'rb')
train_set, valid_set, test_set = cPickle.load(f)
f.close()
</syntaxhighlight>

更改为读取train.csv和test.csv，先初始化四个list。
<syntaxhighlight lang="python">
print '... loading data'
train_set=list();
valid_set=list();
test_set=list();
predict_set=list();
</syntaxhighlight>
valid_set是用来在SGD迭代过程中，用来验证效果但不参与训练的数据集。每次只有确定在valid_set上更有效，才继续进行目标函数的优化，这样可以防止过拟合。参见early-stopping<ref>http://deeplearning.net/tutorial/gettingstarted.html#early-stopping</ref>。

设定数据集的大小，如果是调试模式则减小数据集。
<syntaxhighlight lang="python">
train_set_size = 36000;
valid_set_size = 5000;
test_set_size = 1000;
predict_set_size = 28000;

debug = "false";
if debug == "true":
train_set_size = 3600;
valid_set_size = 500;
test_set_size = 100;
predict_set_size = 2800;
</syntaxhighlight>
MNIST共有7w条记录，其中6w是训练集，1w是测试集。theano的样例程序就是这么做的，但kaggle把7w的数据分成了两部分，train.csv一共42000行，test.csv一共28000行。实际可用来训练的数据只有42000行（由此估计最后的效果也会有相应的折扣）。theano把6w的训练集分为了5w的test_set和1w的valid_set，我在这里把42000行数据分为36000的train_set、5000行的valid_set和1000行的test_set（训练时用不到）。

另外我建了一个predict_set，用来保存准备提交给kaggle的数据。然后我进行了变量初始化并从文件读取数值，读取的时候把kaggle的int转化成了theano需要的float。
<syntaxhighlight lang="python">

train_set.append(numpy.ndarray(shape=(train_set_size,28*28), dtype=theano.config.floatX));
train_set.append(numpy.ndarray(shape=(train_set_size), dtype=int));
valid_set.append(numpy.ndarray(shape=(valid_set_size,28*28), dtype=theano.config.floatX));
valid_set.append(numpy.ndarray(shape=(valid_set_size), dtype=int));
test_set.append(numpy.ndarray(shape=(test_set_size,28*28), dtype=theano.config.floatX));
test_set.append(numpy.ndarray(shape=(test_set_size), dtype=int));
predict_set.append(numpy.ndarray(shape=(predict_set_size,28*28), dtype=theano.config.floatX));
predict_set.append(numpy.ndarray(shape=(predict_set_size), dtype=int));

#load data from kaggle test set
with open('train.csv', 'rb') as csvfile:
datareader = csv.reader(csvfile, delimiter=',')
index=0;
for row in datareader:
if index<train_set_size :
train_set[1][index] = string.atoi(row[0]);
for pixel_index in xrange(1,28*28+1) :
train_set[0][index][pixel_index-1] = string.atof(row[pixel_index])/255;
elif index < train_set_size + valid_set_size :
valid_set[1][index-train_set_size] = string.atoi(row[0]);
for pixel_index in xrange(1,28*28+1) :
valid_set[0][index-train_set_size][pixel_index-1] = string.atof(row[pixel_index])/255;
else :
test_set[1][index-train_set_size-valid_set_size] = string.atoi(row[0]);
for pixel_index in xrange(1,28*28+1) :
test_set[0][index-train_set_size-valid_set_size][pixel_index-1] = string.atof(row[pixel_index])/255;
index+=1;
if index == train_set_size + valid_set_size + test_set_size :
break;

print '... loading predict dataset'
#load data from kaggle test set
with open('test.csv', 'rb') as csvfile:
datareader = csv.reader(csvfile, delimiter=',')
index=0;
for row in datareader:
for pixel_index in xrange(0,28*28) :
predict_set[0][index][pixel_index] = string.atof(row[pixel_index])/255;
index+=1;
if index == predict_set_size:
break;

train_set = tuple(train_set);
valid_set = tuple(valid_set);
test_set = tuple(test_set);
predict_set = tuple(predict_set);

</syntaxhighlight>

===输出数据修改===
theano的convnet是由两个卷积层，一个hidden layer和一个logistic regression构成的，如图<ref>http://deeplearning.net/tutorial/lenet.html</ref>：
http://deeplearning.net/tutorial/_images/mylenet.png

我们需要的是最后一层的输出，theano的样例程序在最后一层lr给了我们一个符号变量y_pred，定义如下：
<syntaxhighlight lang="python">
# initialize with 0 the weights W as a matrix of shape (n_in, n_out)
self.W = theano.shared(value=numpy.zeros((n_in, n_out),
dtype=theano.config.floatX),
name='W', borrow=True)
# initialize the baises b as a vector of n_out 0s
self.b = theano.shared(value=numpy.zeros((n_out,),
dtype=theano.config.floatX),
name='b', borrow=True)

# compute vector of class-membership probabilities in symbolic form
self.p_y_given_x = T.nnet.softmax(T.dot(input, self.W) + self.b)

# compute prediction as class whose probability is maximal in
# symbolic form
self.y_pred = T.argmax(self.p_y_given_x, axis=1)
</syntaxhighlight>

手册上说可以使用eval()对其进行实例化<ref>http://deeplearning.net/software/theano/tutorial/adding.html#adding-two-scalars</ref>：
<syntaxhighlight lang="python">
predict_results = layer3.y_pred.eval({input:predict_set_x});
</syntaxhighlight>
但是我这样做不行，只好用了很不理想的方案，原谅我
<syntaxhighlight lang="python">
predict_model = theano.function([index], layer3.predict(),
givens={
x: predict_set_x[index * batch_size: (index + 1) * batch_size]})
</syntaxhighlight>
其中predict函数为：
<syntaxhighlight lang="python">
def predict(self):
return T.mul(self.y_pred,1);
</syntaxhighlight>
我对技术不敬畏，对不起各位了。

这样我们就得到可以操作的数组，写入输出文件：
<syntaxhighlight lang="python">
predict_res_array = [predict_model(i) for i in xrange(n_predict_batches)]
print predict_res_array;
f = open("predict_res","w+");
for y_pred_item_array in predict_res_array:
for y_pred_item in y_pred_item_array:
f.write(str(y_pred_item)+'\n');
f.close();
</syntaxhighlight>

===平移数据===
以上可以差不多达到1.0%的误差，和理论值0.5%还有差距，我觉得可能是因为数据不够多，所以我对输入输出数据进行了平移预处理。
输入数据平移：
<syntaxhighlight lang="bash">
#!/bin/bash
awk -F , '{

for (shiftx=-1;shiftx<=1;shiftx++) {
for (shifty=-1;shifty<=1;shifty++) {

printf $1",";

for (y=0;y<28;y++) {
for (x=1;x<=28;x++) {
x_shift = x + shiftx;
y_shift = y + shifty;
if ((x_shift<1) || (x_shift>28) || (y_shift<0) || (y_shift>=28)) {
printf "0,";
} else {
i=y_shift*28+x_shift+1;
printf $i",";
}
}
}

printf"\n"

}}
//g' | sed 's/,$//g'
</syntaxhighlight>

输出的时候让平移后的9个位置进行投票，boost了一把
<syntaxhighlight lang="bash">
#!/bin/bash
awk '{
dist[$0]++;
if (NR%9==0) {
best=1;
for (x in dist) {
if (dist[x]>dist[best]) best=x
}
printf best"\n"
delete dist;
}
}'

</syntaxhighlight>

ok，万事俱备，刷榜吧！

==运行结果==
[http://www.kaggle.com/c/digit-recognizer/leaderboard kaggle传送门]
valid_set_error=0.90 test_set_error=0.68
[[File:kaggle_mnist_rank1.png|800px]]

[[File:kaggle_mnist_rank2.png|800px]]

刷到前10，我感觉可以了，再往上刷10名就要被怀疑作弊了。

==不明觉厉==
simple cell到complex cell是怎么实现的？
# 拿着某一斜率的filter去扫一遍全局的图像
# 把图像分割成nxn份,做pooling（可以是max pooling）
两个二维向量卷积的意思就是扫一遍，类似于你在暗处拿着一个手电筒把一篇文章看一遍。扫的每一帧的具体操作就是相乘（找相似的特征，仅仅是相乘就可以了）。卷积不是目的，扫一遍算相似度才是。

当做polling的时候，时空信息就消失了，本来是28x28维的空间，如果4x4方块做pooling，就只剩下7x7的位置信息了。取而代之的，是feature域的信息。典型的“时空样本变换”，不过这个是98年就做出来的，实在是很赞。

学习方案是构造一个损失函数，然后用SGD求解，因为有很多层，所以损失函数的梯度计算超级复杂，参数也很多很多，不过theano有一个库，可以自动计算梯度。先进行符号计算，然后Sample一些输入数据算梯度。

嗯，大概就是这个样子吧。

==改进==
* 肖达说：“Hinton组的cuda-convnet GPU卷积库确实快，实现同样结构的卷积神经网做MNIST手写体分类，比theano的GPU卷积快5倍多。另一个发现，用sgd优化时，max kernel norm constraint比weight decay好用”。
* cuda-convnet, https://code.google.com/p/cuda-convnet/
* weight decay不知道theano用了没有

==参考==
<references/>
* pylearn2的convnet，http://nbviewer.ipython.org/urls/raw.github.com/lisa-lab/pylearn2/master/pylearn2/scripts/tutorials/convolutional_network.ipynb
* theano是肖达告诉我的，GPU也是借用肖达的工作站的，非常感谢！
* [[深度学习读书会]]
* [[lwta-theano]]

{{reply}}

[[Category:统计学习读书会]]
[[Category:集智俱乐部应用项目]]
[[category:python]]
[[Category:旧词条迁移]]
[[Category:待确定]]

集智百科翻译团队工作指南

2024-05-21T07:34:53Z

18810648466：

==新手须知==
===创建账户===
确定自己是否有集智百科页面的用户账号，若没有，点击页面右上角“创建账户”进行创建，并可以补充完善好自己的个人主页。

===领取任务===
====领取渠道一直接选择已有的词条任务====
点击石墨文档中的'''[https://shimo.im/sheets/VH8pVcJtDVHqyDCJ/hl9sY 词条生产总表]''',在对应日期阶段的任务表中选择自己感兴趣的词条，在'''“词条领取人”'''一栏中填上自己的用户名，并且根据自身情况估计完成日期，填写在'''“初次完成时间”'''中，关注词条的'''“需求点”'''，在翻译过程中按照要求进行翻译。

注意：一般词条生产最晚应在一周内完成，根据所设积分可以大体推算完成日期。如积分在20以下，完成时间往后退一至两天，积分为20-50区间内，完成时间往后退三至四天，积分为50以上，原则上在一周内完成。有特殊情况则私聊[[用户:趣木木|趣木木]]。

'''提交完词条任务后，即时就在[https://shimo.im/sheets/VH8pVcJtDVHqyDCJ/hl9sY 词条生产总表]领取下次的词条。
'''
====领取渠道二选择自己感兴趣的词条作为自己的词条任务====
点击石墨文档中的[https://shimo.im/sheets/VxGcDcJ6vJtQdkgQ/q1eR9 词条生产表]中的“机器已搬运”子表，选择自己感兴趣的词条并修改“是否翻译”一栏（将否改为是）。此外，为确保没有重复工作，在[https://wiki.swarma.org/index.php?title=%E9%82%93%E5%B7%B4%E6%95%B0#Criticism_.E8.AF.84.E8.AE.BA 集智百科新版],[http://wiki.swarma.net/index.php/%E8%AF%BA%E4%BC%AF%E7%89%B9%C2%B7%E7%BB%B4%E7%BA%B3_Norbert_Wiener#.E7.9B.B8.E5.85.B3.E8.91.97.E4.BD.9C 集智百科旧版]搜索对应词条，查看编辑历史，确保其没有进行过翻译。汇总感兴趣的词条，填入到''[https://shimo.im/sheets/VH8pVcJtDVHqyDCJ/hl9sY 词条生产总表]'''对应日期阶段的任务表中，填写完成时间、领取人。并联系[[用户:趣木木|趣木木]]填写对应积分。

===明确生产形式===
点击所领取词条下对应的'''“集智百科链接地址”'''，首先查看页面是否存在英文文本缺失的问题，若存在，点击对应的英文wiki地址进行补充。对于公式显示错误或遇到其余页面显示问题，请私聊[[用户:趣木木|趣木木]]进行反映。页面形式为两段重复的英文文本及由彩云小译初步翻译出来的中文文本。译者点击右上角的“登录”，登录上自己的账号，在编辑页面的最上端写上“本词条由[[用户名]]初步翻译”。

以[[LFR算法]]为例，可看到以下界面，只需查看第二次出现的英文原文，对比中文进行翻译。点击“编辑”，即可编辑页面，其具体操作为：

[[File:编辑操作.png|1000px]]

'''根据蓝色框内的英文，修改重译红色框中的中文。借助维基百科的英文原文进行翻译，利用翻译工具有彩云小译、网易有道翻译等翻译软件，译者需要自行翻译，将中文换为符合习惯的表达，多方查询相关释义，及时反馈，以确保专业性。'''

[[File:翻译对比.png|1000px]]
对于页面的基本操作可查看[https://wiki.swarma.org/index.php?title=%E7%BC%96%E8%BE%91%E8%A7%84%E8%8C%83 编辑入门]

===知识储备===

可从集智学园，集智斑图以及公众号搜索相关资料，查看中文维基百科中相对应的词条，对词条内容有一个初步的认识和了解；将查阅到的资料、课程相关链接放到编者推荐、相关链接的内容中；可从[https://campus.swarma.org/ 集智学园]查看相关课程资源、在[https://swarma.org/ 集智俱乐部]中的集智斑图获取学习路径，从'''集智微信公众号：集智俱乐部'''查看相关科普文章和学习资源。

===明确生产职责===
译者需将英文wiki的原文通畅且较为准确、完整、专业的人工翻译出来，符合中文的语言表达，借助机器翻译但不完全是机器翻译。
===达到翻译过程中的生产要求===
====规范性====

*专业名词格式
译者通过英文原文中含有链接的英文、小标题对应的英文确定哪些为专业名词。在确定过程中注意人名、机构、与词条本身的专业领域关系不大的名词不在考虑范围内，通过语法[[File:标橙语法.png|300px]]'''<font color="#ff8000"> 专业名词</font>'''即可对专业名词标橙。且将专业名词的格式设为“中文+英文”（注：不加括号,英文首字母均大写），示例:[[File:专业名词格式.png|200px]]
'''且专有名词首次出现，中文+英文，后续再次出现统一用同一释义的中文；人名首次出现，中文+英文，后续再次出现统一用一样的英文。'''
*文本格式
1、中文文本用中文对应括号（）英文数学文本用英文对应括号()<br>

2、人名译名缩写大写如j.a 实际上应为J.A<br>

3、排除多余的句点"。。"→"。"<br>

4、中文文本用“。”而不是“.” <br>

5、变量采用斜体 ''N''<br>

*图片的图注翻译格式
图注翻译格式为：【图1：英文原文＋翻译内容】

*文本统一
注意全文一致同一术语释义、同一人名释义（与集智俱乐部公众号一致）

*利用讨论标注出省略翻译、意译的句子
利用讨论语法[[File:讨论.png|100px]]添加讨论
--[[用户:趣木木|趣木木]]（[[用户讨论:趣木木|讨论]]）该句省译

*具体年份不宜省略翻译，如"2012年"不可只写"12年"

====完整性====
避免存在漏译的情况，特别注意图注、“see also”部分、章节名的翻译完整。

====专业性====
*词条标题核实
如果对词条标题的意思有异议，可以私聊[[用户:趣木木|趣木木]]进行反映。核实之后，会设置重定向。
*专业名词查询释义
对于筛选出来的专业名词请在[https://campus.swarma.org/translation/ 翻译词库]中进行查询，不论是否查询得到，均需将专业名词标橙。对于查询到的释义，采用该专业名词释义；对于未查询到的释义，点击“新增翻译词”，补充上未查询到的英文，中文填为“待补充”。其具体操作如下，操作完毕即有下图中蓝色框内的形式。
[[File:词库新增.png|1000px]]
此外，还可在[http://dict.cnki.net/dict_result.aspx cnki翻译助手]里面初步检索专业名词，选取引用量最高的释义，待后续专家审校进行反馈纠正释义后，再将纠正的准确释义添加在[https://campus.swarma.org/translation/ 翻译词库]中
* 疑难句标绿
对于自己翻译不清楚、存疑的疑难句，采用语法[[File:段落标绿.png|250px]]将'''<font color="#32CD32">疑难句</font>'''进行标绿，且在后面附加上疑难句所对应的英文。

====通顺性====
通读全文一至两遍，保证全文的语句通顺，符合语言表达，且释义统一。

====进阶需求（不做要求）====
可在页面中加一个模块：专家对于该术语/概念的一些描述（从书籍资源中补充概念）

===复查词条===
至少通读一至两遍译文，按照[https://shimo.im/docs/pX8Pgy66gDjG9WCR 自审清单]进行自审，寻找是否有语序、逻辑不通的地方，前后表述并不一致的地方，以及同一单词尽量用同一释义；注意检查相关的术语加粗，变量斜体，公式是否显示正常，图片图注序号是否正确等格式问题；在确保自己已达到上述的生产要求后，递交给负责人[[用户:趣木木|趣木木]]，负责人进行通读，检查，反馈，译者进行修改。

===复修改词条===
在规定时间内，负责人[[用户:趣木木|趣木木]]提交给审校，审校会添加讨论以及反馈，译者查看进行复核与复修改。'''（注：若被审校打回重译，所得积分减半）'''
===提交积分审核===
完成上述工作后，向负责人[[用户:趣木木|趣木木]]发送以下信息，以[[经济复杂性指数]]为例：

词条名：[[经济复杂性指数]]
词条领取人：[[用户:趣木木|趣木木]]
词条对应链接：https://wiki.swarma.org/index.php?title=%E7%BB%8F%E6%B5%8E%E5%A4%8D%E6%9D%82%E6%80%A7%E6%8C%87%E6%95%B0_Economic_Complexity_Index
词条对应积分：30
词条初次完成时间:2020.07.09(这里指提交给负责人审核的日期）
是否领取下一个词条：是/否
是否按照自审清单自审并通读完一遍:是/否

负责人审核，确定词条达到要求后，记录积分。

==新手提升==
===与审校部门联合进行相关培训===
接受一些定期对译者的培训，收集译者在翻译过程中存在的问题，进行分享解析；分享翻译时的一些技巧，以提高翻译能力。
===入门资源推荐===

1.张江复杂性思维课程（集智学园）<br>

2.《复杂》梅拉妮·米歇尔，网上有视频课程（喜马拉雅APP）[https://www.complexityexplorer.org/courses/104-introduction-to-complexity 《复杂》]<br>

3.教材《网络、群体与市场》，网上有[http://www.chinesemooc.org/mooc/4406 视频课程] <br>

4.郝柏林：圣菲研究所与复杂性研究<br>

5.复杂性科学、网络科学、计算社会科学研究机构推介（北美篇）<br>

6.新英格兰复杂系统研究所长文综述：复杂系统科学及其应用<br>

7.新英格兰复杂系统研究所长文综述：复杂系统科学及其应用，集智斑图网站负责人如意整理的[https://pattern.swarma.org/path?id=22 路径1] 、[https://pattern.swarma.org/path?id=30 路径2] 、 [https://pattern.swarma.org/path?id=32" 路径3]

8.[https://pattern.swarma.org/path?id=68 图神经网络、网络科学、系统科学综合交叉入门学习路径]

[[Category:集智相关]]

集智学园系列课程

2024-05-21T07:34:25Z

18810648466：

集智学园系列课程依托于[https://campus.swarma.org/ 集体学园网站]（集智学园网站是为科研工作者、高级技术人员量身打造的在线视频服务平台），系列课程内容包括但不限于复杂性科学、复杂网络、多主体模拟、人工智能、机器学习、神经网络、自然语言处理等领域，授课人包括从事复杂系统相关研究的科研人员、在读硕士研究生/博士生、科研创业的第一线、科研爱好者等。
[[文件:Swarma-logo.png|缩略图|180x180px|替代=]]

=='''最新上线'''==

=== <big>集智学园最新系列课程一览表</big> ===
{| class="wikitable sortable mw-collapsible"
!课程名称
!课程简介
!授课老师
!当前状态
!报名途径
|-
| [https: / campus.swarma.org course 2328 网络科学导论 |[https://campus.swarma.org/course/2328 网络科学导论 | 网络科学集智课堂第二期]
|本系列课程，将围绕网络动力学这一前沿的方向，帮助大家构建网络科学学习体系。
|陈关荣等
|上新中
|[https://campus.swarma.org/course/2328 网络科学导论 | https://campus.swarma.org/course/2328
|-
|[https://campus.swarma.org/course/1754 巴拉巴西网络科学]
|本系列课程，全面系统讲解网络科学，帮助大家完成从散点思维到网络思维，直至网络科学思维的跃升。
|汪小帆等
|上新中
|https://campus.swarma.org/course/1754
|-
|[https://campus.swarma.org/course/2723 范畴论入门系列课程（第一季）]
|本系列课程，尽量从较低的起点出发，在补充具体的数学知识过程中，让大家熟悉范畴化的思维方式，为理解抽象的范畴论概念积累实例。系列课程完成后，学员将能够了解范畴论的基本知识，包括范畴、函子、对偶、极限，并且在代数、拓扑等方面有范畴论角度的理解。
|J-CAT 猫圈
|上新中
|https://campus.swarma.org/course/2723
|-
|[https://campus.swarma.org/course/2835 AnyLogic入门系列课程]
|本系列课程，介绍了多方法建模仿真软件AnyLogic，通过本教程的学习，大家可以完成简单地铁车站、候车大厅等类型的行人仿真项目，培养大家熟练掌握AnyLogic的信心。
|杨老师
|上新中
|https://campus.swarma.org/course/2835
|-
|[https://campus.swarma.org/course/1095 NetLogo多主体建模入门]
|本系列课程，通过数个案例教会大家如何去动手搭建一个多主体仿真模型，以及如何利用NetLogo去实现。从生命游戏到人工鸟群，从模拟经济系统到病毒沿网络的传播，通过循序渐进的案例，该课程带你逐步走入NetLogo多主体建模的神奇世界。
|张江
|已完结
|https://campus.swarma.org/course/1095
|-
|[https://campus.swarma.org/course/1985 因果科学与Causal AI 专题 | [https://campus.swarma.org/course/1985 因果科学与Causal AI 专题 | 集智凯风研读营2020]
|本系列课程，是集智俱乐部举办的集智凯风研读营的专场录像，由6位研究者分享关于因果科学和 Casual AI 的前沿工作。希望通过大家的分享和讨论，能够让所有人都由浅入深的了解因果推理这个领域和研究内容，并且能对研究工作有所收益。
|李奉治等
|已完结
|[https://campus.swarma.org/course/1985 因果科学与Causal AI 专题 | https://campus.swarma.org/course/1985
|-
| [https: / campus.swarma.org course 1996 复杂系统自动建模专题 |[https://campus.swarma.org/course/1996 复杂系统自动建模专题 | 集智凯风研读营2020]
|本系列课程，是集智俱乐部举办的集智凯风研读营活动录像，由张江、臧承熙、王硕等为大家介绍基于复杂系统的自动建模技术。
|张江等
|已完结
| [https: / campus.swarma.org course 1996 复杂系统自动建模专题 | https://campus.swarma.org/course/1985
|-
|[https://campus.swarma.org/course/2104 数学物理方法]
|本系列课程，是北京师范大学为管理科学专业（非物理类专业）开设的学科基础课，主要内容包括两部分：一是如何将物理问题表述成偏微分方程的定解问题，这实际上是对物理问题进行数学建模，二是如何运用各种偏微分方程求解方法对各类定解问题进行求解。
|陈六君
|已完结
|https://campus.swarma.org/course/2104
|-
|[https://campus.swarma.org/course/1153 人工智能 2020]
|本系列课程，是北京师范大学系统科学学院张江老师开设的《人工智能》课程回放。
|张江
|已完结
|https://campus.swarma.org/course/1153
|-
|[https://campus.swarma.org/course/1159 复杂网络 2020]
|本系列课程，为北京师范大学系统科学学院樊瑛老师开设的《复杂网络》课程回放。
|樊瑛
|已完结
|https://campus.swarma.org/course/1159
|-
|[https://campus.swarma.org/course/956 深度学习原理与PyTorch实战]
|本系列课程，主要围绕集智俱乐部众包写作的书籍《深度学习原理与 PyTorch 实战》展开，兼具理论与实践，是想要掌握一门深度学习技术不可错过的课程。课程中不仅循序渐进地讲解了PyTorch的基本使用、神经网络的搭建、卷积神经网络和循环神经网络的实现，而且全面深入地介绍了计算机视觉、自然语言处理、迁移学习，以及最新的对抗学习和深度强化学习等前沿技术。
|张江
|已完结
|https://campus.swarma.org/course/956
|-
|[https://campus.swarma.org/course/1641 动力系统分析]
|本系列课程，主要讲授连续和离散动力系统的定态、极限环及其稳定性分析、动力学系统的结构稳定性和常见的分支类型以及分析方法，混沌概念等。
|王大辉
|已完结
|https://campus.swarma.org/course/1641
|-
|[https://campus.swarma.org/course/1349 圣塔菲课程: Introdution to Complexity]
|本系列课程，十节课程介绍复杂系统中的主要概念。
|Melanie Mitchel等
|已完结
|https://campus.swarma.org/course/1349
|-
|[https://campus.swarma.org/course/1131 复杂性与临界现象 2020]
|本系列课程，为北京师范大学系统科学学院陈晓松老师开设的《复杂性与临界现象》课程回放。
|陈晓松
|已完结
|https://campus.swarma.org/course/1131
|-
|[https://campus.swarma.org/course/1056 产学结合：自然语言处理及其应用]
|本系列课程，讲解自然语言处理的最新学术理论与业界实践，涉及语言模型、机器翻译、情感分析、文本理解、文本生成五大主题。
|李嫣然等
|已完结
|https://campus.swarma.org/course/1056
|-
|...
|...
|...
|筹备中
|...
|}

==课程详情==
<blockquote>
===[https://campus.swarma.org/course/2328 网络科学导论 | 网络科学集智课堂第二期]===
====课程简介====
本期课程将围绕网络动力学这一前沿的方向，帮助大家构建网络科学学习体系。

====讲师介绍====

*陈关荣香港城市大学讲座教授，北京大学长江讲座教授。1981年获广州中山大学计算数学硕士学位，1987年获美国Texas A&M 大学应用数学博士学位，其后在美国Rice和Houston大学任教。自2000年起，他接受香港城市大学讲座教授职位工作至今。陈关荣教授于1997年被选为IEEE Fellow，2008年、2012。年和2016年分别获得国家自然科学二等奖，2011年获俄罗斯圣彼得堡国立大学授予荣誉博士学位和俄罗斯欧拉基金会颁发欧拉金质奖章，2014年获法国诺曼底大学授予荣誉博士学位并当选为欧洲科学院院士，2015年当选为发展中国家科学院院士。长期从事非线性动力系统分析与控制以及复杂网络研究。
*项林英东北大学秦皇岛分校控制工程学院副教授、博导。2008年获得南开大学控制理论与控制工程专业博士学位，2008年11月至2010年10月在香港城市大学从事博士后研究工作，2017年7月至2018年7月在美国加州大学河滨分校访问。主要研究方向为复杂网络同步、控制与优化、网络系统可控性、多智能体系统协同控制。曾获得2019年度河北省自然科学奖一等奖，入选"河北省三三三人才工程"第三层次。
*樊瑛北京师范大学系统科学学院教授、博士生导师。中国系统工程学会副秘书长、常务理事。研究方向为复杂性理论及其在各领域中的应用，目前主要关注复杂网络相关研究，并取得了一系列科研成果。曾获得2009年度教育部新世纪人才、2010年度北京市科学技术奖（三等）以及学校第11届励耘优秀青年教师奖和通鼎研究生教学奖，主讲的《复杂网络分析》课程2019年在中国大学慕课网上线，现已完成2期授课。
*史定华上海大学理学院数学系教授，博士生导师，曾任上海大学数学系运筹学与控制论博士点学科带头人。涉猎过数学科学、统计科学、管理科学、系统科学、生命科学、网络科学、人文科学。发表论文超过100篇，出版学术著作8本，翻译校对学术著作3本。其中有不少论文和著作在学术界产生了重要影响，获省部级自然科学奖5项。1992年起享受国务院颁发的政府特殊津贴，退休后仍主持过国家自然科学基金2项。目前担任《网络科学与工程丛书》副主编，在网络科学方面研究过无标度网络、全齐性网络、自然数网络、家族血缘树等。近年来还在国内外刊物IEEE Circuits and Systems Magazine (2013), Scientific Reports (2016), National Science Review (2014, 2019)上发表过文章。
*宣琦浙江工业大学教授。2008年于浙江大学控制科学与工程学科获得博士学位。主要研究兴趣包括：网络数据挖掘、信号智能、鲁棒人工智能及算法安全。在CCF-A类顶会及多个国际期刊上发表学术论文数十篇。曾赴美国加州大学戴维斯分校、卡内基梅隆大学、香港城市大学从事博士后和访学研究。目前担任中国工业与应用数学学会复杂系统与复杂网络、中国人工智能学会社会计算与社会智能等专委会委员。
*李翔复旦大学特聘教授。1997年毕业于南开大学计算机与系统科学系获学士学位，2002年毕业于南开大学自动化系获博士学位。国家杰出青年科学基金获得者，国家万人计划科技创新领军人才，上海领军人才。主要研究领域为复杂网络科学与集群智能。曾获2005年IEEE电路与系统学会Guillemin-Cauer最佳论文奖、2008年上海市自然科学一等奖、2015年国家自然科学二等奖、上海市第五届十大青年科技英才、中国自动化学会首届青年科学家奖、2019年中国自动化学会TCCT陈翰馥奖等。实验室主页：<nowiki>http://can.fudan.edu.cn</nowiki> 。
*李聪复旦大学信息科学与工程学院电子工程系副研究员，硕士生导师，副系主任。复旦大学精品课程《网络科学导论》负责人。出版合著《复杂网络传播理论-流行的隐秩序》。研究方向为复杂网络的理论及应用，包括：网络描述及性能分析、网络动力学过程分析、网络设计等
*荣智海电子科技大学教授/博士生导师，IEEE和Sigma Xi会员，中国自动化学会高级会员。长期从事复杂网络及演化博弈动力学领域研究，在中国科学、Phys. Rev. E、New J. of Phys.、Automatica、IEEE Tran. on Cybernetics、Chaos、Sci. Rep.等国内外期刊发表50余篇SCI论文(2篇入选ESI高被引论文)。2013年入选香江学者计划，获2015年度国家自然科学二等奖(排名第四)，2018年入选四川省学术和技术带头人后备人选，获2018年度英国物理学会出版社(Institute of Physics，IOP)评选的中国高被引作者奖。受邀担任“复杂网络与复杂系统专业委员会”委员和IEEE电路与系统学会“非线性电路与系统”技术委员会委员。
*周进周进，武汉大学数学与统计学院教授，博士生导师。曾获国家自然科学二等奖，教育部自然科学一等奖，湖北省自然科学一等奖，获全国优秀博士论文提名及湖北省优秀博士论文。于2016年第十二届全国复杂网络大会和2021年第十七届中国网络科学论坛受邀做大会报告两次。共发表学术论文43篇，其中第一或通讯作者论文37篇，全部为SCI或EI收录，包括控制学三大期刊IEEE Transactions on Automatic Control、Automatica及SIAM Journal on Control and Optimization。截至2021年4月，据Web of Science 统计，所发表论文引用总计1832次，其中他引1519次，Google引用2326次。
*王琳上海交通大学教授，研究方向为网络化智能系统的分析与控制，发表SCI期刊论文50余篇，获第13届全球智能控制和自动化大会最佳理论论文奖，2020中国电子学会电子信息领域优秀科技论文。现为IFAC大规模复杂系统技术委员会副主席、IEEE 高级会员、上海市自动化学会理事、中国工业与应用数学学会复杂网络与复杂系统专委会秘书长。作为访问学者出访哈佛大学、麻省理工学院、瑞典皇家理工学院、香港城市大学开展合作研究。个人主页：<nowiki>http://cnc.sjtu.edu.cn/wanglin.html。实验室主页：http://cnc.sjtu.edu.cn/。</nowiki>

====教材介绍====
书名：网络科学导论

作者：汪小帆、李翔、陈关荣

出版：高等教育出版社，北京，2012年

对各种复杂网络的定量与定性特征的科学理解已成为网络时代科学研究中一个极其重要的挑战性课题，网络科学就是一门正在兴起的面对这一挑战的交叉性学科。

本书是国内第一本网络科学的入门书，内容比较全面、通俗易懂，适合作为研究生和高年级本科生的网络科学教材，也可供自然科学、工程技术科学和社会科学领域的研究人员与学生参考。

本书致力于系统地介绍网络科学的基本概念、思想和方法，使得具有高等数学基础的读者都能够看懂，并具备把网络科学方法用于实际网络分析的能力。为此，本书没有过多地陷入数学和物理推导，而是更为关注网络科学的思维习惯和研究方式。

====章节概述====
全书分11章。

* 网络科学的背景与研究意义：第 1 章
* 网络科学基本概念：第 2 章
* 网络拓扑性质：第 3-5 章
* 网络拓扑模型：第 6-8 章
* 网络动力学：第 9-11 章

第一章“引论”，介绍了网络科学的背景，涉及工程、物理、数学、生物、计算机以至金融经济和社会科学，典型对象包括互联网和万维网、电力与交通网、生物与生态网、经济与金融网、社会与人际关系网等等。文中回顾了网络科学这门交叉学科的形成、发展和现状，并简单介绍了网络科学的研究内容。

第二章“网络与图”，介绍了数学图论的基础知识，包括邻接矩阵、连通性、树结构、二分图和匹配等主要概念。第三章“网络基本拓扑性质”是第二章图论的延续和补充，介绍了节点度分布、路径长度、聚类系数等重要概念和计算公式。这两章书可以作为同一部分内容来学习。

第四章“度相关性与社团结构”，介绍了节点度相关性概念及其计算，进而考察网络中的社团结构及其检验方法，并介绍了其他一些典型有效的社团检测方法及计算程序。第五章“节点重要性与相似性”是第四章的扩展，介绍了各种中心性即网络各种组分的重要性指标和计算公式及算法程序。这两章书可以作为同一部分内容来学习。

第六、七、八章分别建立并分析了三种最基本、最典型的网络模型，即随机网络模型、小世界网络模型、无标度网络模型，并讨论了它们的基本拓扑特征。

第六章“随机网络模型”，介绍了经典数学图论中的随机图和广义随机图模型的建立和特性分析，指出它们具有节点之间的平均距离短和节点聚类系数小的特点、节点度服从泊桑分布，并介绍了作为基础的零模型及其拓扑性质。

第七章“小世界网络模型”，介绍了以小世界社会网络为背景的一类典型的网络模型，它们具有节点之间的平均距离短和节点聚类系数大的特点、节点度近似服从泊桑分布，并介绍了可搜索小世界模型及其算法。

第八章“无标度网络模型”，介绍了以优先连接方式增长的一类网络模型，其节点度服从幂率分布，且分布与网络变量标度无关，并介绍了该模型的一些典型推广。

第九章“网络传播”，介绍了网络科学理论和方法在疾病和信息传播方面的一种典型应用，结合经典的传染病模型，在网络的框架下研究传播的临界值和再生数，以及有效的免疫策略及其实证分析。

第十章“网络博弈”，介绍了经典的二人博弈游戏的思想、策略和分类，然后在网络框架下讨论多人博弈，特别是在小世界和无标度网络模型里的演化博弈以及节点度相关性对演化博弈的影响。

第十一章“网络同步于控制”，介绍了网络科学与系统科学的密切联系，主要讨论了网络上节点动力行为的同步现象和判据，特别是同步能力的分析，以及网络能控制性的指标和判定方法。

====报名方式====
[https://campus.swarma.org/course/2328 网络科学导论 | 网络科学集智课堂第二期(swarma.org)]

（报名后可以在课程页面看到助教二维码，添加微信入群~）</blockquote>//<blockquote>
===[https://campus.swarma.org/course/1754 <code>巴拉巴西网络科学</code>]===
====课程介绍====
本课程中，我们有幸邀请了汪小帆、赵海兴、许小可、史定华、陈清华、张江、狄增如、陈关荣、樊瑛、刘宗华这十个来自六大不同高校、在网络科学领域耕耘许久的教授作为导师，依据教材框架，各有侧重地为我们共同勾勒出整个学科的美丽图景，展示这个学科的迷人魅力，指引这个学科的灿烂未来。

我们将颠覆传统老师通篇主讲的课堂模式，用一种前所未有的集智课堂形式来解惑答疑，帮助大家完成从散点思维到网络思维，直至网络科学思维的跃升。集智课堂继承集智读书会的一贯传统，给每个学员充分发挥聪明才智、展示个人魅力并赢取丰富奖学金的机会。整本书全部由学员自己申请领读，精通某一知识点的学员可以带领大家进行更深入细化的学习。你也不再是被动的听众。你是参与者，你是实践者，你会体验到真正的沉浸式的学习。

====讲师介绍====

*汪小帆上海大学副校长，长江学者特聘教授，国家杰出青年科学基金获得者。长期从事网络科学研究，曾出版《网络科学导论》等著作，获得国家级教学成果一等奖和国家自然科学二等奖等荣誉。目前担任中国系统工程学会副理事长、国际自动控制联合会（IFAC）复杂大系统技术委员会主席、NetSci-China主席等学术职务。
*赵海兴教授，博士生导师，现任青海师范大学副校长，陕西师范大学兼职博士生导师，享受国务院政府特殊津贴专家，教育部新世纪优秀人才，教育部“长江学者与创新团队”负责人，青海省“高端创新人才千人计划”杰出人才，中国青年五四奖章获得者，全国模范教师；全国运筹学会常务理事和组合与图论学会理事，青海省党外知识分子联谊会常务理事。主要从事网络科学和信息处理的研究工作。
*许小可大连民族大学教授，曾为香港理工大学博士后，香港城市大学访问学者。目前为大连民族大学数据科学与大数据技术学科方向学术带头人、民族信息资源挖掘与利用研究所所长。主要研究方向为社交网络上的大数据处理，重点是研究大型社交网络如QQ，阿里旺旺，人人网以及移动手机通话数据集的数据挖掘和机器学习，以及基于网络科学的计算传播学、新冠肺炎防控等。
*陈清华北京师范大学系统科学学院教授，Arizona State University及New England Complexity Systems Institute访问学者。主要从事非平衡系统理论、复杂性研究及相关理论在社会经济系统中的应用研究工作。擅于人类行为的分析建模。当前的重点关注领域是基于要素流动揭示复杂系统实体关系。

*史定华上海大学理学院数学系教授，博士生导师，曾任上海大学数学系运筹学与控制论博士点学科带头人。涉猎过数学科学、统计科学、管理科学、系统科学、生命科学、网络科学、人文科学。发表论文超过100篇，出版学术著作8本，翻译校对学术著作3本。其中有不少论文和著作在学术界产生了重要影响，获省部级自然科学奖5项。1992年起享受国务院颁发的政府特殊津贴，退休后仍主持过国家自然科学基金2项。目前担任《网络科学与工程丛书》副主编，在网络科学方面研究过无标度网络、全齐性网络、自然数网络、家族血缘树等。近年来还在国内外刊物IEEE Circuits and Systems Magazine (2013), Scientific Reports (2016), National Science Review (2014, 2019)上发表过文章。
*张江张江，北京师范大学系统科学学院教授、集智俱乐部创始人、集智学园创始人。研究方向包括复杂网络与机器学习、复杂系统分析与建模、计算社会科学。目前主要的研究课题是复杂系统自动建模。
*狄增如北京师范大学系统科学学院教授，珠海校区复杂系统国际科学中心主任，国际系统与控制科学院院士。研究方向：复杂网络、多主体系统的集体行为、经济和生物系统中的组织和结构的涌现等。现任国务院学位委员会系统科学学科评议组召集人；教育部高等学校教学指导委员会管理科学与工程类专业委员会委员；中国系统工程学会副理事长；中国指挥与控制学会复杂网络专业委员会副主任等。主要研究领域为系统理论与应用、大数据分析、复杂网络及其在复杂系统中的应用等。2016年由于在复杂系统分析、复杂网络等方面的成就获中国系统工程学会第三届系统科学与系统工程科学技术奖理论贡献奖。
*陈关荣香港城市大学讲座教授，北京大学长江讲座教授。1981年获广州中山大学计算数学硕士学位，1987年获美国Texas A&M 大学应用数学博士学位，其后在美国Rice和Houston大学任教。自2000年起，他接受香港城市大学讲座教授职位工作至今。陈关荣教授于1997年被选为IEEE Fellow，2008年、2012。年和2016年分别获得国家自然科学二等奖，2011年获俄罗斯圣彼得堡国立大学授予荣誉博士学位和俄罗斯欧拉基金会颁发欧拉金质奖章，2014年获法国诺曼底大学授予荣誉博士学位并当选为欧洲科学院院士，2015年当选为发展中国家科学院院士。长期从事非线性动力系统分析与控制以及复杂网络研究。
*樊瑛北京师范大学系统科学学院教授、博士生导师。中国系统工程学会副秘书长、常务理事。研究方向为复杂性理论及其在各领域中的应用，目前主要关注复杂网络相关研究，并取得了一系列科研成果。曾获得2009年度教育部新世纪人才、2010年度北京市科学技术奖（三等）以及学校第11届励耘优秀青年教师奖和通鼎研究生教学奖，主讲的《复杂网络分析》课程2019年在中国大学慕课网上线，现已完成2期授课。
*刘宗华华东师范大学物理与电子科学学院教授，理论物理研究所所长。长期从事混沌动力学与复杂网络等领域的研究工作，致力于用统计物理的方法来研究复杂系统的动力学行为与复杂现象的微观机制，在Phys.Rev.Lett.、Phys.Rep.、Nat. Commun.与Natl. Sci. Rev.等物理学主流期刊发表论文近200篇，其中多篇论文被特别评论与转载，多个理论预言被实验证实。出版专著三部：《混沌动力学基础及其应用》、《复杂系统与复杂网络》与《混沌动力学基础及其在大脑功能方面的应用》。曾获1997年中国工程物理研究院北京研究生部首届科技创新奖、1998年广西壮族自治区教委科技进步一等奖、2017年上海市教学成果奖二等奖及2019年度高等学校科学研究优秀成果奖（科学技术）自然科学奖二等奖。

====教材介绍：====
书名：《巴拉巴西网络科学》

网络科学的二十年，是波澜壮阔、跌宕起伏、争议不断的二十年，这样的历程，需要一幅画卷来描绘，本书就是这样一幅画卷；这样一门科学，必将走进教科书，本书就是这样一本教科书。

本文的作者是全球复杂网络研究权威、“无标度网络”奠基人艾伯特-拉斯洛·巴拉巴西，他花费5年心血，用丰富的案例和研究成果，结合大量图表和参考文献，将网络科学的专业知识融汇成10大模块，作为一本专业教材，《巴拉巴西网络科学》是网络科学领域研究者、教师、学生的必备佳作；除此之外，本书文笔流畅、通俗易懂，将网络科学的理论与日常生活联系起来，为普通大众了解当今的互联世界提供了一个通道。

《巴拉巴西网络科学》列举了很多生活中的案例，深入浅出，全面而系统地绘制出一幅网络科学领域的知识地图。关于网络，你想知道的一切都能在这本书中找到。

====章节概述====

#前言开启网络科学之旅，兴起于二十世纪末的网络科学旨在揭示不同复杂网络的共性特征。网络科学的思维方式应该成为一门面向各种不同学科背景学生的通识课。
#第一章图论，图是描述互联网、交通网、通讯网、社团网、大规模集成电路、化学分子等的离散结构和解决问题重要模型，图论是网络科学的理论基础之一，图论中的经典理论和方法在网络分析、控制论、信息论、交通运输、物理化学、计算机、人工智能等领域具有广泛应用前景。
#第二章随机网络，复杂网络既不是完全无序的随机网络，也不是完全有规律的规则网络。跨越经典的随机网络，探索真实网络的复杂性及其来源，是网络科学领域最基础和最重要的任务之一。
#第三章无标度性质，2018年初，Clauset和Barabási 剑拔弩张，各执一词，无标度网络到底是否广泛存在？原来它和幂律分布、80/20法则、Zipf律、自组织临界、分形有着千丝万缕的联系。
#第四章 BA 模型，巴拉巴西及其学生提出的增长和偏好连接是产生网络幂律度分布不可或缺的两个机制。这与许多先辈早期通向幂律之路工作得出的马太效应、富者愈富相一致。基于此，对于演化已经定型的网络，如秀丽隐杆线虫神经网络，除了度分布外或许还有别的重要指标，如高阶圈。
#第五章演化网络，将时间维度引入复杂网络模型会出现什么结果？你会发现，这里诞生了玻色-爱因斯坦凝聚、双曲几何以及异速生长现象。
#第六章度相关性，是否存在刻画网络结构的完备指标集合？答案或许是否定的。但度相关性一定是网络结构指标集合中的重要一员。
#第七章网络鲁棒性，研究发现，各种复杂网络都有自身抗卸攻击能力的阈值：在达到此值之前很鲁棒，之后变得很脆弱；另外有些结构如无标度网络自身同时具有双重特性：抵抗随机攻击很鲁棒但对抗选择性攻击则很脆弱。
#第八章社区，如果将复杂网络看成一个系统，那么社区结构就是系统“中观”尺度性质的表现，能够更好地理解系统结构和功能之间的关系。本章结合实际案例，围绕社区的定义以及对应的社区探测算法来展开，使得读者可以对于网络中的社区结构形成简洁的全景了解。
#第九章传播现象，复杂网络的应用有两个主战场：大脑网络与交通网络。有趣的是，它们俩都与传播密切相关—前者是信息传播、后者是流行病传播。

====报名方式====
[https://campus.swarma.org/course/1754 巴拉巴西网络科学 (swarma.org)]

（报名后可以在课程页面看到助教二维码，添加微信入群~）

</blockquote>//<blockquote>
===[https://campus.swarma.org/course/2723 范畴论入门系列课程（第一季）]===
====课程介绍====
范畴论提供了系统、精确、抽象的跨领域科学方法论。不同知识领域的问题按照特定的范畴来组织，范畴论通过函子来连接不同领域的不同范畴，实现跨领域的研究。函子把源范畴的结构映射到目标范畴。复杂的范畴可能转化到简单的范畴，陌生的范畴可能转化到熟悉的领域中的范畴，抽象的范畴可能转化到易于计算的范畴。

范畴论尽可能地用函子来构造这种跨范畴的联系，构造一个好的函子，把原有领域范畴重要的结构信息，更多地保持到目标范畴中。具体构造时就需要特定领域的知识了。

在范畴论发明前，并没有系统化的跨领域联系的方法论，许多科学的进展都依靠科学家天才的联想能力。比如Galois对群和域这两个范畴的联想，促进了数论和群论的大幅发展。如今在范畴论中这种联想系统化地发展成为了Galois连接。

与自然语言描述为主的科学哲学不同，范畴论是数学领域抽象程度的顶峰，是可以以公式或者其它数学表达方式明确指导具体研究的。学习范畴论，相当于学到了系统、精确、抽象的科学方法论，并可以直接付诸于各领域考察的问题，寻求跨领域的解决之道。

本课程中，尽量从较低的起点出发，在补充具体的数学知识过程中，让大家熟悉范畴化的思维方式，为理解抽象的范畴论概念积累实例。系列课程完成后，学员将能够了解范畴论的基本知识，包括范畴、函子、对偶、极限，并且在代数、拓扑等方面有范畴论角度的理解。

====讲师介绍====

*J-CAT 猫圈 :教育法尝试者，同时给小学、中学、大学、研究生、科研人员授课，寻找从基础到前沿的最短路径。研究兴趣包括：范畴论、动力系统、人工智能。

====课程大纲====
课程暂定为两季。为了适应广大非数学专业爱好者的需要，第一季尽量从较低的起点出发，在补充具体的数学知识过程中，让学员熟悉范畴化的思维方式，为理解抽象的范畴论概念积累实例。第一季完成后，学员将能够了解范畴论的基本知识，包括范畴、函子、对偶、极限，并且在代数、拓扑等方面有范畴论角度的理解。第二季则在前面的基础上，更加侧重用专业的方式展开更高层次的范畴论知识。第二季完成后，学员将能够了解范畴论中的函子范畴、可表函子、伴随函子等较为抽象的概念，并且能够熟悉张量、同调、层等概念的范畴化表述。

完成本课程，可以没有障碍地了解现代代数、拓扑、范畴等领域的许多基本概念，为进一步的学习和结合自我兴趣的研究打下基础。更重要的是可以理解范畴论的思维方式，掌握创新的工具。

通行的范畴论教学方式是面向数学专业高年级本科生、研究所和科研人员的，入手的门槛较高。考虑到范畴论爱好者的起点，我们采用了不一样的教学方案。在第一季中，最初，我们会在集合和线性代数这两个分支中提取类似的问题，用范畴论来给出统一的描述，让学员感受到范畴论的思维方式和抽象能力(第1课)。之后我们会展开讲集合相关的范畴、代数相关的范畴，一边了解范畴论的概念，一边在具体的数学问题中积累例子，同时掌握具体的代数结构，如群、环、模、线性空间等(第2,3,4课)。进而我们会着重谈线性结构中体现的范畴。矩阵是天生具有行列对偶性的数学结构，讨论矩阵可以自然地引出许多范畴论的概念(第5,6,7,8课)。此外我们还会在集合的基础上引出拓扑，并且用范畴的方式介绍如何将拓扑这样的几何问题转化到同调群这样的代数范畴去解决(第9,10,11,12课)。

第一季
#线性代数——范畴的视角
#集合范畴和等价关系
#偏序集范畴
#Abel群范畴
#线性空间的范畴化构造
#Hom函子
#线性空间的对偶性
#正向极限与逆向极限
#正合
#从集合到拓扑空间
#自由函子
#从几何到代数——同调群的构造
第二季（暂拟）
#张量代数
#Abel范畴
#层——函子化地构造几何学
#函子范畴
#可表函子
#伴随函子
#幺半范畴
#Kan扩张
#Topos
#高阶范畴

====报名方式====
[https://campus.swarma.org/course/2723 范畴论入门系列课程（第一季） (swarma.org)]

（报名后可以在课程页面看到助教二维码，添加微信入群~）

</blockquote>

//<blockquote>
===[https://campus.swarma.org/course/2835 AnyLogic入门系列课程]===
====课程介绍====
本课程中，介绍了多方法建模仿真软件AnyLogic，通过本教程的学习，大家可以完成简单地铁车站、候车大厅等类型的行人仿真项目，培养大家熟练掌握AnyLogic的信心。

====讲师介绍====

*杨老师：该讲师为AnyLogic的讲师。北京格瑞纳电子产品有限公司资深工程师，从事系统仿真领域仿真建模开发二十余年。

====课程简介====
多方法建模仿真软件AnyLogic自2003年进入中国以来，得到了越来越多的客户支持与认可。此软件不仅支持多主体（Agent）仿真建模，可以用于复杂系统；也支持离散事件仿真，可以用于各种生产、物流、业务流程的模拟；还支持系统动力学仿真，主要用于社会、经济等领域，同时还能混合建模。拥有超强的二次开发能力；可以导出为独立运行的模块，支持集成到其他系统中。具有流程库、物料库、流体库、行人库、轨道库、道路交通库，支持社会力模型进行行人仿真，具有丰富的外部数据接口，可以直接读写文本文件、Excel文件、数据库文件，具有GIS模块，超强的建模功能，所以应用领域涉及广泛，包括生产制造、可靠性分析、物流与供应链、交通运输、业务流程、服务系统、行人动态、战场指挥和控制、公共政策、市场博弈等等。

本期课程，我们主要以AnyLogic的行人库为对象，讲解AnyLogic的建模方法和平台特点，初步引入了Agent仿真的概念和操作。通过本教程的学习，大家可以完成简单地铁车站、候车大厅等类型的行人仿真项目，培养大家熟练掌握AnyLogic的信心。对于建模过程中的常见错误，教程做了详细讲解，带您走进AnyLogic仿真的世界。

====课程大纲====

#简述AnyLogic使用方法
#行人仿真空间逻辑
#多层建筑行人疏散仿真
#轨道交通仿真入门
#简单的车站模型（上）
#简单的车站模型（下）

====讲授方式====
课程通过创建各种小案例的方式，将仿真建模的概念穿插其中，同时通过实际的应用，熟悉熟练AnyLogic的使用方法及应用小技巧，让学习者可以快速上手入门。

[https://campus.swarma.org/course/2835 AnyLogic入门系列课程 (swarma.org)]</blockquote>//<blockquote>
===[https://campus.swarma.org/course/1095 NetLogo多主体建模入门]===
====课程介绍====
你还在为如何入门复杂性科学而苦恼吗？其实，最好的入门手段就是自己亲手在计算机中搭建一个复杂系统。NetLogo就是一个非常好的入门工具，它可以让你通过简单的设置和代码编写就能搭建出一个超酷炫的多主体仿真（模拟）程序。

多主体仿真（模拟）是什么鬼？所谓的主体（Agent）就是指计算机中的一个智能”小机器人“，别误解，它可没那么复杂，它可以是一个懂得花钱买东西的小人儿，可以是一只鸟儿，也可以是一块笨笨的方格。总之，一个主体就是你可以用NetLogo的几行代码指挥的任何一个独立的单元。而所谓的多主体仿真（模拟）就是把一大堆这样的简单的玩意儿凑到一起，而实现一个有趣的功能，可以是一个人工市场，可以是一个活灵活现的鸟群，也可以是一个超级好玩的游戏。总之，多主体仿真（模拟）就是一个利用简单的玩意儿们搭建出来的复杂系统。

什么？你觉得这些太高大上，而你是一个编程菜鸟？没关系，NetLogo就是专门为你这种菜鸟设计的。NetLogo的前身是为乐高机器人开发的Logo语言，其特点就是简单易学，上手飞快。特别是对于没有任何编程经验的初学者来说，NetLogo的语法更像是自然语言（英语）一样，欢快流畅。另外，该软件绿色环保，甚至最新版本可以无需安装而在网页环境下运行。

《NetLogo多主体建模入门》这个课程就是通过数个案例教会大家如何去动手搭建一个多主体仿真模型，以及如何利用NetLogo软件实现这些模型，是一门既有理论又有实操的入门课程。它将会循序渐进地给你介绍如何使用NetLogo软件，如何通过算法来理解数值微分、数值积分，甚至求解微分方程、动力系统。通过学习，你就能搭建一个人工生命的世界，一个人工经济系统，以及一个人工生态系统。通过计算模拟，你还能理解到什么叫做捕食与被捕食的依存关系，病毒如何沿着网络进行传播甚至大爆发，你还能对人类财富不平等的起源拥有全新的洞察。其实，所有这一切真没有那么复杂，无非就是几行NetLogo的代码而已。而所有这些不同领域的知识都可以从玩弄这些代码得到。

====讲师介绍====

*张江：北京师范大学系统科学学院教授、集智俱乐部创始人、集智学园创始人。研究方向包括复杂网络与机器学习、复杂系统分析与建模、计算社会科学。目前主要的研究课题是复杂系统自动建模。

====课程大纲====

#认识多主体模拟
#认识NetLogo
#用“生命游戏”认识Patch
#从Langton的蚂蚁看Turtle与Patch的交互
#从羊-草生态系统深入Turtle与Plot画图
#玩具经济模型与 Turtles间的互动
# 从玩具经济模型学文件导出与复杂曲线绘制
#从玩具经济模型学习如何使用行为空间做实验
#透过人工鸟群Boid模型学习List的使用
#网络上病毒传播的SIR模型用Links建模网络动力学
#重访羊-草模型与系统动力学建模

====报名方式====
[https://campus.swarma.org/course/1095 NetLogo多主体建模入门 (swarma.org)]

（报名后可以在课程页面看到助教二维码，添加微信入群~）

</blockquote>//<blockquote>
=== [https://campus.swarma.org/course/1985 因果科学与Causal AI 专题 | 集智凯风研读营2020] ===

==== 课程介绍 ====
“集智凯风研读营” 项目是由凯风研读营资助、集智俱乐部发起的学术交流活动。通过特定学术主题，汇聚术业有专攻但又视野广阔的青年学者，举行 5-7 天的封闭式交流营活动。通过深度研读讨论前沿科学研究，共同界定和审视一些新的问题，使得在当前学术体制下，实现跨文化、跨学科、跨领域的学术创新，形成真正具有原创思想能力的学术共同体。

本次主题将定位为“面向复杂系统人工智能研究”，该研读营旨在实现对复杂系统的自动建模，从「复杂系统」的理论出发，借助人工智能的方法和技术，揭开人工智能的黑箱，突破现有人工智能可解释性瓶颈，推动通用、可解释性强的系统在相关应用领域的落地并解决实际问题。

Judea Pearl 认为当下正在进行一场改变数据科学的新革命 --- ”因果革命“。因果革命和以数据为中心的第一次数据科学革命，也就是大数据革命（涉及机器学习，深度学习及其应用，例如Alpha-Go、语音识别、机器翻译、自动驾驶等等）的不同之处在于，它以科学为中心，涉及从数据到政策、可解释性、机制的泛化，再到一些社会科学中的基础概念归因和公平性，甚至哲学中的创造性和自由意志。可以说，因果革命彻底改变了科学家处理因果问题的方式，形成了一门新学科—因果科学。因果推理和机器学习融合，构建具备果推理能力的 Causal AI 系统，是实现强人工智能的关键步骤。

==== 讲师介绍 ====

* 李奉治中国科学院计算技术研究所直博生，主要研究方向为因果推理理论，以及因果在机器学习算法中的工程实践
* 况琨况琨，浙江大学计算机科学与技术学院的助理教授，研究方向因果推理、机器学习、数据挖掘。
* 龚鹤扬中国科学技术大学统计学在读博士，研究方向为因果推理
* 郭若城郭若城，亚利桑那州立大学博士，研究方向为因果推理、机器学习、数据挖掘。
* 黄碧薇卡耐基梅隆大学博士。主要研究领域为因果发现，因果关系启发式机器学习，和计算神经科学。
* 郭启淏郭启淏，南方科技大学科研助理，从事方向为量子计算的物理实现、基于超导量子电路的量子模拟及量子纠错。

==== 课程大纲 ====

# 分享一：因果科学：Do-演算相关算法（李奉治）， <nowiki>https://github.com/L-F-Z</nowiki>
# 分享二：观测研究中的因果推断（况琨）， <nowiki>https://kunkuang.github.io/</nowiki>
# 分享三：教会机器因果推理的强人工智能之路（龚鹤扬）， <nowiki>https://sites.google.com/view/minituring/</nowiki>
# 分享四：因果推断和机器学习的融合（郭若城）， <nowiki>https://www.public.asu.edu/~rguo12/</nowiki>
# 分享五：基于观测数据的因果发现及因果关系启发式机器学习（黄碧薇）， <nowiki>https://biweihuang.com</nowiki>
# 分享六：量子因果（郭启淏）

==== 报名方式 ====
[https://campus.swarma.org/course/1985 因果科学与Causal AI 专题 | 集智凯风研读营2020 (swarma.org)]

(如果有问题，可以在课程详情页面找到助教微信，联系助教~)</blockquote>//<blockquote>
===[https://campus.swarma.org/course/1996 复杂系统自动建模专题 | 集智凯风研读营2020]===
==== 课程介绍 ====
集智凯风研读营” 项目是由凯风研读营资助、集智俱乐部发起的学术交流活动。通过特定学术主题，汇聚术业有专攻但又视野广阔的青年学者，举行 5-7 天的封闭式交流营活动。通过深度研读讨论前沿科学研究，共同界定和审视一些新的问题，使得在当前学术体制下，实现跨文化、跨学科、跨领域的学术创新，形成真正具有原创思想能力的学术共同体。

本次主题将定位为“面向复杂系统人工智能研究”，该研读营旨在实现对复杂系统的自动建模，从「复杂系统」的理论出发，借助人工智能的方法和技术，揭开人工智能的黑箱，突破现有人工智能可解释性瓶颈，推动通用、可解释性强的系统在相关应用领域的落地并解决实际问题。

近3年来，随着数据量的井喷式增长，计算效率的显著提升，以深度学习为代表的人工智能技术迎来了第三次高潮，许多人工智能的产品应用在生活的方方面面，如人脸识别，机器翻译，语音识别等。但是进一步，人们希望机器可以辅助决策时却发现，以人类的视角没有办法很好的理解机器的决策，这时候就存在人与机器的「信任鸿沟」。我们不敢真正信任机器的决策，这也是人工智能在落地智能金融，无人驾驶等更复杂领域时遇到的问题和瓶颈。

所以为了更好利用机器的智能，理解复杂世界，人们开始寻求新的解释世界的方式：希望可以从「复杂系统」的角度进行突破，借助人工智能的方法和技术，揭开人工智能的黑箱，实现人与机器的真正信任。本次将由张江、臧承熙、王硕为大家介绍基于复杂系统的自动建模技术。

==== 讲师介绍 ====
* 张江：北京师范大学系统科学学院教授、集智俱乐部创始人、集智学园创始人。研究方向包括复杂网络与机器学习、复杂系统分析与建模、计算社会科学。目前主要的研究课题是复杂系统自动建模。

==== 课程大纲 ====

# 分享一：复杂系统自动建模概述与展望（张江）
# 分享二：Neural Dynamics on Complex Networks（臧承熙）
# 分享三：复杂网络自动建模在大气污染中的应用（王硕）
# 分享四：标准化流技术简介（刘晶）
# 分享五：神经网络归因（许菁）
# 分享六：Gradient-Based Neural DAG Learning（李垚鑫）
# 分享七：Relational State-Space Model for Stochastic Multi-Object Systems（黄龙吉）
# 分享八：Scalable Gradients for Stochastic Differential Equations（杜伟韬）
# 分享九：一个基于深度学习的通用网络重构和动力学学习方法（张章）
# 分享十：基于深度学习的轨迹数据挖掘（姚迪）
# 分享十一：Gumbel-softmax-based Optimization:A Simple General Framework for Optimization Problems on Graphs（李垚鑫）
# 分享十二：Temporal attention recurrent graph neural network（陈昱中）
# 分享十三：Wide neural networks and its tangent kernel（杜伟韬）
# 分享十四：对复杂系统连续变化自动建模——Neural Ordinary Differential Equations解读（张江）
# 分享十五：图上的连续标准化流技术：Graph Continuous Flow（张章）

==== 报名方式 ====
[https://campus.swarma.org/course/1996 复杂系统自动建模专题 | 集智凯风研读营2020 (swarma.org)]

(如果有问题，可以在课程详情页面找到助教微信，联系助教~)

</blockquote>//<blockquote>
=== [https://campus.swarma.org/course/2104 数学物理方法] ===

==== 课程介绍 ====
数学物理方法主要介绍了如何应用数学方法求解物理问题。本课程既是一门数学课程，又是一门物理课程，主要内容包括两部分：一是如何将物理问题表述成偏微分方程的定解问题，这实际上是对物理问题进行数学建模，二是如何运用各种偏微分方程求解方法对各类定解问题进行求解。

本课程是为管理科学专业（非物理类专业）开设的学科基础课，因此，课程重点不在于物理问题本身，而在于展示如何将具体问题归结为数学问题并进行求解的清晰图像，为其他系统的研究提供基本思路和方法支持。结合学生的实际情况，本课程补充了高等数学中常微分方程求解和傅里叶级数的内容。

==== 讲师介绍 ====

* 陈六君:北京师范大学副教授。目前研究兴趣：复杂系统理论、行为经济学、中国姓氏分布研究等。

==== 课程大纲 ====
引子课程介绍

第一章常微分方程

1.1 常系数齐次线性微分方程

1.2 常系数非齐次线性微分方程

1.3 变系数线性微分方程

教学内容及要求：掌握常系数齐次微分方程的基本解法；掌握常系数非齐次线性微分方程的特解法，了解常数变易法；掌握欧拉方程的解法；掌握一般变系数线性微分方程在常点邻域内的级数解法。

第二章傅里叶级数

2.1 傅里叶级数

2.2 傅里叶变换

2.3 delta函数

教学内容及要求：掌握周期函数的傅里叶级数展开；理解函数组正交的基本概念；了解非周期函数的傅里叶变换的基本概念和算法；了解δ函数的定义和性质。

第三章定解问题的导出

3.1 数学物理方程的导出

3.2 定解条件

教学内容及要求：掌握将物理问题表述成数学方程的一般步骤：能针对具体的波动问题、输运问题和稳定场问题写出相应的数学物理方程；能直接写出第一类边界条件和第二类边界条件。

第四章直角坐标下的分离变量法

4.1 分离变量法

4.2 分离变量法的应用

4.3 非齐次方程的求解

4.4 非齐次边界条件的处理

教学内容及要求：掌握分离变量法求解齐次方程齐次边界条件的定解问题的解题步骤：能写出特定本征值问题的解；能求解一维或二维区域上的波动方程或输运方程在第一、二类齐次边界条件下的定解问题；能求解直角坐标的二维拉普拉斯方程的定解问题。掌握非齐次方程的傅里叶级数解法；了解非齐次边界条件齐次化的一般处理方法；了解某些定解问题的特解法。

第五章极坐标和球坐标下的分离变量法

5.1 极坐标系下的分离变量法

5.2 拉普拉斯方程的分离变量

5.3 拉普拉斯方程的轴对称定解问题

5.4 施图姆-刘维尔本征值问题

教学内容及要求：掌握极坐标和球坐标系下拉普拉斯方程分离变量的方法；能求解极坐标的二维拉普拉斯方程的定解问题；掌握应用常点邻域内的级数解法求解勒让德方程，在此基础上理解级数截断为多项式的方法；掌握施图姆-刘维尔本征值问题的结论并能使用；掌握广义傅里叶级数的概念。

结束课程总结

==== 报名方式 ====
[https://campus.swarma.org/course/2104 北京师范大学陈六君：数学物理方法 (swarma.org)]

(如果有问题，可以在课程详情页面找到助教微信，联系助教~)</blockquote>//<blockquote>
===[https://campus.swarma.org/course/1153 人工智能 2020]===
==== 课程介绍 ====
本课程为北京师范大学系统科学学院张江教授开设的研究生课程《人工智能》课程回放。课程偏重理论，辅以编程实践，将粗粒度的梳理人工智能重要的理念、算法、模型。前面会包含一些人工智能之前的理论计算机模型，图灵机等，后面系统从两方面讲解，一是符号派的人工智能，包括搜索、推理、表示等；二是连接派的人工智能，机器学习，强调理论机器学习基础。

==== 讲师介绍 ====

* 张江：北京师范大学系统科学学院教授、集智俱乐部创始人、集智学园创始人。研究方向包括复杂网络与机器学习、复杂系统分析与建模、计算社会科学。目前主要的研究课题是复杂系统自动建模。

==== 课程内容 ====

# 人工智能历史
# 图灵机
# 问题解决（Problem Solving）
# 启发式搜索（Heuristic Search）
# 命题逻辑（Propositional Logic）
# 一阶谓词逻辑（First order Logic）
# 机器学习简介
# 监督式学习（一）：回归
# 监督式学习（二）：分类
# 监督式学习（三）：KNN 和决策树
# 神经网络（Neural Network）
# 非监督式学习（Unsupervised learning）
# 表示学习（Representation Learning）
# 概率图模型（Probabilistic Graphical Models）
# 从变分推断到 VAE

==== 报名方式 ====
[https://campus.swarma.org/course/1153 人工智能 2020 (swarma.org)]

(如果有问题，可以在课程详情页面找到助教微信，联系助教~)

</blockquote>//<blockquote>
=== [https://campus.swarma.org/course/1159 复杂网络 2020] ===

==== 课程介绍 ====
本课程为北京师范大学系统科学学院樊瑛教授开设的本科生课程《复杂网络》课程回放。课程主要介绍复杂网络的基本知识及应用。

==== 讲师介绍 ====

* 樊瑛：北京师范大学系统科学学院教授、博士生导师。中国系统工程学会副秘书长、常务理事。研究方向为复杂性理论及其在各领域中的应用，目前主要关注复杂网络相关研究，并取得了一系列科研成果。曾获得2009年度教育部新世纪人才、2010年度北京市科学技术奖（三等）以及学校第11届励耘优秀青年教师奖和通鼎研究生教学奖，主讲的《复杂网络分析》课程2019年在中国大学慕课网上线，现已完成2期授课。

==== 课程大纲 ====

# 复杂网络简介
# 复杂网络的基本模型
# 复杂网络的统计性质
# 复杂网络中的社团结构
# 加权网络
# 复杂网络的机制和演化模型
# 网络上的动力学
# 二分网络

==== 报名方式 ====
[https://campus.swarma.org/course/1159 复杂网络 2020 (swarma.org)]

(如果有问题，可以在课程详情页面找到助教微信，联系助教~)</blockquote>//<blockquote>
===[https://campus.swarma.org/course/1056 产学结合：自然语言处理及其应用]===
==== 课程介绍 ====
自然语言处理，是指用计算机对自然语言的形、音、义等信息进行处理，即对字、词、句、篇章的输入、输出、识别、分析、理解、生成等的操作和加工。'''实现人机间的信息交流，是人工智能、计算机科学和语言学所共同关注的重要问题。''' 自然语言处理的具体表现形式包括机器翻译、文本摘要、文本分类、文本校对、信息抽取、语音合成、语音识别等。

从 2008 年到现在，在图像识别和语音识别领域的成果激励下，人们也逐渐开始引入深度学习来做自然语言处理研究，由最初的词向量到 2013 年的 Word2vec，将深度学习与自然语言处理的结合推向了高潮，并在机器翻译、问答系统、阅读理解等领域取得了一定成功。 RNN 已经是自然语言处理最常用的方法之一，GRU、LSTM 等模型相继引发了一轮又一轮的热潮。2016年集智举办的自然语言处理与深度学习读书会，全面介绍当时最新的自然语言处理与深度学习的前沿知识，作为自然语言处理的入门级课程。

近年自然语言处理在词向量（Word Embedding）表示、文本的 Encoder 和 Decoder 技术以及大规模预训练模型（pre-trained）上的方法极大地促进了自然语言处理的研究。

联合学术界和工业界，追踪最新进展与落地实践，由李嫣然、尹相志、小米科技相关技术负责人崔建伟和魏晨、彩云科技NLP算法工程师侯月源，合力打造了 12 节课程，涉及语言模型、机器翻译、情感分析、文本理解、文本生成五大主题。

==== 讲师介绍 ====

* 李嫣然香港理工大学在读博士生，集智科学家社群成员，著名公众号：程序媛的日常的运营者之一，人称小S。研究方向为自然语言处理中的语义表达和语言生成，致力于利用深度学习、认知科学等相关领域的方法和成果探究人类语言习得和语言表达的奥秘。
* 侯月源彩云科技NLP算法工程师，集智俱乐部志愿者。
* 崔建伟小米人工智能部AI实验室NLP应用组负责人，负责开放域对话、机器翻译、预训练平台等NLP应用技术的研发，以及落地到小爱同学、小爱老师等公司业务。
* 尹相志中国首届人工智能大赛发起人与题目设计，前华院数据(上海)首席数据科学家，数据决策(台湾)技术长，台湾微软特约讲师与2006~2017年最有价值专家(MVP)，微软Tech ED 2002, 2004~2015讲师 '''专长：'''自然语言理解、人工智能算法开发、数据挖掘、商业智慧、分析型CRM、风险管理、数据仓库
* 魏晨 2019年4月加入小米小爱同学，曾任图灵机器人认知计算负责人，曾工作在新加坡国防部项目。研究兴趣主要是NLP，KG 和 SDS。

==== 课程大纲 ====

# 语言模型（一）
# 语言模型（二）
# 机器翻译（一）
# 机器翻译（二）
# 机器翻译（三）
# 语言模型（三）
# 情感分析（一）
# 情感分析（二）
# 文本理解（一）
# 文本理解（二）
# 知识图谱
# 文本生成

==== 报名方式 ====
[https://campus.swarma.org/course/1056 产学结合：自然语言处理及其应用(swarma.org)]

（报名后可以在课程页面看到助教二维码，添加微信入群~）

</blockquote>//<blockquote>
===[https://campus.swarma.org/course/956 深度学习原理与PyTorch实战]===
==== 课程介绍 ====
本系列课程主要围绕集智俱乐部众包写作的书籍《深度学习原理与 PyTorch 实战》展开。书籍内容来源于张江老师在“集智学园”开设的网络课程——“火炬上的深度学习”「计算机视觉篇」「自然语言处理篇」，经各位成员的精心整理和不断完善，最终成书。希望能进一步推广PyTorch，让更多人有机会掌握人工智能和深度学习等新技术，进入人工智能这个发展迅猛的行业，共享人工智能带来的发展红利。

Pytorch 是由 Facebook 支持的一套深度学习开源框架，相比较 Tensorflow，它更易上手，所以一经推出就广受欢迎。本系列课程是采用 Pytorch 开源框架进行案例讲解的深度学习课程。每节课围绕一个有意思的实战案例展开，不仅循序渐进地讲解了PyTorch的基本使用、神经网络的搭建、卷积神经网络和循环神经网络的实现，而且全面深入地介绍了计算机视觉、自然语言处理、迁移学习，以及最新的对抗学习和深度强化学习等前沿技术。同学们可以通过亲自动手实践，轻松入门深度学习，学会构造一个图像识别器，生成逼真的图画，让机器理解单词与文本，让机器作曲，教会机器玩游戏，还可以实现一个简单的机器翻译系统。

==== 讲师介绍 ====

* 张江：张江，北京师范大学系统科学学院教授、集智俱乐部创始人、集智学园创始人。研究方向包括复杂网络与机器学习、复杂系统分析与建模、计算社会科学。目前主要的研究课题是复杂系统自动建模。

==== 课程大纲 ====
本课程的内容包括：

# 深度学习与 PyTorch
# 单车预测器——你的第一个神经网络
# 机器也懂感情——中文情绪分类器
# 手写数字识别器——卷积神经网络
# 迁移学习与图像风格迁移
# 人工智能造假术——图像生成与对抗学习
# 词汇的星空——词向量与Word2Vec
# LSTM作曲机——序列生成模型
# 神经翻译机——端到端的机器翻译模型
# AI游戏高手——深度强化学习

==== 报名方式 ====
[https://campus.swarma.org/course/956 深度学习原理与PyTorch实战 (swarma.org)]

（报名后可以在课程页面看到助教二维码，添加微信入群~）</blockquote>//<blockquote>
=== [https://campus.swarma.org/course/1641 动力系统分析] ===

==== 课程介绍 ====
复杂系统研究中，自顶向下的动力学分析方法是探索复杂性的重要方法。本课程主要讲授连续和离散动力系统的定态、极限环及其稳定性分析、动力学系统的结构稳定性和常见的分支类型以及分析方法，混沌概念等。

本课程是系统科学专业的学位基础课，是系统科学博士研究生培养的基础课程。主要培养硕士、博士研究生从动力学演化角度观察世界的能力，并可以分析具体的动力学系统，能够分析研究对象中随时间变化的状态变量以及变量之间的关系，建立动力学方程并进行定性和定量的分析，是非线性系统控制、控制理论、复杂系统建模与分析以及系统生物学等专业课的理论基础，应用领域涉及国防、科技、经济、工业和农业的各个方面。

==== 讲师介绍 ====

* 王大辉北京师范大学系统科学学院教授，博士生导师，博士毕业于北京师范大学系统科学。专注于工作记忆容量、决策的神经动力学集智，神经系统的动力学行为，以及类脑智能算法的研究。研究方向：计算神经科学与类脑智能算法研究。个人页面：<nowiki>https://sss.bnu.edu.cn/tabid/246/ArticleID/2392/frtid/128/Default.aspx</nowiki>

==== 课程大纲 ====

# 动力系统分析引言
# 动力系统的定义
# 随机动力系统与动力系统解的性质
# 动力系统局部的几何性质
# 动力系统的渐近行为
# 动力系统稳定性初步
# 动力系统基本概念总结
# 平面动力系统
# 结构稳定性与中心流形
# 规范形的概念与计算
# 常见的局部分支类型
# 全局分支
# Smale 马蹄映射
# 一般符号动力系统
# 混沌系统
# Lorenz Equation 分析
# 复习

==== 报名方式 ====
[https://campus.swarma.org/course/1641 北京师范大学王大辉：动力系统分析（研究生） (swarma.org)]

(如果有问题，可以在课程详情页面找到助教微信，联系助教~)</blockquote>//<blockquote>
=== [https://campus.swarma.org/course/1349 圣塔菲课程: Introdution to Complexity] ===

==== 课程介绍 ====
本课程是对复杂性科学的一个概览，包含 10 个章节，每节都会涵盖复杂系统的一个主要概念。具体内容可见课程大纲。

==== 讲师介绍 ====

* Melanie Mitchel Professor of Computer Science at Portland State University, and External Professor and Member of the Science Board at the Santa Fe Institute. Author or editor of five books and over 80 scholarly papers in the fields of artificial intelligence, cognitive science, and complex systems.
* Santa Fe Santa Fe Instructor
* Elizabeth Bradley Santa Fe Science Board, External Professor. Professor of Computer Science, University of Colorado. Her research interests include nonlinear dynamics, artificial intelligence, and control theory.
* John Rundle Professor of Physics and Earth and Planetary Science, UCD. External Professor, The Santa Fe Institute, Santa Fe, NM.Interest in the development of methods for earthquake forecasting based on studies of chaos and complexity in driven nonlinear systems, as well as on the use of realistic, large scale numerical simulations. More recently, he has developed an interest in viewing crashes in economic and financial systems as a kind of .Econoquake. that might be understood by analogy to earthquakes and other first order (nucleation) phase transitions. Personal Website: <nowiki>http://rundle.physics.ucdavis.edu</nowiki>
* Jim Crutchfield Professor of Physics at the University of California, Davis, where he directs a new research and graduate program at the Complexity Sciences Center. Prior to this he was Research Professor at the Santa Fe Institute for many years, where he directed the Dynamics of Learning Group and SFI’s Network Dynamics Program. His current research interests center on computational mechanics, the physics of complexity, statistical inference for nonlinear processes, genetic algorithms, evolutionary theory, machine learning, quantum dynamics, and distributed intelligence. He has published over 140 papers in these areas, most are available from his website: csc.ucdavis.edu/∼chaos.
* Stephanie Forrest Professor in CIDSE and Center Director in the Biodesign Institute. She is a computer scientist who studies the biology of computation and computation in biology, including biological modeling of immunological processes and evolutionary diseases, cybersecurity, software engineering, and evolutionary computation and an External Professor and Science Board member at the Santa Fe Institute. Professor Forrest is a member of the Adaptive Computation Group at UNM, where she studies adaptive systems, including genetic algorithms, computational immunology, biological modeling, and computer security. She is also a member of the Program in Interdisciplinary Biological & Biomedical Science (PIBBS) and the Center for Evolutionary and Theoretical Immunology (CETI).
* David Krakauer President and William H. Miller Professor of Complex Systems. David’s research focuses on the evolutionary history of information processing mechanisms in biology and culture. This includes genetic, neural, linguistic and cultural mechanisms. The research spans multiple levels of organization, seeking analogous patterns and principles in genetics, cell biology, microbiology and in organismal behavior and society. At the cellular level David has been interested in molecular processes, which rely on volatile, error-prone, asynchronous, mechanisms, which can be used as a basis for decision making and patterning. David also investigates how signaling interactions at higher levels, including microbial and organismal, are used to coordinate complex life cycles and social systems, and under what conditions we observe the emergence of proto-grammars. Much of this work is motivated by the search for 'noisy-design' principles in biology and culture emerging through evolutionary dynamics that span hierarchical structures.
* W. Brian Arthur 复杂性科学先驱、著名经济学家
* Mark Newman Research on statistical physics and the theory of complex systems, with a primary focus on networked systems, including social, biological, and computer networks, which are studied using a combination of empirical methods, analysis, and computer simulation. Among other topics, he and his collaborators have worked on mathematical models of network structure, computer algorithms for analyzing network data, and applications of network theory to a wide variety of specific problems, including the spread of disease through human populations and the spread of computer viruses among computers, the patterns of collaboration of scientists and business-people, citation networks of scientific articles and law cases, network navigation algorithms and the design of distributed databases, and the robustness of networks to the failure of their nodes.
* Geoffrey West 英国理论物理学家，城市科学的顶尖学者，圣塔菲研究所杰出教授和前任所长数十年致力于“规模”的研究工作，其研究成果被应用在理解生命体、城市可持续发展、企业运营等众多领域
* Luis Bettencourt Professor of Ecology and Evolution at the University of Chicago and External Professor of Complex Systems at the Santa Fe Institute. He has worked extensively on complex systems theory and on cities and urbanization, in particular. His research emphasizes the creation of new interdisciplinary synthesis to describe cities in quantitative and predictive ways, informed by classical theory from various disciplines and the growing availability of empirical data worldwide.

==== 课程大纲 ====

# What is Complexity？
# Dynamics and Chaos
# Fractals
# Information, Order and Randomness
# Genetic Algorithms
# Cellular Automata
# Models of Biological Self-Organization
# Models of Cooperation in Social Systems
# Networks
# Scaling in Biology and Society

==== 报名方式 ====
[https://campus.swarma.org/course/1349 圣塔菲课程: Introdution to Complexity (swarma.org)]

(如果有问题，可以在课程详情页面找到助教微信，联系助教~)</blockquote>//<blockquote>
=== [https://campus.swarma.org/course/1131 复杂性与临界现象 2020] ===

==== 课程介绍 ====
本课程为北京师范大学系统科学学院陈晓松教授开设的研究生课程《复杂性与临界现象》课程回放。

==== 讲师介绍 ====

* 陈晓松北京师范大学系统科学学院教授，院长。从事统计物理与复杂系统研究，尤其关注复杂系统的相变与临界现象。研究方向包括复杂系统的统计物理、相变与临界现象、气候系统的统计物理等。个人页面：<nowiki>https://sss.bnu.edu.cn/tabid/47/ArticleID/2313/frtid/48/Default.aspx。</nowiki>

==== 课程大纲 ====

# 复杂系统与复杂性简介
# 统计系统理论
# 平衡态系统临界现象
# 非平衡与复杂系统临界现象

==== 报名方式 ====
[https://campus.swarma.org/course/1131 复杂性与临界现象 2020 (swarma.org)]

(如果有问题，可以在课程详情页面找到助教微信，联系助教~)</blockquote>

=== ... ... ===

==课程列表==

===[https://campus.swarma.org/catalog/2 基础与通识]===
<blockquote>免费课程
*[https://campus.swarma.org/course/187 从Python到机器学习]
*[https://campus.swarma.org/course/2459 圣塔菲课程：Origins Of Life]
*[https://campus.swarma.org/course/2835 AnyLogic入门系列课程]
</blockquote><blockquote>收费课程
*[https://campus.swarma.org/course/1095 NetLogo多主体建模入门]
*[https://campus.swarma.org/course/1159 复杂网络 2020]
*[https://campus.swarma.org/course/1163 Matlab 基础及应用 2020]
*[https://campus.swarma.org/course/956 深度学习原理与PyTorch实战]
*[https://campus.swarma.org/course/272 数据科学心法与机器学习实战]
*[https://campus.swarma.org/course/271 Mathematica基础入门教程]
</blockquote>

===[https://campus.swarma.org/catalog/3 复杂系统]===
<blockquote>免费课程

*[https://campus.swarma.org/course/697 非线性动力学与混沌]
*[https://campus.swarma.org/course/2259 动力系统分析（本科生）]、[https://campus.swarma.org/course/1641 动力系统分析（研究生）]
*[https://campus.swarma.org/course/1655 圣塔菲课程：Introduction to Dynamical Systems and Chaos]
</blockquote>

<blockquote>收费课程

*[https://campus.swarma.org/course/1001 系统科学与社会经济]
*[https://campus.swarma.org/course/566 系统科学概论]
*[https://campus.swarma.org/course/566 系统科学导引]
*[https://campus.swarma.org/course/647 复杂系统中的幂律分布]
*[https://campus.swarma.org/course/1131 复杂性与临界现象 2020]
*[https://campus.swarma.org/course/1996 复杂系统自动建模专题 | 集智凯风研读营2020]
</blockquote>

===[https://campus.swarma.org/catalog/4 网络科学]===
<blockquote>免费课程

*[https://campus.swarma.org/course/2341 图网络与时序数据网络专题 | 2020因果纠缠学术年会]

收费课程

*[https://campus.swarma.org/course/2328 网络科学导论 | 网络科学集智课堂第二期]
*[https://campus.swarma.org/course/1754 巴拉巴西网络科学]
*[https://campus.swarma.org/course/1159 复杂网络 2020]
*[https://campus.swarma.org/course/240 非欧氏数据的几何深度学习]
*[https://campus.swarma.org/course/180 知识表征学习专题]
</blockquote>

===[https://campus.swarma.org/catalog/5 计算社会]===
<blockquote>免费课程

*[https://campus.swarma.org/course/1028 International Conference of Social Computing]
*[https://campus.swarma.org/course/2289 2020 年社会计算国际会议]
*[https://campus.swarma.org/course/2126 第五届全国大数据与社会计算学术会议]
*[https://campus.swarma.org/course/999 第八届全国社会媒体处理大会 SMP2019]
*[https://campus.swarma.org/course/660 计算传播学年会——多学科看社会传播]

收费课程

*[https://campus.swarma.org/course/832 AI&Society系列课程]
*[https://campus.swarma.org/course/1016 复杂系统与社会计算研讨会]
*[https://campus.swarma.org/course/2709 社会计算读书会]
</blockquote>

===[https://campus.swarma.org/catalog/6 人工智能]===
<blockquote>免费课程

*[https://campus.swarma.org/course/637 Julia 中文社区年会记录]
*[https://campus.swarma.org/course/671 Julia中文社区线下活动]<br />

收费课程

*[https://campus.swarma.org/course/1153 人工智能 2020]
*[https://campus.swarma.org/course/1056 产学结合：自然语言处理及其应用]
*[https://campus.swarma.org/course/217 PyTorch入门课程]
*[https://campus.swarma.org/course/854 系统讲解知识图谱——从建模到应用]
*[https://campus.swarma.org/course/830 GAN专题论文研读]、[https://campus.swarma.org/course/831 GAN专题代码实践]
*[https://campus.swarma.org/course/567 计算机视觉与深度学习]</blockquote>

===[https://campus.swarma.org/catalog/7 读书会]===
（[[集智俱乐部读书会|集智俱乐部读书会 - 集智百科 (swarma.org)]]-报名详情页面转跳）<blockquote>收费课程

*[https://campus.swarma.org/course/2460 因果科学读书会第二季]、[https://campus.swarma.org/course/1798 因果科学与Causal AI读书会]
*[https://campus.swarma.org/course/2294 复杂经济学读书会]
*[https://campus.swarma.org/course/2570 企业发展建模与预测读书会]
*[https://campus.swarma.org/course/2214 宏观金融系列读书会]
*[https://campus.swarma.org/course/2709 社会计算读书会]
*[https://campus.swarma.org/course/2005 生命复杂性系列读书会]
*[https://campus.swarma.org/course/1775 面向复杂系统的人工智能研究读书会]
*[https://campus.swarma.org/course/1740 复杂系统自动建模读书会]
</blockquote><blockquote>

</blockquote><blockquote></blockquote>
更多课程请到集智学园官网学习：[Https://campus.swarma.org/ https://campus.swarma.org/]
[[Category:待润色]]

[[Category:集智相关]]

2018研读营之张量网络与机器学习

2024-05-21T07:33:49Z

18810648466：

（本页面在逐步完善中......）
主讲人为张潘。作为外行主讲，这次的风格会和2016年尤亦庄主讲的张量网络不大相同，大家请同时参考[[2016研读营之张量网络]]
==数据与张量==
*数据表示为希尔伯特空间中的一个向量，不同的特征映射方式会给出不同的希尔伯特空间。[[File:tensor6.png|220px|缩略图||6维的张量]]
*对数据的线性操作表示为希尔伯特空间的一个算符。高维空间的线性操作可以对应低维空间的非线性操作。核方法(Kernel method)，表示理论(representation theorem)。
*无论是向量还是算符，我们可以统一地用张量（高维数组）来表示它。
*维数灾难(curse of dimensionality) -> 希尔伯特空间维度非常大->张量的参数数目非常多->我们无法轻易表达这个张量
*张量降维 = 希尔伯特空间压缩 = 张量网络

==张量网络的应用==
*张量网络与概率图模型：张量缩并对应隐变量求和（积分）
*在物理中，张量网络常常
**缩并掉虚拟指标，表达一个波函数
**缩并掉所有指标，表达经典系统的配分函数
*在应用数学中，张量网络被用来拟合一个函数或另一个张量，或用来预测未知张量（或矩阵）元素
*在机器学习中（新），张量网络可以被用来做分类器，也可以利用量子力学的Born法则表达一个概率分布，构造一个生成模型（'''今天的主要内容'''）。
*张量网络在不同的领域中的应用基本上概括为
**量子物理：'''优化'''
**应用数学：'''拟合'''
**机器学习：'''泛化'''

==张量网络(张量分解)==
===秩为1的张量：直积态===
*最简单的张量网络: 秩为1的张量或者说是直积态，可分解(Factorized)纯态。它的参数数目最少，参数数目线性正比与组分数目，组分之间互相独立。
**一个量子比特，两个本征态:
***第一个本征态（类似像素黑）表示成 <math>| {\uparrow } \rang =|0\rangle=\left(\begin{matrix}1\\0\end{matrix}\right)</math>,
***第二个本征态（类似像素白）表示成 <math>|{\downarrow }\rangle=|1\rangle=\left(\begin{matrix}0\\1\end{matrix}\right)</math>，
***灰度值为0.8的像素表示成两个本征态的叠加 <math>|\Psi\rangle=\sqrt{0.8}|{\uparrow }\rangle+\sqrt{0.2}|{\downarrow }\rangle=\left(\begin{matrix}\sqrt{0.8}\\\sqrt{0.2}\end{matrix}\right)</math>
**两个量子比特(qubit)的直积态：<math>|\Psi\rangle =|{\uparrow }\rangle|{\downarrow }\rangle=\left(\begin{matrix}1\\0\end{matrix}\right)\otimes \left(\begin{matrix}0\\1\end{matrix}\right)=\left(\begin{matrix}0\\1\\0\\0\end{matrix}\right)=\left(\begin{matrix}0&0\\1&0\end{matrix}\right)</math> [[File:Product state 1.png|120px|缩略图||两个量子比特的直积态]]
**两个量子比特的直积态：<math>|\Psi\rangle =|{\uparrow }\rangle\left(\frac{1}{\sqrt{2}}|{\uparrow }\rangle+\frac{1}{\sqrt{2}}|{\downarrow }\rangle\right)</math>
*秩为1的张量作为模型可以用来拟合任意的张量（当然误差可能非常大），或者说提取任意张量的“最重要”的信息，但它的缺点是参数数目太少，表达能力十分有限。n个量子比特，精确描述可能需要 <math>2^n</math>个参数( <math>2^n-1</math>个自由参数)，但是秩为1对张量只有 <math>2n</math>个参数(<math>n</math>个自由参数)。

[[File:rank_1.png|520px|缩略图|居中||用秩为1的张量拟合一个任意张量]]

*秩为1张量的推广
**CP分解，Canonical rank, 参数数目ndr
**Tucker分解，参数数目(ndr+r^n)
**矩阵乘积态，也叫做Tensor Train,ndr^2

===秩大于1的张量:'''纠缠态'''===
*不可分解的纯态
**两个量子比特的纠缠态: <math>\frac{1}{\sqrt{2}}|{\uparrow }\rangle|{\downarrow }\rangle-\frac{1}{\sqrt{2}}|{\downarrow }\rangle|{\uparrow }\rangle </math>，在任何基下都不能写成直积态，纠缠来源于(anti)相关性。
**EPR对: <math>\frac{1}{\sqrt{2}}|{\uparrow }\rangle|{\uparrow }\rangle+\frac{1}{\sqrt{2}}|{\downarrow }\rangle|{\downarrow }\rangle </math>，它的rank是多少？
**<math>|\textrm{GHZ}\rangle=\frac{1}{\sqrt{2}}\left( |{\uparrow }\rang^{\otimes n}+ | {\downarrow }\rangle^{\otimes n}\right)</math>

*秩与纠缠
**秩为1->没有纠缠。
**秩越大，通常纠缠越多，通过纠缠熵(Entanglement entropy)来定量刻画。
**纠缠意味着一些信息被两个量子比特共享，单独看其中一个会损失信息！
**张量展开成 <math>2\times 2</math>矩阵的rank＝这个矩阵Singular value非零元素个数＝约化密度矩阵非零本征值数目
**为什么是SVD？因为SVD = Schmidt decomposition，天然的正交二分方法。
**多个（例如7个）量子比特怎么看两个子系统（例如前3个和后4个）之间有没有纠缠？
***同样是把维度为 <math>2^7</math>的张量需要展开成维度为 <math>2^3\times 2^4</math>的矩阵，然后看这个矩阵的秩。
***这个矩阵的奇异值平方＝约化密度矩阵的本征值。
***大家回想一下Singular Values的定义，实际上求解一个矩阵的SVD的一个方法就是去求解这个矩阵所对应的协方差矩阵的本征值问题。
***这个 <math>2^7</math>的张量有很多种展开成矩阵的方法，这实际对应着不同的permute -> reshape 操作。对任意张量如果可以这么操作（有无限大内存和计算量），这会给出纠缠的准确度量，给出DMRG所需的最大bond dimension。
**小测试：<math>|\Psi\rangle=\frac{1}{ {2}}|{\uparrow }\rangle|{\uparrow }\rangle+\frac{1}{ {2}}|{\downarrow }\rangle|{\downarrow }\rangle+\frac{1}{ {2}}|{\uparrow }\rangle|{\downarrow }\rangle+\frac{1}{ {2}}|{\downarrow }\rangle|{\uparrow }\rangle </math>有没有纠缠？

*纠缠熵
**纠缠熵定义为约化密度矩阵的熵。
***密度矩阵<math>\rho=|\Psi\rangle\langle\Psi|</math> （对于纯态波函数<math>\Psi</math>）秩为1。
***约化密度矩阵<math>\rho_A=\textrm{Tr}_B|\Psi\rangle\langle\Psi|</math>的秩是否大于1决定A系统和B系统有无纠缠。
***<math>
\psi_{AB}</math>是<math>\Psi</math>被reshape后得到的矩阵。有<math>\rho_A=\psi_{AB}\psi_{AB}^\dagger</math>，因此<math>\rho_A</math>的秩等于<math>\rho_B</math>的秩等于<math>
\psi_{AB}</math>的秩。
***<math>\rho_A</math>的本征值等于<math>\rho_B</math>的本征值等于<math>
\psi_{AB}</math>的奇异值平方。
***纠缠熵定义为<math>S(\rho_A)=S(U\rho_A U^\dagger)=S(P(\{\lambda_i\}))=\sum_i\lambda_i\log(\lambda_i)</math>,其中U是酉矩阵,<math> P(\{\lambda_i)\}</math>是约化密度矩阵的本征值的概率分布。

===物理中常用的张量网络===
*矩阵乘积态(Matrix Product States), 在应用数学中称为Tensor Train [[File:tns.png|320px|缩略图|居右||]]
**常被用于(一维)量子系统
**缩并很简单
**关联指数衰减
*Projected Entanglement Pair State (PEPS), 二维的MPS
**天然对应二维系统
**缩并指数难
*Tree Tensor Network, 在应用数学中Hierarchical Tucker Decomposition
**和mps差不多，但是有着关联长度的优势
*Multi Entanglement Renormalization Ansatz
**常用语描述临界系统，关联power law衰减

==矩阵乘积态==

==张量网络作为非监督生成模型==

[[category:旧词条迁移]]

[[Category:集智相关]]

2018研读营之张量网络与机器学习

2024-05-21T07:33:27Z

18810648466：

Anaconda编程环境

2024-05-21T07:32:47Z

18810648466：

{{#seo:
|keywords=Python，Conda
|description=Python，集智
}}

== 本文概述 ==
欢迎打开这篇介绍Anaconda的文章，它会教你怎样用Anaconda来管理一些与Python配合使用的软件包与运行环境。
通过Anaconda, 你能更轻松的安装那些经常在大数据处理中使用到的软件。你也可以通过它轻而易举的搭建可以同时进行多个项目的虚拟环境。Anaconda 简化了我们的工作流程，解决了很多Python版本与软件包安装时遇到的问题。
Anaconda其实就是一系列软件的集合发行版，包括Conda、Python以及150多个科学软件包。Conda就是一个软件包与运行环境的管理器。Anaconda大概会占用你500MB的空间，因为它包含了Python中涉及到大数据处理的最常用软件包。如果你不需要所有的软件包，或者想保留你的带宽或硬盘空间，你也可以下载Miniconda,一个只包含Conda和Python的发行版。你也可以用Conda安装其他任何可用的软件包，只是它们不是一起下载来的。
Conda是一个只能使用命令行来操作的程序，如果你还不习惯，可以先去学习一下针对Windows或Linux与OSX 进行命令行操作的相关教程。
你可能已经安装了Python，并对为什么要装这个Anaconda而感到好奇。
首先，因为Anaconda包含了一堆大数据分析所需要的软件包，你可以立即开始工作。另外，使用Conda来管理你的软件包和运行环境可以减少你以后使用多个数据库时遇到的各种问题。

== 软件包的管理 ==
[[File:2_看图王.jpg|600px|center]]

软件包管理器用于在计算机上安装库和其他软件。可能你已经熟悉pip了，它是Python库的默认包管理器。 Conda与pip类似，只不过Conda的可用包专注于数据科学，而pip应用广泛。然而，conda并不像pip那样为Python量身打造，它也可以安装非Python包。它是任何软件堆栈的包管理器。话虽如此，不是所有的Python库都可以从Anaconda发行版和conda获得。
你可以（并且今后仍然）使用pip和conda一起安装软件包。Conda安装预编译的软件包。例如，Anaconda发行版带有使用MKL库编译的Numpy，Scipy和Scikit-learn，它们加快了各种数学操作。这些软件包由供应商维护，这意味着它们通常落后于新版本。但是对于需要为许多系统构建软件包的客户来说，这些软件包往往更稳定（并且更加方便您使用）。

== Environments 运行环境 ==
[[File:A444.png|600px|center]]

Conda除了可以管理包，也是一个虚拟环境管理工具。它与virutalenv和pyenv等其他流行的环境管理工具类似。不同的项目的环境允许你分离和独立出你在不同项目中使用的不同包。你通常会经常使用不同的代码工作，而这些代码依赖于不同版本的库。例如，你的代码可能使用了Numpy的新特性，而另一些代码使用了一些被废除的旧特性。但是你实际上不可能一次同时安装2个不同版本的Numpy。取而代之，你可以针对每个版本Numpy设置一个环境，然后让你的项目在恰当的环境下工作。当你在Python 2和Python 3之间切换时，这种问题同样很常见。你使用的旧代码可能不能在Python 3下运行，而新的代码不能在Python 2下运行。但同时安装2个Python会导致许多混乱和问题。而使用分离的环境是一个更好的选择。
你同样可以把一个环境中包的列表输出到文件中，然后把这个文件和你的代码放在一起。这样其他人就可以简单地载入所有你的代码所依赖的库。Pip也有类似的功能，可以通过'''pip freeze > requirements.tx'''t将环境导出。

== 安装Anaconda ==
下面，我将详细讲述如何使用Anaconda。首先，我将介绍如何安装，然后是如何使用软件包管理器，最后介绍创建和管理运行环境

Anaconda 可以在Windows, Mac OS X,Linux上面运行。可以在下面的链接找到安装文件和安装说明[https://www.continuum.io/downloads https://www.continuum.io/downloads]。如果你已经在电脑上安装了Python, 此次安装不会破坏任何东西。相反的，您的脚本和程序使用的默认Python将是Anaconda自带的。选择Python 3.5版本，也可以安装Python 2版本。此外，如果您有64位操作系统，请选择64位安装程序，否则选择32位安装程序。继续选择适当的版本，然后安装它。然后继续。

安装后，您将自动在默认的conda环境中安装您可以在下面看到所有软件包。您可以通过在终端窗口输入conda list检查自己的安装

[[File:conda list 1.png|600px|center]]

[[File:800px-Conda_list_4.png|600px|center]]

=== 在windows系统上安装Anaconda ===

很多应用会和Anaconda一起被安装

• Anaconda Navigator, 用于管理你的环境和包的图形界面

• Anaconda Prompt, 可以通过命令行管理你的环境和包的终端程序

• Spyder, 面向科学开发的集成开发环境(IDE)

为了避免错误，最好是在默认环境更新所有的包。打开Anaconda Prompt程序，在提示行，运行下面的命令：

conda upgrade conda conda upgrade --all

当问你是否要安装包的时候，回答yes。初始安装带的包往往陈旧了，所以应该把这些陈旧的包升级以避免错误发生。

'''注意：'''在前面的步骤中，运行conda upgrade conda本来不需要，因为 --all已经包含了conda包本身，但是一些用户不运行它会报错。

在最后，我将请你在终端程序使用命令。我强烈建议你用这种方式开始学习Anaconda，然后稍后如果你喜欢，再使用图形界面。

'''故障排除'''
如果你看到报错信息： "conda command not found" 而你用的是 ZShell, 你可以这样做：

添加 export PATH="/Users/username/anaconda/bin:$PATH" 到你的 .zsh_config配置文件里。

== 用conda安装模块包 ==
在安装好Anaconda后，conda也会随之安装成功。适用conda管理python的模块包非常简洁明快。
打开你的操作系统的命令行，然后输入“'''conda install package_name'''”，其中package_name是你想要安装的模块包名称。
如果conda查询不到你想要安装的包，也可以尝试用python自带的模块包管理，输入“'''pip install package_name'''”进行尝试。

== 管理运行环境 environments ==
如同之前提到的，conda可以用来给你的项目创建独立环境。创建环境，可以在终端中使用：

conda create -n env_name [包的列表]

这里，-n env_name 是为你的环境（－n就表示环境）命名，[包的列表]是你要在环境中安装的包的列表。

例如，你可以创建一个名字为my_env的环境，并且安装上了numpy包，那么你可以输入

conda create -n my_env numpy

[[File:创建环境(1).png|600px|center]]

创建环境时，可以指定要在环境中安装的Python版本。当你同时在Python 2.x和Python 3.x中使用代码时，这是非常有用的。

要创建具有特定Python版本的环境，请执行类似

conda create -n py3 python = 3

或

conda create -n py2 python = 2

这样的命令。

实际上，在我的个人计算机上，我同时有这两个环境。我使用它们作为一般环境，而不绑定到任何具体项目，而是希望很方便地访问每个Python版本。这些命令将分别安装最新版本的Python 3和2。

如果要安装特定版本，例如 Python 3.3，使用

conda create -n py python=3.3。

=== 进入环境 ===
一旦创建了环境，你只要在OSX / Linux上输入

source activate my_evn

就能进入环境。

在Windows上，使用

active my_env

就能进入。当你进入了环境时，你就能在终端提示符中看到环境名称。类似（my_env）〜$。

环境默认情况下仅安装了几个软件包，以及在创建时安装的软件包。

你可以用conda list检查它。在环境中安装软件包与之前相同：

conda install [包名称]

只有这时，你安装的特定软件包才会在环境中可用。要退出环境，请键入（在OSX / Linux上）：

source deactivate

在Windows上，使用

deactivate
[[File:800px-QQ截图进入环境.png|600px|center]]

=== 保存与加载环境 ===

Anaconda 有一个特别有用的特性就是可以分享运行环境，这样其他人就可以下载所有的包，在合适的版本下使用您的代码。

您可以通过 conda env export > environment.yaml保存包至YAML文件。在第一部分conda env目录下中导出书写所有在这个运行环境下的包，其中也包括python版本。

[[File:保存环境env-export.png|600px|center]]

=== 将输出环境打印到终端 ===

以上您可以看到运行环境的名称和所有附属已列出来。在第二部分输出命令，用> environment.yaml可以写输出文本至YAML文件environment.yaml。这个文件可以被分享而且其他人可以与您创建相同运行环境来使用这个项目。从运行环境文件中创建运行环境用conda env 创建-f environment.yaml。这个将以在environment.yaml中已列出的名字来创建一个新的运行环境。

=== 列表环境 ===
如果您忘记了运行环境的名字（这种情况在我身上时有发生），用conda env list可以列出所有您创建过的环境名称。您应该可以看到在最近您访问的环境名称后面会被标星。对于默认运行环境，当您不是一个人在使用这个运行环境时它被称为根。

=== 移除环境 ===
你可以将不再需要使用的运行环境移除，

conda env remove -n env_name

将会移除所有特定运行环境（这里，命名为env_name）

=== Python 2和Python 3的运行环境 ===

有件事帮助了我很多，那就是拥有Python 2和Python 3独立的环境。
我用

conda create -n py2 python=2

及

conda create -n py3 python=3

两行代码创造出两个独立的运行环境，也就是py2和py3。现在，针对各个版本的Python，我有一个通用的运行环境。在每一个运行环境里，我安装了大部分标准数据科学包（numpy, scipy, pandas等等）。

我还发觉，为我正在处理工作的每个项目创建环境很有用。它非常适合非数据相关的项目，就像Web应用程序与Flask。例如，我就有一个使用Pelican的个人博客的环境。

=== 共享环境 ===

在GitHub上分享代码时，制作一个环境文件夹并将其包含在信息存储库中是个好习惯。这将使人们更易安装你的代码的所有依赖项。我也通常使用pip冻结（点击这里了解更多）将pip requirements.txt文件包含在内，方便那些不使用conda的人。

== 了解更多 ==
想要了解更多关于Conda以及它如何适应Python的生态系统，可以看看由Jake Vanderplas写的这篇文章：Conda神话与误解。这里是Conda文档供您稍后参考。

== 编者推荐 ==
=== 集智文章推荐 ===

[[File:QQ图片20200818191433.png|190px|thumb|right|《深度学习原理与 PyTorch 实战》封面]]
====[https://swarma.org/?p=16856 集智众包新书上市：《深度学习原理与 PyTorch 实战》]====
:本书系统介绍了深度学习技术及开源框架 PyTorch。全书注重实战，每章围绕一个有意思的实战案例展开，不仅循序渐进地讲解了 PyTorch 的基本使用、神经网络的搭建、卷积神经网络和循环神经网络的实现，而且全面深入地介绍了计算机视觉、自然语言处理、迁移学习，以及最新的对抗式学习和深度强化学习等前沿技术。

=== 集智课程推荐 ===
====[https://campus.swarma.org/course/219 PyTorch编程环境的搭建]====
:本课程是“火炬上的深度学习”系列课程的配套视频，主要讲解了在MAC和WIN平台上安装PyTorch和Anaconda以及Jupyter Notebook的方法。

====[https://campus.swarma.org/course/1071 社会科学家的机器学习]====
:本课程，面向社会科学研究者，采用Python介绍机器学习和深度学习的基本逻辑。

----
本中文词条由[[用户:许许|许许]]编辑，欢迎在讨论页面留言。

'''本词条内容源自公开资料，遵守 CC3.0协议。'''

[[Category:Python]]
[[Category:Conda]]
[[Category:机器学习]]
[[Category:待确定]]

集智学园VIP

2024-05-21T07:32:09Z

18810648466：

== 关于集智 ==
=== 集智俱乐部 ===
[[集智俱乐部]]，英文名：Swarma Club，成立于 2003 年，是一个从事学术研究、享受科学乐趣的探索者的团体，也是国内最早的研究人工智能、复杂系统的科学社区。它倡导以平等开放的态度、科学实证的精神，进行跨学科的研究与交流，力图搭建一个中国的 “ 没有围墙的研究所 ”。

=== 集智学园 ===
[[集智学园]]，英文名：Swarma Campus，成立于 2016 年 10 月 1 日，是集智俱乐部孕育的创业项目之一。为一个知识服务社区，专门致力于复杂性科学、人工智能等先进技术的普及工作，合作伙伴包括腾讯、华为、北京师范大学、湖畔大学、混沌大学等多家知名机构。2019年底获得国家高新技术企业称号。
=== 集智斑图 ===
[[集智斑图]]，英文名：Swarma Pattern，是一个复杂性科学领域的自组织学习社区，包含了该领域学习路径的展示，同时承载了集智特色的论文解读活动，为知识探索者提供了一个良好的学习平台。口号是用知识连接探索者。
更多信息
更多关于集智的发展历史、集智读书会、研读营、圣诞学术年会等信息，可以访问集智百科：集智俱乐部介绍。

== 关于集智 VIP ==
[[文件:微信图片 20210912100230.jpg|左|缩略图]]

=== 加入流程 ===
1. 扫描二维码进入VIP详情页（或者通过链接进入：<nowiki>https://campus.swarma.org/vip）</nowiki>

2. 选择相应年限VIP，付费

3. 付费成功后，点击确认，填写弹出的表单

4. 添加负责人微信，进入集智学园VIP群

如需对公转账，或咨询其他问题，请联系集智小助手：swarmaAI。
[[文件:Swarma.png|居中|缩略图|200x200像素|扫码报名]]

=== VIP 权益简介 ===
集智学园VIP权限自付费之日起生效，为期一年或两年，定价分别为：

* 一年制：2999元
* 二年制：5399元

在VIP权限有效期内，用户可享有以下会员权益：

* 畅看集智学园全站课程视频
* 免费参加全部集智主题读书会
* 优先参与集智线下闭门活动
* 参加VIP专属线下活动
* 受邀参加集智俱乐部学术年会
* 获赠集智周边大礼包

上述价格将维持到2021年12月31日，后续将随着课程体系和服务的升级而调价。

=== 关于读书会（动态更新） ===
{| class="wikitable"
|-
! 序号 !! 读书会主题
!核心发起人
!运营负责人!! 报名途径 !! 持续期数 !! 当前状态 !! 固定时间
|-
|1
|[https://mp.weixin.qq.com/s/_wUeYz3wlfZqG8_W9_X3QQ 因果科学读书会第二季]
|李奉治等
|王婷
|https://campus.swarma.org/form/activity/27
|11
|进行中
|周日上午10：00-12：00
|-
|2
|[https://mp.weixin.qq.com/s/-HMX_8RwDcf4xQUdYq19kQ 复杂经济学读书会]
|李红刚等
|王朝会
|https://campus.swarma.org/form/activity/24
|16
|进行中
|周二晚上8：00-10：00
|-
|3
|[https://pattern.swarma.org/path?id=125 企业发展建模与预测读书会]
|张江等
|陶如意
|https://campus.swarma.org/form/activity/31
|10
|进行中
|每周一晚上20:00--22:00
|-
|4
|[https://mp.weixin.qq.com/s/KhhDARDyMN0HHpSUVozxBw 因果涌现读书会]
|张江等
|王婷
|https://campus.swarma.org/course/3106
|8
|即将开始
|每周六上午9:00-11:00
|-
|5
|[https://mp.weixin.qq.com/s/ITDH5nRONpMQ_UeLJwh7PA 社会计算读书会]
|王硕等
|王建男
|https://campus.swarma.org/form/activity/32
|12
|已结束
|周四晚上8：00-10：00
|-
|6
|[https://mp.weixin.qq.com/s/oUlksh3GCEGxzkS5XPXuxw 生命复杂性系列读书会]
|傅渥成等
|刘培源
|https://campus.swarma.org/form/activity/16
|12
|已结束
|周四晚上8：00-10：00
|-
|7
|[https://mp.weixin.qq.com/s/dSBpO_MBcksNcMIM6J9oMw 因果科学与 Causal AI 读书会]
|龚鹤扬等
|王婷
|https://campus.swarma.org/form/activity/12
|14
|已结束
|周日晚上8：00-10：00
|-
|8
|[https://mp.weixin.qq.com/s/cqRXAIOynrbpjY8a3idAew 面向复杂系统的人工智能研究读书会]
|张江
|张章
|https://campus.swarma.org/form/activity/8
|9
|已结束
|周日晚上8：00-10：00
|-
|9
|[https://mp.weixin.qq.com/s/e1M-GX91sQ8w7K0ivjI3SA 科学学读书会]
|胡乔
|胡乔
|https://campus.swarma.org/form/activity/7
|6
|已结束
|周三晚上8：00-10：00
|-
| 10 || [https://mp.weixin.qq.com/s/yL2LmgkURpMhnZJjx1fkVA 复杂系统自动建模读书会]
|张江
|王婷|| https://campus.swarma.org/form/activity/3 || 12
| 已完结 || 周日晚上8：00-10：00
|-
| 2 || [https://mp.weixin.qq.com/s/dW4LSe4I56i6TByHA3BtKQ 复杂管理学读书会]
|罗家德
|张爱华|| https://campus.swarma.org/course/3439 || 12
| 待开始 || 每周三晚上7:00-9:00
|-
| 3 || 城市复杂性读书会
|待定
|王婷|| || || 待开始||
|-
| 4 || 地球科学读书会
|待定
|张倩|| || || 待开始 ||
|-
| 5 ||因果科学读书会第三季
|待定
|王婷|| || || 待开始 ||
|}

=== 付款信息 ===

可开发票，支持对公转账。
公司名称：集智学园（北京）科技有限公司
开户银行：招商银行股份有限公司北京上地支行
银行账号：110929000710802
支持微信或支付宝付款
（扫码，手动输入金额即可）
[[文件:集智学园支付宝二维码.jpg|缩略图|左]]
[[文件:集智学园微信支付码.jpg|缩略图|左]]
[[Category:集智相关]]

记录集智2003-2015

2024-05-21T07:31:35Z

18810648466：

== 记录集智——一个民间科学探索群体的成长故事 ==

作者：[[User:Jake|Jake]]（[[User talk:Jake|讨论]]） 2015年8月19日 (三) 15:14 (CST)Jake

不知道你有没有听说过“集智俱乐部”，也不知道你有没有听说过“张江”，今天，我要讲述一下我和集智俱乐部的故事......

2015年7月25日早9点，集智俱乐部第一届年会在南京大学新闻与传播学院的费彝民楼隆重召开。作为集智俱乐部的创始人之一，我走到了主席台前进行大会致辞。台下，一些久违而熟悉的面孔正投射出期待与支持的目光。除此之外，还有相当一部分脸孔是完全陌生的，他们似乎要从我的演讲中找到对于集智俱乐部全面的解读。可是，这哪里是十几分钟的时间可以讲清楚的呢？

===集智俱乐部网站===

2003年初，北京交通大学（当时的北方交通大学）南门外的小饭馆。我和几个师弟、师妹正在商讨着如何筹办一个网站，以弘扬贺仲雄老师的教学、科研全新理念。[[贺仲雄]]，全国知名的软科学专家、模糊数学专家、可拓学专家，但在我们眼中，他是一名老顽童，也是我们这些人在科研、人生道路上的领路人。5年前，我因为一个偶然的机遇认识了他，结果收获了他长达5年的非同寻常的“特殊教育”。'''我们将他的教育方法戏称为“还我聪明”法，即摆脱掉传统教育中的束缚，回归学习与科研中的本源。'''

渐渐地，在他的指导下，我已经发表了多篇论文，当之无愧地成为了“贺家军”的“大师兄”。于是，为了让贺老师特殊的教育方法发扬光大，我决定与几位师弟、师妹一起建立一个网站，在这里张贴最新研究论文、交流学术想法。

网站叫什么名字呢？这个问题困扰了我们。这个名字应能反应贺老师的学术思想，又不能限制在现在研究的几个科研题目上，同时，它还应该能够表达我们的一种态度，一种积极地面对未来的态度。

“就叫集智吧”，我沉思片刻后说到，'''“它可以表达集合论的智慧。贺老师这么多年一直跟各种集合论打交道，从模糊集（Fuzzy set）到可拓集（Extensive set），再到后来的含糊集（Vague set）、粗糙集（Rough set），以致到他最后提出来的统一集论（All set或Unified set），所以集智就是集合智慧的简称。“'''

“不错，集智还有云集智能体的意思，即swarming agents。这是典型的复杂系统，即将一大群小智慧体（Agents）组织起来，形成更大的智慧。贺老师研究的对象始终是复杂系统，而集智恰恰是复杂系统的典型特点“，”贺家军“的”三师兄“谢艳青说到。

“嗯，而且集智还与极致同音，就是说无论是科学还是学习，我们都要将贺老师的‘还我聪明’方法发挥到极致”。发言的正是“二师兄”林华。

“那就叫集智俱乐部吧”，我补充道，“毕竟我们是一个松散的组织，而且是非官方的，它不隶属于某一个社团，也显然不隶属于北方交大，所以叫它俱乐部更合适。”

就这样，大家都很满意，新网站的名字终于确定下来了。几个师弟师妹们也有了各自分工，大家开始分头找资料。有的负责寻找贺老师多年前发表的论文，有的负责寻找媒体关于贺老师的报道。而网站的编程工作自然落到了我的头上，因为当时我仿佛是这群人中唯一懂得ASP+ACCESS技术的人。

===复杂性科学===

就这样，集智俱乐部网站的框架搭建起来了。它主要包括复杂系统、还我聪明和头脑风暴模块。复杂系统主要介绍贺老师的模糊数学、软科学，还我聪明则是宣传贺老师特殊的教育、学习方法，头脑风暴则是一个讨论论坛。

起初来论坛讨论的都是我们这些“贺家子弟”。然而，很快论坛就冷清下来了，因为大家彼此太过熟悉了，似乎已没什么可聊的了。年轻人大多容易冲动，干什么事情都是凭借着一股热情，但是热情往往是短暂的。在几个月后，师弟师妹们都先后离开了。就在我沮丧的时候，一个更可怕的事情诞生了：非典爆发了，而北京交通大学恰恰是非典的重灾区。于是，我们这些在读博士们被毫不留情地关在了宿舍中不许外出，每天还要消两次毒……我被软禁了。

不过，我很快就开始享受这样的软禁生活了。因为，我找到了那本影响我一生的书：《[[复杂——诞生于秩序与混沌边缘的科学]]》。这本书讲述了一群美国科学家是如何在圣塔菲这个荒漠中的小城建立起全世界闻名的[[圣塔菲研究所]]的故事。而且，更有意思的是，这本书介绍了[[康威的生命游戏 Conway's Game of Life|生命游戏]]、鸟群飞翔、蚂蚁觅食等一系列有趣的小程序。我才知道，原来人们说的[[基于主体建模|多主体模拟]]、复杂性研究可以通过个人电脑就轻松实现出来。
[[文件:复杂-诞生于混沌与秩序的边缘.jpg|居中|复杂-诞生于混沌与秩序的边缘]]

于是，我二话不说，开始在宿舍里闷头写下了一个个的简单程序，包括“蚁迹寻踪”、“Floy模拟”等等。并且，我在集智俱乐部网站复杂系统栏目下开辟了一个子栏目，叫“自下而上”，展示这些有趣的程序。我体会到了当年牛顿因为剑桥瘟疫而回家度假的快乐感觉。我觉得这些玩意才是我最想要的，这才是值得我一生追求的东西。我突然觉得，学业、集智俱乐部网站已经不再是一种负担，因为我将为其奋斗终生。

===集异壁之大成===

非典结束后，头脑风暴论坛里开始多了一些陌生的帐号，他们被网站上的蚂蚁、细胞、苍蝇们吸引而来，讨论的内容也逐渐丰富起来。大家开始热衷于复杂系统的话题：'''生命是如何起源的？计算机程序可以自我繁殖吗？经济系统如何演化？……这些主题基本构成了集智俱乐部多年讨论的主旋律。'''

在所有这些人中，有一位姓黄的杂志编辑显得格外活跃。于是，我们在网下相约见面。二人相聊甚欢。他的知识面很广，从物理到人工智能，似乎无所不知。在这次谈话最后，他送给了我一本书：《[[哥德尔、艾舍尔、巴赫：集异璧之大成 Gödel, Escher, Bach: An Eternal Golden Braid]]》。
[[文件:S1789059.jpg|链接=https://wiki.swarma.org/index.php%3Ftitle=%E6%96%87%E4%BB%B6:S1789059.jpg|替代=|居中|283x283像素]]

1000多页的大部头巨著居然就这样被我一口气读完了，而且我很快发现，'''这是一本启迪我灵性的重要读物。如果说《复杂》开启了我的职业生涯，那么《集异壁》则让我找到了终生的宗教。'''于是，我成天醉生梦死在[[哥德尔]]、[[图灵]]、埃舍尔、巴赫、[[自指]]、层次结构等等奇妙的概念之间。

很快，集智俱乐部网站上多了一个全新的频道：虚拟世界。这个题目准确地把握住了我当时醉生梦死的状态。我将这一段时间接触的各类电影和文章，以及高中时代的胡思乱想，还有最近这段时间高峰体验到的东西串联了起来，写成了一篇篇网络文章。这么多年回头看，这里的东西才是最真实的。

这是我第一次体会到了互联网的甜头。尽管前期的网站建设耗费了我大量的人力和时间，甚至还有金钱，而且所有这些都几乎没有回报，但是我收获到的却是一种实实在在的与别人交互的机会。我终于可以在茫茫互联网世界上冒出了一个小尖，于是大量的注意力资源开始找到发泄的出口，所有关于复杂、人工智能、演化的注意力开始汇聚到集智。而我个人也收获到了影响我一生的信息。没有集智俱乐部，我可能永远没有机会阅读《集异壁》，也永远不会找到自己内心的宗教。

集智给我的好处不仅这些，它还帮我实实在在地找到了博士后的出路。2006年4月的某天，我顺利通过了中科院系统所的博士后面试。后来，系统所的韩靖回忆说，当初从那么多候选人中挑选了我，恰恰是因为他们了解到，我就是那个”著名“的集智俱乐部网站的创办者。

===实体俱乐部===

对于一个按照传统求学道路成长的人来说，博士后阶段是一个非常舒服的”间歇年“。因为，这段时间没有博士论文的压力，同时博士后导师一般不会过多地干涉你的工作，于是你享有的是科研工作者梦寐以求的大把大把的时间来进行天马行空的思考。然而，过于宽松的环境很容易让人堕落。至少对于我来说的确如此，两年的博士后时间，我浪费了大量的时间在追求一些过于细节的知识，而忽略了动手实践的机会。正在苦恼于一事无成的时候，机会找到了我的头上。

一天，我接到了一个陌生电话，对面的人自称是某杂志的编辑，姓孙名滔，在看到集智俱乐部网站后很有想法，希望和我合作写一本科普书。这些年来，类似的情形我已经经历过很多次，什么出书、开展活动，没有一次成功的。'''我深刻地体会到，互联网上都是一些弱联系，没有牢靠的经济、社会角色的制约是不可能保证深入合作的。'''

果不其然，这次活动又以失败告终。可恨的是，我已然听从了孙滔的忽悠，付出了大把的时间修改文章，结果仍然一事无成。不过，好消息是，这位孙编辑的办公室离我很近。于是，我可以时不时地去骚扰他，让他陪我一起做一些不靠谱的实验，比如用摄像机拍摄投影到屏幕上的摄像机的内容，创造一些复杂而神奇的视频等等，从而把自己失去的时间夺回来。

正是由于我和他都处于”间歇年“阶段，我们俩还真慢慢玩了起来，比较happy，也比较无意义。直到有一天，孙滔提意，干脆我们组织一个俱乐部吧，我们可以邀请更多的人来加入我们，讨论哲学、科学、艺术、甚至……。

“可是……，这意味着我们需要花费大量的时间来组织活动，我的时间上……”，我犹豫着。

“这没关系，我现在工作又不忙，我有时间啊，我们的俱乐部就叫XX俱乐部吧”，孙滔说。

“那还不如叫[[集智俱乐部]]，我的网站用这个名字已经这么多年了。”我已经下定决心了。

“也好。接下来，我们应该邀请一些人，来共同组织一些讨论。”孙套补充道。

于是，我们利用现有的人际关系，很快邀请了一些人来，组织一些非正式的讨论。这些人中包括“贺家军”中的“三师兄”谢艳青，包括后来的活跃人物小木球。

'''2007年8月25日是我们有记录的第一次正式线下活动。'''当时我的想法是，既然要成立实体的集智俱乐部，就应该继续讨论集智的相关主题，例如生命的起源问题，应该确定一些相对固定的内核成员。就这样，我们在线下继续组织了几次聚会，专门讨论这些大的科学问题。那时候，'''我经常把我们的集智俱乐部与奥林匹亚俱乐部（爱因斯坦所在的讨论小组）、维也纳圈子（维纳、冯诺依曼等人所在的学术讨论圈）相提并论。'''

但是，现实真的太骨感了。尽管每个参与者都对生命的本质这样的大问题感兴趣，但是大家的观点完全不统一。所以，在聚会了两三次后大家就失去了兴趣。不知怎地，网上很刺激的那些深奥主题放到线下就变了味道。我开始后悔组织这个倒霉的实体俱乐部了。

2007年的11月11号，我和孙滔还有Keats到糖果俱乐部（一个著名的演艺吧）观看了一个叫做“灵与火”的另类舞蹈演出。结束后，我们颇有感触，既然我们叫做集智俱乐部，那么为什么不能把活动也变得更加丰富多彩、形式多样呢？我们不见得非要围坐在一起苦大仇深地探索生命的起源，我们也可以像今天这样，一起参加文艺活动，丰富我们的生活。想清楚了这一点，我们都很高兴，决定重整旗鼓。我们并不放弃科学研讨，但同时也穿插一些文艺一些的活动，例如看电影、参观展览。

于是，我们开始与活跃在京城的文艺青年组织联络，这其中就包括当时已经小有名气的Evita威夫妇。他们开始帮助我们在他们的邮件列表中扩散，于是北京的文艺活动除了传统的电影、演唱会、文艺沙龙之外，又多出了一个奇葩的集智俱乐部——它是一个徘徊于科幻、科普与科学之间的神秘组织。心血来潮之下，'''我们决定将2007年的11月11号这个异常好记的日期作为集智俱乐部的诞生之日。'''

===中关村办公室===

如果你追溯集智俱乐部在2008年早期发布的活动通知就会发现，活动地点是一个被称为“中关村办公室”的神秘地点。中关村办公室实际上就是孙滔当时的工作地点，原中科院微生物所的一间即将废弃的办公室。在工作日，孙滔和一位老先生在这里办公；晚上，这里是孙滔和李旭东的临时住所；周末，这里则成为了集智俱乐部的活动场所。
[[文件:中关村场地.jpg|替代=中关村场地|居中|中关村场地]]

当年中关村办公室活动用黑板

有了固定的活动场所，我们的活动也开始踏上了正规。我们开始组织比较正式的小型学术讨论,包括我的[[复杂适应系统理论]]、季燕江老师的[[量子力学]]，还包括黄梓芮的脑科学、李旭东的心理学，还有谢艳青的[[人工生命]]。办公室没有白板，我们就从外面找来了一块废弃的小黑板；没有投影，我就自己花1万元买来一个用。就这样，自己动手、丰衣足食。与此同时，我们会陆续地穿插一些文艺活动，我们经常播放一些科幻电影，例如“第十三层楼”，以及极具争议的“关于这个世界，你知道个X”。我们分别在豆瓣、Google邮件列表、Scinese博客上面建立自己的基地发布消息。我们同时吸引着科技专业人士和文艺青年们的加入。

和这些更多的朋友接触，我发现，相比较文艺青年，科学青年们对活动更加苛刻，更加不容易组织团结。记得在2007年底的一次活动中，我们邀请到了一个中科院的研究生“闲云行天”。他得知我们这个组织之后开始非常热情，希望和我们一起来做有关复杂网络的合作研究。但是，当他得知我们这群人的背景是如此多种多样（基本除了我研究系统科学以外，其它人都不是搞这个的），而且还组织诸如看电影这样的文艺活动后，毅然不再搭理我们了。我当时很受打击，因为“闲云行天”这样的人是我非常希望团结的人，但是我也不能因为他而解散好不容易聚起来的人气。

好在并不是所有的科研人员都那么苛刻，黄梓芮就是一个榜样。他是中科院心理所刚入学的博士研究生，他对于脑科学这块有着异常的热情，而且非常认可我们集智俱乐部这样一种“地下”的探索模式。每次活动，他都很早来到办公室。他虽然不太爱吭声，但却有着异常扎实的专业背景，而且非常有发展潜力。（日后的观察验证了我的这一判断，他目前仍在美国读书）。

另外一个对我们异常认可的专业人士就是武力，这也是后来集智俱乐部发展过程中的关键人物。武力当时还在北大工学院读书，用他自己的话说，他的名字发音表达了他对物理学的深深热爱。他经常背着一个军绿色的挎包，行走匆匆。同时，他发言的主题也表达出明显的科学精神与人文关怀的共存。后来我们才知道，他之所以每次都是行色匆匆的，是因为他身兼数职，除了集智俱乐部的核心成员外，他还参加了很多公益组织。

2008年上半年的时间转眼就过去了，我们的活动已经小具规模，最多的时候吸引了10多个人聚集在小小的中关村办公室，显得有些透不过气来。然而，接下来暑假的到来却使得我们的俱乐部进入了“冬天“。因为大部分活动参与者都是在北京读书的学生，暑假期间他们都回家了。

我、孙滔还有李旭东是唯一留下来的人。我们三个不甘寂寞，准备筹划一个更大的活动。因为我们深深地担忧——如果我们的活动断档1个月，那么它很有可能再也成长不起来了。

===”蓝色七月“电影节===

我们最终想到的解决方案，就是组织一场大规模的科幻、科普、科学电影的大放送。当时，正在7月，于是，我们把这一系列活动称为”蓝色七月“电影节。

我精选了相当一部分电影，包括”罗拉快跑“和”黑客帝国“；Keats为我们精心设计了以蓝色调为基础的活动海报；孙滔帮助联系了雨枫书馆作为我们新的活动场地；季燕江、应思思、肖达、黄梓芮等各自推荐了电影；李旭东负责活动在豆瓣、网站等平台上的推广和宣传。
[[文件:蓝色七月电影节.jpg|居中]]

集智俱乐部“蓝色七月”电影节宣传海报

一切准备就绪，我们开始了电影放送。第一期的电影是“婴儿的成长”。当我们来到活动现场，看到台下陌生的面孔济济一堂的时候，我们自己也诧异于我们的号召力和影响力。在这些人当中，我看到了一张熟悉的面孔，她正是帮助我们宣传的Evita。原来，她刚好怀孕，所以特地来听听小Baby是如何在母亲肚子中长大的。

这一系列的活动高潮当属播放电影《黑客帝国》那一次了。《黑客帝国》无疑是我的最爱，我怀着激动澎湃的心情讲解着：”我们没有办法证伪这样一个命题：我们就生活在一个虚拟世界之中，一个比Matrix更加庞大的世界“。

“既然无法证伪，这样的命题又有什么意义呢？”台下，一个坐在后排的女生严肃的问道。原来，这位发问的女生就是后来集智俱乐部的重要人物：Miner。

“意义还是有的，至少对这一问题的思考可以反过来促进我们从一个更加宏观而整体的角度思考我们所在的宇宙。我们可以从计算机的角度思考物理学，至少[[斯蒂芬·沃尔夫勒姆 Stephen Wolfram]]就是根据这一关点而开创了‘[[一种新科学 A New Kind of Science]]’……“。

活动结束了，雨枫书店打烊了。我们仍然意犹未尽，于是集体挪步到旁边的咖啡屋继续讨论。大家开始陆续介绍自己——这后来演化成了集智互动的一个传统项目。

“我是清华的一名博士后，虽然我的专业极其无聊透顶，但是这并不妨碍我是《黑客帝国》的忠实粉丝。我经常思考世界的本质、智能的本质等等大问题，但却不敢与周围的老师、同事、同学们分享，没想到我能在这里碰到和我同样的一批人。”一位瘦瘦的大男孩略带一点羞涩地说到。

“是啊，这就是我们集智俱乐部的存在意义之所在！我们当初创建这个俱乐部，就是希望把一些看起来有那么一些另类和怪异，有那么一些不切实际的人聚集到一起，让这些不着边际的讨论‘合法化’。大家放心，只要我还活着，集智俱乐部就不会倒掉，我们这种非主流的讨论就永远是合法的！”，我义愤填膺地说到。

“我是一名来自北大数学系的大二学生，不过我今天来参加这个活动是代表另外一个人来的，他的名字叫蒋程宇，即网上的Nirvana”，一名女生怯怯地说到。Nirvana，我突然想起了这个名字，他是哈尔滨工业大学的本科生，一年前曾和我在网上讨论人工智能方面的问题。原来他叫蒋程宇，而且也关注了我们这次活动，而且居然派了一位女生代表前来参加，真是有意思啊。而我当时并不知道，这个蒋程宇在5年后成为了北京创客圈的知名人物，还开闯了“一公斤电子”的公益活动。

很快，一个月的放映活动过去了，我们一共播放了8部电影，基本上每周都有两次。这系列活动把我们几个人累惨了，不过我们最大的收获就是Miner了。她毕业于中科院自动化所，当时正就职于一家知名的IT企业。她虽然总是极力刻意地隐藏自己的真实身份，但是她的影响力却是非常巨大，很多人工智能方面的铁杆粉丝都是在Miner的召唤下聚集到集智俱乐部的。

===叁号会所===

正当我们沉浸在“蓝色七月”的喜悦之中的时候，一个噩耗传来了，孙滔所在的办公室马上要拆了，我们的固定活动场所泡汤了。没办法，我们必须寻找新的地方。

于是，在2008年的秋天，我开始开着车带着李旭东和孙滔游走于海淀中关村的各大咖啡馆，包括著名的单向街咖啡馆还有北大校园里面的咖啡馆。最终，又是在Evita和威的介绍下，我们找到了“叁号会所”这个坐落于北三环联想桥旁边的神秘会所。

第一次来到叁号会所是在一个傍晚，我们走进了青云仪器厂——一个类似于798的被废弃的国营兵工厂。绕过了一片偏僻的小树林，我们终于看到了那扇传说中的布满了红色铁锈的大门。我走到了铁门前，小心翼翼地按下了门铃。大铁门上的一个小门打开了。透过它，我们看到了一幢白色的地中海式建筑，非常的别具一格。迎接我们的是一个身材略胖，操着一口北京腔的男子。这就是大名鼎鼎的西犸——在北京创投圈和文化活动圈小有名气的人物。
[[文件:三号会所.jpg|居中]]

叁号会所的大铁门

在说明来意之后，西犸热情地给我们介绍了叁号会所的情况。原来，这是西犸及其朋友们一起花钱买下的一片院子，他们自己动手搭建了这个地中海式的咖啡屋。起初，他们希望做成一个完全封闭的私人会所，但后来他们看到了北京文化活动的蓬勃生机，于是想把会所开放起来，自己亲手扶植文化活动。在听到集智俱乐部的理念和已有活动之后，西犸慷慨地决定将会所的场地以一种非常低廉的价格供我们使用。而且同意将此作为我们活动的基地——这意味着，只要提前打招呼，我们随时可以过来讨论、活动。

这简直是天上掉下来的馅饼，正当我们发愁活动场地的时候，西犸和叁号会所就降临到了我们身边。我又一次感受到了互联网的神奇力量，要知道，如果在研究所或学校找到这样一片活动场地，都需要拖关系、走后门，花钱可能还找不到。

于是，集智俱乐部活动通知的地址一栏出现了一个全新的神秘名字：'''叁号会所——你永远不知道前两个会所在哪里'''。而我们集智俱乐部也成为了叁号会所支持的若干活动，包括新知识人文沙龙、纪录堂等知名活动相并列的一个特色活动。

===集核与兴趣小组===

有了新的固定场地之后，集智俱乐部的活动无论从参与的人数还是活动的质量上来看都上升了一个新的层次。最多的时候，小小的会所大厅容纳了50-60人。正是在这个时候，我深深地感受到了信息超载和注意力严重不足的危害。因为所有参加活动的人都只知道联系我和主讲人，所以这导致我感觉每次活动都好像打仗一样疲惫不堪。

于是，我迫切地需要有人可以分担我的工作。事实上，早在搬入叁号会所之前，武力、Miner等人已经形成了集智俱乐部的核心成员，武力建议将这7个人命名为集核。但是光有这些集核显然不够，因为就研讨的内容来说，群众的参与也迫切要求我们组织更加丰富的讨论内容。就这样，经过大家商议之后，四个集智俱乐部兴趣小组成立了，它们分别是：热力学与进化论小组、自由意制小组、人工智能小组、复杂经济学小组。每个小组都有一名集核成员带领，他们自己招募本小组成员，并根据需要组织各自的线下讨论。每个小组除了自己的活动以外，还要定期组织集智俱乐部的大组活动，以实现各个小组之间的相互交流。
[[文件:兴趣小组的结构.jpg|居中]]

于是，集智俱乐部终于从一个星型网络结构演化成了一个双层的结构。其中，内核为集核，外围则是各个兴趣小组。

然而，经过一段时间运行之后，经济学和自由意识小组先后倒掉了。由于本身集智俱乐部的规模就不大，我们又将它分成了四块，这就使得每一块的力量薄弱了许多。事实上，只有热力学小组和人工智能小组坚持了下来，这是因为大部分的集核成员都集中在了这里。时间更长一些以后，我所领导的热力学与进化论小组也倒掉了，原因是我个人的研究兴趣发生了转移。

不过，从组织架构上来看，集智俱乐部没有发生太大的变化。我们发现，事实证明，集核-小组的架构非常适合集智俱乐部，只不过，小组活动没有必要固定主题和成员。我们完全可以根据需要临时组建一个小组，大家共同分享一个主题，形成一个读书会。等这本书读完了，这个小组再解散。等到下一次，很有可能另外一个人形成了某一个主题的主持人，这就形成了另外一个小组活动。
[[文件:读书会的结构.jpg|替代=读书会的结构|居中|读书会的结构]]

这种模式相当成功，事实上，它一直保留到了今日。

===一次神秘的碰头会===

2008年冬季的某日，叁号会所举办了一场别开生面的聚会。聚会的起因是当时非常著名的科普网站“格致”发展遇到了瓶颈。于是，在一些网友莫名其妙的煽乎之下，格致网、集智俱乐部、科学松鼠会、科学网、煎蛋网这几个当时在京城活跃的科学或科普类网站的建设者们聚集到了叁号会所。

格致网在当时是一个非常受海内外学子喜爱的博客网站。格致网的创始人是一个在海外读书的博士，他很喜欢鼓弄一些新技术、新插件来完善网站。于是，很快这个网站吸引了很多科学青年发表了很多非常高质量的文章。但是，由于格致网创办人个人事业发展，他感觉无法凭借个人的力量继续坚持下去，于是要把它关掉。这引发了我们这次聚会。但有趣的是，这次活动的发起者无法亲临现场，而是选择了一位代表“高地清风”——这位集智俱乐部的常客，同时也是日后大名鼎鼎的“战拖（拖延症）会”的创始人来参加讨论。所以，局势已经摆明了，尽管大家都很不情缘，格致终究要倒掉。

科学松鼠会是当年正在冉冉升起的新星。记得我刚和孙滔讨论写作科普书的时候，曾经联系到了松鼠会的创始人姬十三。那个时候，他刚刚博士毕业，决定脱离传统的科研体制，毅然决定将全部事业押到了科学松鼠会上面。在这次聚会中，姬十三的话很少，他始终不停地打电话。但松鼠会的代表们表达了一个明确的愿望就是松鼠会要做科普，而且要让中国的科普事业更上一个台阶。事实证明，科学松鼠会是中国发端于民间，成长最快、最成功的一个科普组织了，没有之一。

科学网在2008年冬天的时候还刚刚成立一年左右，它仿佛是这次聚会中唯一有官方背景的组织——由科学时报社主办的综合性科学网站，而科学时报则是由中国科学院主管的下设单位。然而，当时的科学网似乎也正处于一个转型期，至少从科学网的参会代表的发言中可以听出来，他们正苦心于如何吸引真正的科技人才到他们那里去注册。事实证明，科学网日后的发展可谓是如日中天，它现在已经成为了中国科学界的第一大网站。我猜，这可能与当年聚会的时候他们清晰地定位自己和发展方向不无关系。

如果说科学网注定是高大上的网站，那么煎蛋网则具有典型的草根原创的特点。创办人具有明显的80后的反叛特质。他们没有高大、宏伟的目标，而只是希望分享一些有趣的事儿，尽管这些东西大多实际与科学无关。但是，煎蛋无疑是一个发展十分成功的网站。

现在回想起来，这场聚会的确有被写进中国科普事业发展历史的资格。因为事实已经证明了，至少有两个重要的网站在未来的5年内快速地崛起了。有趣的是，这次聚会之后，所有的参与者从此几乎就老死不相往来了，大家知道了彼此的存在，也进一步明确了自己的发展轨迹，于是大家各自沿着自己的道路各奔东西了。这次聚会对我们的影响还是很实在的，我们终于下定了决心走自己的道路，将科普的工作留给科学松鼠会去做吧，'''我们就是做科学探索。从此，早期的文艺性、科普性的节目就在集智俱乐部消失了'''。我们希望专心探索科学。

相比较这些组织来说，集智俱乐部是发展最缓慢的一个，这是因为集智的所有成员完全都是兼职来做的，而松鼠会、科学网和煎蛋都是把全部老本都押进去的。

===新陈代谢===

在稳定的结构形成后，我们开始考虑如何吸引更多的核心成员。在经过了广泛的讨论之后，我们决定采用一种完全开放的姿态。也就是说，我们的活动本身并不设定固定的门槛，你想来就来想走就走。但是，由于我们的活动是固定的，于是，对我们价值认可的人就会经常来参加。在渐渐熟悉了之后，我们自然就会聚在一起。这便是通过自组织方式构建组织的方法。

就拿热力学与进化论小组来说，首先凝固的一批核心成员就包括[[吴令飞]]（计算士）。那个时候，[[吴令飞]]正在北大新闻与传播学院读硕士。作为一名文科生，他却对热力学与进化论小组展现出了特别的兴趣。接触之下，我发现，他有着异常敏锐的科研直觉和动手跃跃欲试的冲动。尽管对于微积分、概率论的基础知识，他掌握的并不是那么牢靠，但这并不妨碍他可以跟我一起讨论大的科学问题。

2009年的夏天，[[吴令飞]]参加了最后一次叁号会所的集智俱乐部活动，临走的时候，他送给我一件特别的礼物：一件正面印有“字在后面”，反面却是”前面有字“的T恤衫。之后，他就踏上了去往香港读博的茫茫征程。没想到的是，这仅仅是我们两个进一步合作的开始。

在后来的两年多时间里，我们通过网络电话交谈了N多次，居然完成了我们在热力学与进化论小组讨论的若干课题。终于，2010年的一期Physical Review E上面刊登了我们两个合作的学术文章。对于我来说，这是第一次与集智俱乐部的成员合作文章，而对于[[吴令飞]]来说，这是他人生第一篇SCI文章。从此之后，我们的合作便一发不可收拾，陆续地在PLoS ONE，Scientific Reports等杂志上发表论文。这些突出的成绩使得他可以竞争到美国亚利桑那州立大学的博士后职位，后来又被芝加哥大学看中。[[吴令飞]]在日后集智俱乐部的发展之中也起到了非常重要的作用。

热力学小组凝固的第二位重要成员是[[曹旭东]]。在当时，[[曹旭东]]还是一个刚刚开始在清华直博的研究生。他的本专业是流体力学，然而自从加入了热力学与进化论小组的讨论之后就渐渐对本专业失去了兴趣。于是他开始四处寻找可以做的有趣题目，最后终于在机器学习领域找到了感觉。于是，他毅然退掉了直博的机会，一脚踏入了工业界。经过一番摸爬滚打后，他进入了微软研究院，并被破格提拔为副研究员。很快，他在人脸识别这个领域里崭露头角，他的算法成为了整个行业的标杆。

参加热力学与进化论小组讨论的还有一个神奇的人物，他就是来自杭州的郑杰。每到周末，用他自己的话说，这位郑杰兄就会打“飞的”专程从杭州跑到北京叁号会所参加读书会。郑杰实际上在互联网医疗领域已经很有名气了，他对集智的认可，可谓是莫大的支持。

===辉煌的AI小组===

相比较热力学小组，AI小组则吸纳了更多的集智俱乐部精英。AI小组老大Miner的影响力自是不必说。

到了后来，所有的集智俱乐部兴趣小组都倒掉了，只有Miner领导的AI小组这一枝独秀。于是，我们决定将所有的小组都合并到AI小组，以节约资源。然而这次合并还闹出了一点小别扭，因为有些AI小组的铁杆粉丝认同这个小组的程度要远大于集智俱乐部，他们觉得集智俱乐部把AI小组给吞并了。但由于Miner并不极力主张保持AI小组的独特性，所以，合并最后依然顺利完成了。

在AI小组凝固了相当一批有趣的人。比如任彦就是一个很有想法却不擅长表达的程序员，也是AI小组的超级铁杆粉丝。另外，著名的果蝇小姐刘清晴也是最早一批参与AI小组的成员。果蝇小姐是中科院动物所的一名新入学的博士生，由于平时实验以“残杀”果蝇为主，故得名果蝇小姐。果蝇对待工作的态度非常认真，她经常跟自己死磕，所以这使得她迟迟没有博士毕业。不过这也增加了她参与集智俱乐部活动的时间。

老玉也很快成了参加AI小组的常客。按照流行的观点，老玉按理说是我们这批人中混的最好的一个，因为他毕业于中国石油大学的勘探专业，现正属于中石油的一名正式员工。要知道，现在的大学毕业生们为了争取他的这个职位可是要争破脑袋的呀。然而，似乎老玉日常的神态、表情与他这个令人羡慕的职位并不相符。因为他自己最热爱的不是国企的这样一个默默无闻的职位，而是真正的科学探索。老玉最拿手的就是从零搭建一个计算机系统，这让很多人匪夷所思。

[[肖达]]本来是早在中关村办公室的时代就已加入集智俱乐部的，但在中间相当一段时间并没有参加活动。2010年的某天，[[肖达]]高调回归集智俱乐部了。用他自己的话说，他仿佛绕了一圈后又找到了自己。在经历了一段时间摸索之后，'''肖达成为了AI小组成员的重要人物，他打起了深度学习这面大旗。'''终于，集智俱乐部的科研探索从比较“土鳖”的热力学、图灵机，一下子就过渡到了高大上的人工智能最前沿。

现在回想起来，很多集智俱乐部成员都经历过与肖达类似的经历，即开始参加过一段时间集智的活动，但中间离开过一段很长的时间，他们或许是生活调整，或许是寻找自我；然后，忽然某一天，他们高调回归了，而再次回归的他们往往会在集智俱乐部中释放更大的能量。

肖达再次回归后就直接进入了集核。曹旭东也有类似的经历，最后高调回归集智AI小组，挑起了统计学习的大旗，并为集智俱乐部引来了全新的血液，例如神人李嫣然——这位大学三年级的本科生是出了名的学霸，她在2013年的时候曾在集智主持过自然语言理解的读书会。王东在很早以前也参加过集智活动，但似乎没有给别人留下深刻的印象。在经历过人生调整后，他也高调回归，以人民大学哲学系博士生的身份挑起了认知科学与哲学相结合的大旗，为集智俱乐部的哲学领域填补了空白。

现在回想起来，其实很多成员的这种高调回归恰恰是因为对集智俱乐部的高度价值认同。对于很多第一次来参加集智活动的人来说，他们大多采取观望的态度，他们会觉得，“嗯，这帮家伙的确很怪异，可以抛开世俗讨论一些有趣的问题。不过，我倒是要看看，你们这帮一穷二白三没背景的学术D丝到底能坚持多久呢？” 所以，这个时候他们对集智并没有多大的认同感。但经过一段漂泊之后，他们再次回归的时候会发现，“哦？这帮家伙居然还在那儿，而且似乎比以前蹦的更欢事了！” 于是，价值认同形成！所以，在互联网时代，价值认同、志同道合高于一切，而这种关系的建立是需要时间的。一旦经历过这段时间，价值认同就会发挥出无尽的潜力。

就在南京集智年会后，当我们夜游玄武湖的时候，身边的武力突然说道：“我观察过很多互联网时代兴衰的组织，发现，集智俱乐部是少数几个能够凝结比创始人更有能力、魅力和发展潜力的成员的组织。这一点我觉得很奇怪。” 我沉思了很长时间，说道：“也许秘决就在于，集智永远面向未来。在这些人还未成功的时候，他们已然是集智的活跃成员了。”

这就是辉煌的集智AI小组，永远立足当下，面向未来。这不，2010年的某个冬日，屋外大雪皑皑，集智AI仍然定期组织了读书会活动。活动后，大家在被银装包裹的叁号会所院子里留下了这张合影。这是一张多么珍贵的合影啊！尽管这里面的绝大部分人目前仍然默默无闻，但可以想象得到，在不远的将来，这张照片中的人物将崭露头角。

http://www.swarmagents.cn/swarma/ckfinder/userfiles/images/1438765888.JPG

2010年冬日某天的AI小组读书会

===东方和尚===

本来，民间科学家（简称民科，英文是citizen scientist）在美国是一个褒义词，他是指那些没有在正式学术机构任职，利用业余时间研究科学的人。由于通常国外民间科学家的受教育水平相对较高，他们对科学方法和规范的掌握也比较到位，所以他们是可能为科学发展做出实实在在贡献的。例如，很多民间科学家从事那些集邮式的研究，会不断地往科学共同体添砖加瓦。

然而，民科在国内可是一个贬义词。虽然他们与美国的民间科学家一样，也在从事业余的科学研究，但是他们有相当一部分人并不清楚真正的科学研究范式，或者对科学共同体（特别是国际的科学）的发展状况不甚了解。同时，这些人还往往非常自大，动不动就声称自己推翻了爱因斯坦的相对论，证明了哥德巴赫猜想。所以，他们并不考虑自己的研究如何为科学做贡献，而是反过来认为科学共同体应该给与他们更多的回馈，最好是让他们一夜成名。

自从我建立集智俱乐部的网站以来，就经常与这样一类特殊群体打交道。他们有的龌龊不堪，有的则非常高风亮节，值得尊敬。但由于他们偏离了主流科研方向，所以不被人支持、理解。对于这些人，我抱以深深的同情。如果给这些民科画一个肖像，他们大概是一位60多岁的老者，一副破败不堪的装束下面却含有一颗追求科学（或者是他们心目中的科学）的赤子之心。

从2006年开始，一个自称东方和尚的民科就开始在头脑风暴论坛上活跃。然而，这位民科与我上面所说的大多国内的民科肖像有非常显著的差异：他是一个个头高大魁梧、操着一口异常流利的英文和上海普通话、同时精通佛经和一定量的原始英文科学文献、头脑异常清晰、中气比一般人更加充足的30多岁的年轻人。

大多数民科都把集智俱乐部论坛当作发表他们“反动言论“的出气筒，所以他们只顾发文，从不与别人交互。但是，东方和尚一来到论坛就对这里的内容进行了深度阅读。然后，他抓住了你的好奇心，从佛教的观点讨论你最关心的问题。这一招的确好使，我很快被他吸引住了，并于2009年深秋的某个雨天和他在上海见面了。

这一次会面我们都感觉相见恨晚。这位神奇的东方和尚原来也有非常好的出身。他中学毕业于苏州中学，并以优异的成绩考入了中科大的少年班。用他自己的话说，过于快速的拔苗助长让他失去了求学的乐趣。退学后他又漂泊到新加坡，从事过一段时间IT业的工作。他曾在新加坡考取研究生，但由于他放任不羁的性格再次放弃了学业回国。他开始混入完全不同的社会阶层，成为了一名娱乐记者。于是，他开始领教演艺圈的诸多黑幕。之后，他曾一度陷入人生低谷，甚至有一次他花光了自己身上的所有钱买了一张单程的船票出海。他想跳入大海了结此生，但却因为看到了船上的美女而没有下定决心。于是，他向美女借了点钱买了一些食物又回到了大陆，并决定重振旗鼓。那个时候，同声传译的工作非常具有挑战性而且很是挣钱。于是，他开始自学，并最终考取了同声传译的证书，开始以此职为生，云游四海。在赚过了足够的钱之后，他开始再次辞掉工作，用他自己的话说，成为了专业的和尚，开始在自己家闭门学习佛学和复杂性科学，并试图用自己的方式打通佛学和复杂性科学的关系。

我们两个在基本哲学观点上是高度认同的，同时我觉得他是一个可塑之才。尽管他并不在体制内部，但我觉得他恰恰可以甩开那些垃圾知识而直捣黄龙。于是，我开始游说他跟我一起做复杂性科学。想必他也一定被我的诚恳打动了，所以还真的开始研读起《费曼物理学讲义》，开始认真地推演起数学公式来。

他是家里的独生子，他的父母都是有头有脸的官员，他在北京、上海拥有不止一套住房，是典型的官二代（我曾认为只有官二代、富二代，同时又对科学强烈感兴趣的人才会真正成就伟大的科学事业，因为科学创新需要衣食无忧，不能以科研为糊口的手段）。所以，他可以有大量的时间参与集智俱乐部的实体活动。

叁号会所中，一条靓丽而奇特的风景线出现了：只见东方和尚端坐在大厅中央，中气十足地（据他自己说，他常年习武，内外兼修，所以他的脸色异常红润、中气十足、声音洪亮）向初次参加集智俱乐部活动的新人们大放厥词，介绍集智俱乐部的理念，介绍我的观察者理论，介绍他自己的神奇人生经历，介绍佛教的修行法门。那气势绝对可以压倒群雄，让新人们感觉云里雾里的已经不知道自己身处何方。幸好，过不了多久我就会来到活动现场，然后用科学的语言解读着东方和尚的一些论点，这才让听众们开始找回了北，确认自己参加的是一个科学的俱乐部，而不是东方和尚的道场。

茶余饭后，东方和尚绝对是我们大家的开心果。他经常跟所有人介绍他死里逃生的经历，介绍自己打坐时候的诸多体验。有一次，我们一起在一家饭馆吃饭，由于外面进行管道装修，工人们要用电锄头掀开地板，从而导致整个二楼楼板发生剧烈的震动，感觉就像地震一样。大家的表情都停留了一刹那，然后马上就恢复了平静。但东方和尚的反应却与他平时的表现大大不同，他慌忙独自一个人站起身来，一边嘟囔着”地震了，地震了“，一边独自地走出了饭厅。过了一会，见没有任何异常，他就灰溜溜地回来了，却见我们都镇定地坐在那里。我们都笑他，原来和尚那么怕死啊！

和尚的加入使得集智俱乐部的活动添加了太多的喜悦，但也会带来不小的麻烦。对于我个人来说，我并不先天排斥民科，更加不看什么出身。我认为，尽管你的出发点可能是想证明上帝存在，只要你采用科学的方法，认真地按照学术规范讨论问题，那么我们都是应该欢迎的。但是，社会上有一些人的容忍度显然没这么大。他们对中医、阴阳五行、佛教等等词汇异常敏感。只要你的活动中有人宣扬这些东西，他们就把你打成民科。于是，互联网上，豆瓣上开始出现了不少的言论，将集智归为民科。由于民科这个词在中国真的是太臭名昭著了，而集智俱乐部又希望能够吸引高质量的学者、科学家，所以我感觉到不能再这样任其发展下去了。

于是，我开始在头脑风暴上封杀关于佛教、阴阳五行等的讨论。尽管这些封杀并不是针对和尚而来的，但是他显然非常不爽。另一方面，由于我一开始就希望将东方和尚拉拢为自己的战友，让他从事科学研究，所以我开始非常苛刻地要求他掌握更多的数学、物理和计算机的知识，否则不让他在集智发表过多的言论。

东方和尚也许曾经真的动心过决定在科学研究上有所突破，因为我看到他曾真的按照我的建议学习了大量的知识，攻克了不少难题，同时还曾不断地检讨自己。但是，也许这些枯燥的训练真的会抹杀他性格中天生的放荡不羁。尽管他有着异常强大的忍耐力，在几经挫折之后，他都能再次以饱满的精神和高调地姿态出现在集智俱乐部。但是，最终，他还是选择了离开，没有理由的，莫名其妙的消失了。他最后一次出现大概是在2013年的某个秋日。自从他2008年开始参与头脑风暴论坛上的讨论，到2013年的神秘消失，他与集智的人生交叠长达5年的时间。5年时间，庞大的高等教育机器又陪养出了一位本科直博的博士“螺丝钉”。

2年过去了，所有人的生活还在继续，集智俱乐部也并不会因为和尚的消失而停止前进。但是，大家在每次聚会的时候都不知不觉地觉得少了点什么。东方和尚成为了大家茶余饭后引用率最高的人。

===跨界===

来集智俱乐部交流的人大多是为了在非本学科中寻找灵感。于是，这里的学术活动会呈现出两个有趣的怪现象：

1、某人讨论最热烈的话题往往是非本学科话题；

2、每个人都认为最好的发展永远来自于非本专业的学科。说白了，无论你从事的是什么，你多多少少都会嫉妒别的学科。

王雄，这位来自香港城市大学的系统科学博士（集智科学家之一，现就职于深圳大学）就是一个典型的例子。王雄是学数学出身的，博士期间跟随着华人界最有名的科学家之一[[陈关荣 Guanrong (Ron) Chen]]老师做有关[[混沌]]学方面的研究。这在很多系统科学追随者看来是一个求之不得的好机会。但是，王雄最关心的话题却是理论物理。他最大的梦想就是完成爱因斯坦未完成的统一场论。2012年的阳春三月，王雄专程从香港来到北京进行学术访问，并在集智俱乐部留下了一场精彩的讲座《千与千寻终极理论：畅游理论物理的天空之城》。从开普勒到牛顿，再到爱因斯坦，台下的听众已经被这些美妙的物理学概念所震撼，但是很少有人知道也很少有人关心，物理学并不是王雄的本行。在他看来，物理学才是最优美、最本质的理论，[[复杂系统 Complex Systems]]、[[混沌]]学都是“集邮”。

[[尤亦庄]]原是清华大学高等研究院的物理学博士，现在美国加州大学任博后。他在凝聚态物理学方面已经小有成绩，却对系统科学情有独钟。在一次我的讲座上，当我介绍到有人将复杂网络映射到双曲空间的时候，尤亦庄说，居然复杂网络研究者已经走到了物理学家前面。
肖达，北京邮电大学计算机学院的年轻教师，集核成员之一。他曾在俱乐部组织过两期关于深度[[机器学习 Machine Learning]]的读书会。在第一期中，肖达就明显地表露出对于认知科学与脑科学方面的知识渴求，甚至嫉妒。似乎计算机科学家只能从脑科学研究中获取灵感。
我虽然搞的是系统科学，但在集智俱乐部举办的读书会却大多是物理学方面的，有[[统计物理]]也有量子物理。因为对于我来说，最有希望的突破可能永远来自于自己不熟悉的未知学科。

'''这是一个有意思的怪圈，搞生物的羡慕搞计算机的，搞计算机的羡慕搞物理的，搞物理羡慕搞数学的，搞数学的羡慕搞生物的。最有意思的领域永远是别人的地盘。'''

===商业与科研===

在创办集智俱乐部初期，我听到最多的质疑就是，“你们搞这些活动怎么盈利？” 这句话的言外之意就是，如果一个东西不盈利就活不下去，或至少存在不了太长时间。但事实证明，我们不仅活了下去，而且活得还挺好。更有趣的是，我们从来没有考虑挣钱，但是金钱却找到了我们。

2010年的某个冬日，我接到了一个陌生女人的电话。她跟我确认了我的身份之后，上来就说：“你们做的事情非常有意义，希望给你们20000元钱作为支持。”我当时就傻了，哪里会有这样天上掉馅饼的事儿？该不会是骗子吧？经过我反复询问，我才知道，原来对方是一名投资人，叫黄宇，关注我们已经有一段时间了。她打算用自己的方式支持我们的活动，于是打算每隔一段时间都给我们资助一笔钱。但是，面对这样一笔不小的收入，我还是很小心谨慎的。我唯一担心的就是她投钱给我们是不是有什么隐情？我可不希望集智俱乐部纯粹以科学探索为主导的理念被金钱所绑架。黄宇似乎非常清楚我在想什么，于是，慷慨地说到，“你放心，这笔钱打到你们的账上，我不会过问它的使用情况，你们随便花。”

事实上，早在2010年夏天的时候，我们就成立了集智发展基金，以我个人的名义开了一个银行帐户，接收集智俱乐部支持者们的捐助。钱款主要用于聘请一些临时的志愿者帮我们做活动录像。之后，该账户就陆陆续续收到一些小额的捐款。黄宇的这笔是迄今收到的最大的一笔。从此之后的几年间，我们就陆续收到黄宇的捐助，每次都是以万元为基本单位的。

所以，'''集智俱乐部的发展再次证明了互联网时代的做事法则：先做事，不提钱。把事情做好了，金钱将不再是问题。'''这么多年来，集智秉持的理念就是，有多大的能力就做多大的事情。我们始终不变的就是对科学问题的执着追求，如果我们有比较多的活动经费，我们就把活动做大一些、专业一些。如果没有，我们每个人花个20块钱聊聊天也是乐在其中。

现在，无论是在科研院所还是民间企业，大家谈到项目和科研，总是要问，你们的钱从哪里来？我觉得恰恰是这样一种面向金钱的出发点阻碍了我们的科技创新，阻碍了社会进步。于是，我们看到的是，学校里面的专家教授们成天都要花费大量的时间和精力撰写项目申请书，向政府、向社会要钱；学生们也变得越来越势力，争先恐后地走进钱多的团队，将自己大笔大笔的青春奉献给无聊的事务性工作。这个时候，金钱不再是创新的催化剂，而成为了扼杀创造力的毒药。原因是，这样一种运作方式耗费了学者们更加宝贵的注意力资源。

我认为在互联网时代，人们的注意力，或者对某事物的兴趣关注度，将会远远超越货币而成为社会发展的真正动力。所以，每当兴趣关注和金钱发生冲突的时候，我们应当优先选择前者。至少，集智俱乐部完全可以做到这点。在这里，谈论金钱才是异类、才会被鄙视。大家来到这样一个精神的世外桃源，关注的永远都是生命的起源、智能的创造……。

===彩云的突破===

2013年初，一个坏消息传来，我们赖以生存的叁号会所被拆掉了，所有原定于会所的活动都取消了。我不能相信自己听到的消息，于是与西犸再三确认，得到了证实：青云仪器厂由于特殊原因要清理一切违规的建筑，于是叁号会所从此突然消失了。这意味着我们要重新寻找活动地点，重新安排所有的一切。

还好，经过老何全方位的努力，我们终于在林业大学北边找到了一间叫做蕴味咖啡的地方作为活动场地。让人感觉欣慰的是，蕴味咖啡所在的768创意园区怎么看怎么像那个久违了的青云仪器厂大院。但可惜的是，蕴味咖啡的老板虽然很支持我们，也给于我们等同于叁号会所的条件，但是与西犸相比，她和我们在理念认同上差了一大截。

尽管搬到蕴味咖啡以后，我们也曾举办过一系列异常火爆的活动，也曾收获诸如[[尤亦庄]]、[[苑明理]]（中文维基百科的创始人，原果壳网架构师）这样的重量级人物，但是总体的感觉，日子平淡了许多。直到2014年的春天，彩云天气的上线。

最早认识袁行远还是在2010年10月31日那次别开生面的活动《数学&音乐 or 音乐&数学——两个人的命题作文》上。其中，袁行远介绍了他的旋律自动识别软件。在台上，他手舞足蹈地表演着，这让我第一次领略到了80后极客的风采。令人难以想象的是，那个时候，他是淘宝的算法分析师，有着不菲的收入。

然而，在参加集智读书会活动没多久之后，他就辞去了淘宝的工作。可能对于任何一个有想法的人来说，金钱都无法替换自由。于是，他经历了人生中最愉快的间歇期。也正是在这段时间，他开始高密度地参加集智俱乐部的活动。当时，曹旭东在成功转型后，正在机器学习领域自由驰骋，于是组织了统计学习读书会。肖达、袁行远正是在这次读书会上相识，并开始密集地讨论的。他们正在谋划着更大的东西。

用机器学习进行天气预报，这是他们想出来的奋斗目标。这让包括我在内的很多人都不能理解，为什么用机器学习做这样的“小问题”，而且似乎它的应用范围也不是很大。袁行远用沉默作出了最好的回答，因为他深深知道，除非自己把这个东西做出来，否则没有人会相信！
[[文件:彩云天气.png|居中|缩略图|彩云天气的主页]]

在经过了1年多时间的蛰伏之后，彩云天气这款APP终于面世了。它的独特之处在于它几乎没有利用任何关于气象学的知识，仅仅凭借人工智能机器学习算法就能精确地预测未来1小时内的降雨情况。在刚刚面世没多久，这款界面极其简单粗陋的APP就攀登到了苹果APP Store天气类APP排行的首位。后来，彩云天气还在高徳LBS应用大赛中摘冠，获得328万大奖。现在，它们的预测数据甚至成为了中国气象局发布官方天气状况的重要参考数据。

从数据预处理到前端APP，袁行远几乎一个人当3个人用，他利用自己的死磕精神创造了天气类APP的一个奇迹。彩云天气的核心算法，利用机器学习预测天气的深度网络模型则是由肖达完成的。于是，这一对理论与实践的组合创造出了集智俱乐部孕育的第一款成功应用产品。

曾几何时，我曾迫切地希望一些动手的项目能够在集智俱乐部孕育出来。为此，我自己组织过项目，说服别人组织过活动，但是都没有成功，最后不了了之。然而，无心插柳柳成荫，彩云天气在袁行远悄悄地推动之下终于成为了集智俱乐部的一次质的突破。现在看来，创新绝对不是人能够设计出来的，而必须自发地从下而上地生长出来。

彩云天气项目吸引了大批集智成员的加入，这反过来证明了集智俱乐部内部的人才储备实力。在短短不到一年的时间里，集智俱乐部的四名核心成员都聚集在了彩云天气旗下，包括肖达、苑明理、老何、袁行远。还有十多个参与过集智俱乐部活动的活跃粉丝。甚至，彩云天气的天使投资人也曾是参与过多次活动。看来，集智小伙伴们期待诸如彩云天气这样的动手项目出现已经很久了。

总结来看，彩云的成功也许是集智俱乐部探索出来的一条完全不同的发展模式。首先，集智俱乐部始终保持着一种[[开源科学]]的理念。即在平等、开放的前提下，大家一起分享、研讨各类科学技术主题。但是，这并不妨碍类似彩云天气的实际应用项目从中冒出来。事实上，集智俱乐部起到了类似于应用项目孵化器的作用，但是我们并不刻意地去孵化、孕育什么。一旦某个项目成熟之后，它就与集智俱乐部脱离，独立形成公司，实现彻底的商业化。这样一种方式既能规避风险，又能保证创新的动力。

===开源科学===

2014年10月10日，吴令飞在简书上发表了一篇题为《[[开源科学：集智俱乐部与科学的未来]]》的文章。其中，[[吴令飞]]回顾了几百年来人们是如何公开科学研究成果的。最早的时候，尽管通信技术非常不发达，科学家们也竭尽全力地隐藏自己的科研成果，原因是他们害怕竞争对手得知了自己的最新进展之后早他们一步赶超上来。所以，伽利略要用字谜发布他发现的土星的光环（参见Michael Nielsen所著的Reinventing Discovery: The New Era of Networked Science)。但是，随着技术的进步，特别是互联网革命的到来，信息已经过分冗余，稀缺的却是人们的注意力。于是，科学家们不仅仅第一时间公布自己的研究成果，甚至将自己的研究方法、研究数据都全部公开出来。因为，只有这样，才能让他们在第一时间获得足够多的关注，从而进一步利用互联网大规模协作的方式完成科学研究。总而言之，科学研究应该像软件一样，走向开源。

集智俱乐部天然具备开源科学的基因。无论是讲座、读书会，还是各类大小活动，我'''们始终是以一种开放的姿态开展科学研究与探索的'''。'''于是，经过集核会议讨论，我们将开源科学作为集智未来发展的大旗。我们希望利用来自于草根的力量，绕开繁琐沉重而诟病缠身的传统科研体系而另辟蹊径。'''

作为一名高校教师和科研人员，我深刻体会到了传统体制的弊端。在工作中，我平均要花费至少三分之一以上的时间在各类无聊的填表、评审等与科研、教学无关的活动上面。在教学上，我发现了一个怪现象：凡是我带的研究生大多对分配给他们的课题没有多少激情，他们所求的大多只是一张文凭。相反，很多本科生由于没有科研的硬性要求经常找我合作科学研究，因为他们都是兴趣驱动的。这也许就是问题所在，传统体制为学历、文凭，甚至老师的评级赋予了过重的含义，而所有这些都是创新不能承受之重。

还是那个观点，互联网时代，传统的金钱、名誉、地位已经越来越不重要，而每个个体独一无二的兴趣、从事科学研究特别的体验才是重中之重。我体会到了，相比较商业领域，教育和科学研究领域是觉醒最慢的领域。所以，为了冲破这样的桎梏，我们必须做点什么。

具体地，我们将由集智科学家和集核成员主导一系列开源的研究项目。然后利用集智俱乐部的影响力，招募一些有能力，更关键的是有兴趣的学生加入进来。然后采用师傅带徒弟的方式开展开源项目研究。更重要的是，我们希望让更多的人体会到科学探索的乐趣，而不过多强调成果的重要性。我们采用这样一种最小成本的方式，希望规避创新过程中的不确定性和风险。这将是未来集智着重发展的模式。

早期集核的一个合影：
[[文件:早期集核的合影.png|居中|缩略图|800x800像素|早期集核合影照片，里面有吴令飞、曹旭东、袁行远、李旭东、赵岷、刘清晴、何永振]]

===尾声===

2015年7月25-26日的集智年会是成功的一次会议，它再一次验证了集智俱乐部作为一个成长于互联网时代的草根学术探索团体的无限生命力和凝聚力。会议官方邀请的演讲人仅仅19人，而非正式参会的听众却达到了百人以上，而且还不是在我们的大本营——北京。会议讨论的主题从人工智能、气象科学、注意力科学到理论物理、音乐理论等诸多方面。一次次的脑力激荡在南京的会场上持续爆发着。

2015年7月26日下午3点，我们在南京先锋书店举办了一场别开生面的图书签售会，推广集智俱乐部出版的第一本著作《[[科学的极致：漫谈人工智能]]》。
[[文件:科学的极致：漫谈人工智能.JPG|居中]]集智俱乐部的第一本著作[[科学的极致——漫谈人工智能|科学的极致：漫谈人工智能]]

这本书本身就是一本集体智慧的作品，由集智俱乐部的10个不同作者共同合作完成。在图灵图书集团的大力支持下最终面世。该书对人工智能的发展脉络作出了全面的展望，并将集智俱乐部多年来对人工智能领域的独立思考进行了一定的总结和展望。

在这次图书推广会中，我们在台上尽情地回顾着过去、展望着未来。我们讲述着我们自己的故事，解读着我们的使命：“营造自由交流学术思想的小生境，孕育开创性的科学发现”，力图在未来搭建一所“没有围墙的研究所”。

最新的记录是[[记录集智2015-2016 --超越与重生]]，记录集智2015年-2016年的发展，这也暗示着集智到了指数增长时期。

希望集智会在AI的风潮中乘风破浪，开启新的篇章。

==编者推荐==
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(1)%E2%80%94%E2%80%94%E4%BB%8E%E5%A4%8D%E6%9D%82%E5%88%B0%E7%94%9F%E5%91%BD 生命之流(1)——从复杂到生命]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(2)%E2%80%94%E2%80%94%E7%94%9F%E5%91%BD%E8%87%AA%E4%B8%BB%E4%BD%93%E7%AE%80%E5%8F%B2 生命之流(2)——生命自主体简史]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(3)%E2%80%94%E2%80%94%E8%BF%87%E5%8E%BB%E4%B8%8E%E6%9C%AA%E6%9D%A5%E5%9C%A8%E7%8E%B0%E5%9C%A8%E7%9B%B8%E9%81%87 生命之流(3)——过去与未来在现在相遇]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(3)%E2%80%94%E2%80%94%E7%89%9B%E9%A1%BF%E5%8A%9B%E5%AD%A62.0 生命之流(3)——牛顿力学2.0]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(4)%E2%80%94%E2%80%94%E7%83%AD%E9%87%8F%E4%B8%AD%E7%9A%84%E6%97%B6%E9%97%B4%E4%B9%8B%E7%AE%AD 生命之流(4)——热量中的时间之箭]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(5)%E2%80%94%E2%80%94%E8%BF%9E%E6%8E%A5%E4%B8%8A%E5%B8%9D%E7%9A%84%E7%BA%BD%E5%B8%A6-%E7%86%B5 生命之流(5)——连接上帝的纽带-熵]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(6)%E2%80%94%E2%80%94%E7%B3%BB%E7%BB%9F%E4%B9%8B%E6%B5%81 生命之流(6)——系统之流]
*[https://wiki.swarma.org/index.php%3Ftitle=%E7%94%9F%E5%91%BD%E4%B9%8B%E6%B5%81(7)%E2%80%94%E2%80%94%E6%B5%81%E5%8A%A8%E4%B8%8E%E6%97%B6%E9%97%B4%E7%9A%84%E8%B5%9B%E8%B7%91 生命之流(7)——流动与时间的赛跑]
*[https://wiki.swarma.org/index.php%3Ftitle=%E8%B5%B0%E8%BF%912050 走近2050]
*[https://wiki.swarma.org/index.php%3Ftitle=Jake jake]

[[Category:集智相关]]

Jupyter Notebook编程环境

2024-05-21T07:30:43Z

18810648466：

== Jupyter Notebooks是什么 ==
[http://jupyter.org/ Jupyter] Notebook是一个Web应用程序，允许你把所有的说明性文字，数学公式，代码和可视化内容结合在一个可轻松共享的文档里。例如，这是我最近特别喜欢共享的Notebook之一，激光干涉[https://www.ligo.caltech.edu/news/ligo20160211 引力波观测站]（LIGO）对从[https://losc.ligo.org/s/events/GW150914/GW150914_tutorial.html 两个碰撞黑洞发出引力波的检波实验的分析]。你可以下载数据，在Notebook上运行代码和重复分析，实际上你可以自己检测引力波。

在使用数据时，Notebooks很快成为了必不可少的工具，你会发现它们被用于[http://nbviewer.jupyter.org/github/jmsteinw/Notebooks/blob/master/IndeedJobs.ipynb 数据清理和探索]，可视化，[http://nbviewer.jupyter.org/github/masinoa/machine_learning/blob/master/04_Neural_Networks.ipynb 机器学习]和[http://nbviewer.jupyter.org/github/tdhopper/rta-pyspark-presentation/blob/master/slides.ipynb 大数据分析]。这是一个我为自己的个人博客制作的[https://github.com/mcleonard/blog_posts/blob/master/body_fat_percentage.ipynb Notebook]，展示了Notebook的许多特性。通常你会在一个终端做这项工作，无论是普通的Python shell还是IPython，您的可视化将在单独的窗口，任何文档以及各种脚本的功能和类将在单独的文档。但是用Notebook，所有的这些都在一个地方，很容易一起阅读。

Notebooks也在Github上自动呈现。这是一个伟大的功能，让你轻松的分享你的工作。也有[http://nbviewer.jupyter.org/ http://nbviewer.jupyter.org] 能够很好地展现你存在Github repo或别处的Notebook文档。

=== 文艺编程（Literate programming） ===

Notebook是唐纳德·克努特（高德纳）在1984年提出的一种[http://www.literateprogramming.com/ 文艺编程]形式。有了文艺编程，我们就可以将文档编辑为一种叙述性的文字伴随着代码的形式，而不是单纯的代码。用唐纳德·克努特的话来说，与其说我们的主要任务是为了指导电脑做什么，还不如将我们的精力集中在给人类解释我们正在让电脑做什么。

毕竟，代码是为人类编写的，而不是电脑。Notebook就很好地提供了这种功能。你能够将编写文档作为叙事文本，以及代码。这不仅对人们阅读你的Notebook有帮助，而且对未来的你想回头做一些分析也很有用。还有：最近，这个文艺编程的想法已经扩展到一种整体编程语言：[http://www.witheve.com/ Eve]。

=== Notebook如何工作 ===

Jupyter notebooks 是由Fernando Perez开发，在IPython基础上形成的项目。[https://ipython.org/ IPython]是一个python交互环境，类似于Python自带的交互环境，却具有极棒的例如语法高亮和代码自动完成等特性。起初，notebook通过从Web应用程序发送消息（在浏览器中查看notebook）到IPython内核（在后台运行的IPython应用）。内核执行代码，然后把它送回notebook。当前的体系结构是类似的，如下所示。

[[File:未标题-1.png|400px]]

关键点在于notebook的服务器。你通过你的浏览器以及notebook链接到服务器使其作为一个web应用程序来呈现。你在web应用程序中编写的代码通过服务器发送到内核。内核运行代码并将其发送回服务器，然后任何输出都会呈现的浏览器上。当你保存notebook的时候，它将会以JSON文件以及.ipynb的文件扩展名来写入服务器。

这个架构的优点在于内核不需要运行Python。由于notebook和内核是分开的，任何形式的代码都可以在它们之间传送。例如，两个早期版本的非Python的内核就是为R和Julia语言设计的。在R内核中，用R语言编写的代码将会被送到R内核执行，等同于Python代码在Python内核里运行。因为notebooks的含义并不是很清楚，所以人们将早期的Ipython notebooks重新命名了。新名称Jupyter来自于与Julia，Python和R的结合。如果你感兴趣，这里有一个可用内核的表。

另一个好处是服务器可以通过互联网在任何地方运行和访问。通常，你将会在储存了所有数据和notebook文件的自己的机器上来运行服务器。但是，你也可以设置一个远程机器或者一个像Amazon’s EC2的云实例。然后，你可以在世界任何地方访问你浏览器中的notebooks。

== 安装Jupyter Notebook ==
目前安装Jupyter最简便的方式是使用Anaconda，其自带了Jupyter notebooks工具包，用户可以在默认环境下使用notebooks。
要在conda环境中安装Jupyter notebooks，请使用conda install jupyter notebook。同样可以通过pip命令完成Jupyter notebooks的安装：pip install jupyter notebook。要启动notebook服务器，请在终端或控制台中输入jupyter notebook，随后将在您运行命令的目录中启动服务器，这意味着任何notebook文件都会储存在这个目录下。通常情况下，您希望在notebooks的目录下启动服务器。您可以通过文件系统浏览到notebook所在的位置。

== 启动notebook服务器 ==
当您运行那个命令（自己尝试！），服务器主页将在您的浏览器中打开。

[[File:notebook-server.png|600px]]

默认情况下，notebook服务器运行在http://localhost:8888端口。

如果您对此不熟悉，localhost意味着您的计算机，8888是服务器正在通信的端口。

只要服务器仍在运行，您随时可以返回，只要你在浏览器中访问http://localhost:8888即可。

如果您需要启动另外一个服务器，它会先尝试使用端口8888。由于端口已经被占用，新的服务器将在端口8889上运行。然后，您会连接到http://localhost:8889。每新增一个notebook服务器都会使得这个端口号递增1：

您可在此处的列表中看到一些文件和文件夹，这取决于您从哪里启动服务器。在右侧，您可以单击“新建”创建新的notebook、文本文件、文件夹或终端。

“Notebooks”下的列表显示您已安装的内核。

[[File:conda-environments.png|200px]]

这里我在Python 3环境中运行服务器，所以我有一个Python 3内核可用。您可在这里看到Python 2。

我还为列表中的Scala 2.10和2.11安装了内核。如果从conda环境运行Jupyter notebook服务器，您还可以从其他任何环境中选择内核（见下文）。要创建新的notebook，请单击要使用的内核。

顶部导航有文件，执行和集群的选项。点击文件将显示当前目录下的所有的文件夹及文件。

点击running将列出所有正在执行的脚本并可以进行管理操作。

群组原本的作用是显示已创建的用于并行计算的多CPU核，现在由于已被ipyoaraller代所以并没有什么用处。

如果你从conda环境运行脚本服务器，将可以看到一个“Conda”按钮。用此按钮你可以从Jupyter里面管理环境。你可以创建新环境，安装包，升级包和导出环境等。

[[File:conda-tab.png|600px]]

== 关闭Jupyter ==
要关闭单个脚本，你可以在服务器主页处勾选对应脚本然后点击关闭。
请在关闭前确保已经保存！因为关闭后，你的所有修改都将会丢失。下一次你执行脚本时仍然需要重新运行代码。

[[File:notebook-shutdown.png|600px]]

你也可以在终端按两次“control + C”来关闭整个服务器，再次强调在作出关闭动作前请保证做好保存，因为该动作会立即关闭所有的在运行的脚本。

[[File:server-shutdown.png|500px]]

== Notebook 操作界面 ==
用 notebook新建一个笔记，你将会看见下面的界面：

[[File:操作界面notebook.jpg|600px]]

notebook以cell格子的形式存储和展示各种信息，包括代码。分为一下几种：
代码格：你在这里编辑和运行的你的代码。
Markdown文本格：以 Markdown 规则显示的文本内容。可以方便的编辑标题和字体格式、插入图片等等。

其他操作：
在文件最顶端你可以看见文档的标题，默认值是“Untitled”。点击标题可以进行重命名。

[[File:QQ截图20170226203001.png|15px]]重启内核，之前的变量将会丢失。

notebooks每间隔一段时间会自动保存当前编辑的内容。你也可以手动保存文档。

在"File" 菜单, 你可以下载你编辑的文档。你可以下载HTML/py/pdf等不同的格式。

== code代码格 ==
你在notebooks里的工作大部分将会通过代码格来实现。这里是写代码和执行代码的地方。
在代码格，你可以写入任何代码：定义变量，定义函数和类，或者载入其他代码包等等。
任何一个代码格中的代码，都可以引用到其他格子中的代码。

== MarkDown文本格 ==
就像代码格一样，你按下 Shift + 回车或者 Control + Enter 就可以运行Markdown文本格，他们会以Mardown语法渲染文本。

Markdown语法主要分为以下几种：
=== Headers头部 ===
每一行的开始用#表示标题的层级。一个#是1级标题，两个#是2级标题，以此类推。

# Header 1
## Header 2
### Header 3

=== Links 超链接 ===
超链接适用如下格式： [Udacity's home page](https://www.udacity.com) 中括号内是超链接显示文字，小括号内输入超链接地址即可。

=== Emphasis重点 ===
加粗的文本可以用2个星号（*）或下划线（_）把文本夹在中间。
例如 **aardvark** 或者 __aardvark__ 将会显示成 '''aardvark''' 。

=== Code代码 ===
有两种方式用于显示代码。
用符号 ` 包含文本，例如`string.punctuation`
如果是多行代码，则用3个符号`来包含文本。例如：
```
import requests
response = requests.get('https://www.udacity.com')
```

另一种方式是在代码前面加入4个空格，使代码产生缩进。

=== Math expressions 数学表达式 ===
你可以在 Markdown文本格使用 [https://www.latex-project.org/ LaTeX] 符号创建数学表达式。Notebooks 使用 MathJax 把 LaTeX 符号渲染成数学表达式。
在一行内可以使用符号$包含表达式，例如
$y = mx + b$
多行的数学表达可以用2个符号$包含多个表达式，例如：
$$
y = \frac{a}{b+c}
$$

=== 示例 ===
[https://github.com/adam-p/markdown-here/wiki/Markdown-Cheatsheet 该链接是一个包含Markdown所有格式的示例。]

== Magic keywords 快捷命令 ==
快捷命令是在格子中运行的控制notebook本身或系统的特定代码。例如你可以使用 '''%matplotlib''' 这个命令，在单元格内嵌入matplotlib显示结果.

=== Timing code 时间代码 ===
你可以使用 '''timeit''' 这个命令显示一个函数的运行时间。如下图：

[[File:5107d13d-ebbb-4cce-bd.png|600px]]

你可以使用 '''%%timeit''' 这个命令显示整个代码格的运行时间。如下图：

[[File:222.png|600px]]

=== Embedding visualizations in notebooks 可视化嵌入 ===
在
%config InlineBackend.figure_format = 'retina'
代码之后写入
%matplotlib inline to render higher resolution images.

可以在格子中显示：

[[File:333.png|600px]]

=== debug ===
你可以使用 '''%pdb''' 命令交互的调用debugger。

[[File:Debugging in a notebook.png|600px]]

=== 有用的快捷键===

* Esc + F 在代码中查找、替换，忽略输出。
* Esc + O 在cell和输出结果间切换。
* 选择多个cell:
: Shift + J 或 Shift + Down 选择下一个cell。
: Shift + K 或 Shift + Up 选择上一个cell。
: 一旦选定cell，可以批量删除/拷贝/剪切/粘贴/运行。当你需要移动notebook的一部分时这个很有用。
*Shift + M 合并cell.

== Converting notebooks ==
Notebooks 是一个庞大的扩展名为 .ipynb的 JSON 文件。

[[File:11111.png|600px]]

如果对嵌入式的显示方法不满，可以利用nbconvert工具将 .ipynb 文件转换成 html 或 Markdown 格式，再放入网页中。

例如你可以把 notebook 转换成 HTML 文件，使用下面的命令：
jupyter nbconvert --to html notebook.ipynb

[[File:2322.png|600px]]

== 创建幻灯片 ==

在菜单栏，点击 View > Cell Toolbar > Slideshow ,给格子增加'''幻灯片'''类型。

[[File:33233.png|600px]]

之后，你就可以在格子类型里选择'''幻灯片'''类型了。

[[File:344433.png|600px]]

=== 运行幻灯片 ===
要在notebook创建幻灯片文件，你需要使用 nbconvert:
jupyter nbconvert notebook.ipynb --to slides

希望转换后立刻看见结果，使用：
jupyter nbconvert notebook.ipynb --to slides --post serve

[[category:旧词条迁移]]
[[Category:待确定]]

Jupyter Notebook编程环境

2024-05-21T07:29:15Z

18810648466：

集智百科词条生产记录

2024-05-21T07:28:36Z

18810648466：

'''<font color="#b50768">此页面用于跟进词条生产的计划</font>'''

== 无与标度网络相关的词条 ==
[[无标度网络]]的相关词条：

* [[巴拉巴西网络科学 Network Science]]
* [[艾伯特-拉斯洛·巴拉巴西 Albert-László Barabási]]

== 2020.04.20-2020.04.27 ==
* yuanhe/孟婕优化词条：

:: [[BA网络模型]] 概念、属性等内容缺失
::[[ER随机图模型]] 搬运链接：[http://wiki.swarma.net/index.php/ER随机图模型 ER随机图模型]
::[[HMM隐性马可夫模型]] 模型描述过于简单，缺少定义、推论及意义部分
::[[DeepWalk]] 未找到wiki原文
* 欣儒生产词条：[[Logistic映射]]

* zq生产词条：

* 许菁生产词条：

* 瑾晗生产词条：
[[WS小世界模型]]

* [[最大熵原理]]
* [[Ising模型]]
* [[熵]]
* [[网络科学]]
* [[M.C.埃舍尔的数学艺术欣赏]]
* [[Python聚类算法示例]]---是否可以加到k-means聚类的词条里面

== 迫切需要完善的词条 ==

=== 旧版词条审核记录 ===
*[[SVM支持向量机]]--此词条较为完整，只需要按照我们当前的内容优化一下格式，增加编者推荐即可。
*[[SWARM—一个支持人工生命建模的面向对象模拟平台]] 这个是转自一篇论文，介绍CAS系统等知识点，建立补充到复杂适应系统这个词条内。
*[[克劳德·艾尔伍德·香农 Claude Elwood Shannon]] 可以直接上线。
*[[斯蒂文·斯特罗加茨 Steven H. Strogatz]] 可以直接上线，并做一些优化
*[[Ying-Cheng Lai]] 这个词条需要优化，但内容还算全面
*[[“流”的探索]] 建立优化到流网络这个词条内
*[[一维细胞自动机]] 建议补充到元胞自动机的词条内

*[[中心性]] 这个词条存在格式问题。
*[[人工智能]] 这个词条知识翻译了一小节

*[[人工模拟股市]]张老师的人工股市模拟城市，可以放到人工股市里面当作资料

*[[人工神经网络]] 这个词条也是完整的
*[[从幂律到异速增长]] 从幂律分布到异速增长
*[[侯世达 Douglas Richard Hofstadter]]内容不够全面，从内容和格式方面都可以优化

*[[使用pythony实现遗传算法]] 是否可以补充到遗传算法里面

*[[使用K-means聚类来进行问答类社区的帖子推荐]]作为K-means算法的一个案例应用
*[[观察者理论]]这是一个系列的科普，看看怎么搬运过来，还包括[[交互自动机]]这个概念
*[[Floy]]鸟群模拟模型
*[[L系统]]有程序
*[[James Evans]]
*[[3d的Floy]] 涉及到张江老师的程序

*[[一种新科学 a New Kind of Science]]
A model of task-deletion mechanism based on the priority queueing system of Barabási
有一些基础的信息

*[[Affinity propagation 聚类]] 有代码程序，值得完善

*[[Agent Based Model]] 这个词条不完整，需要重新建立

*[[Anaconda编程环境]] 张江老师写的教程，挺好的，但是可能需要更新一下，是2017年的

*[[Autopoiesis—自创生理论]] 张江老师翻译了第二章
=== 旧版已有 ===
* [[链接：网络新科学 Linked: The New Science of Networks]]
* [[复杂系统 complex systems]]
* [[陈关荣 Guanrong (Ron) Chen]]
* [[Josiah Willard Gibbs]]
* [[自我复制的元胞自动机]]
* [[克劳德·艾尔伍德·香农 Claude Elwood Shannon]]
* [[巴拉巴西网络科学 Network Science]]
* [[艾伯特-拉斯洛·巴拉巴西 Albert-László Barabási]]
* [[混沌的边缘]]
* [[邓肯·瓦茨 Duncan J. Watts]]

* [[方格宇宙]]
* [[斯蒂文·斯特罗加茨 Steven H. Strogatz]]
* [[自组织]]
* [[路易斯·贝当古 Luís M. A. Bettencourt]]
* [[蚁迹寻踪]]
* [[科学学]]

=== 还未上线 ===
* [[群体行为]]
* [[最大熵原理]]

* [[链接：网络新科学 Linked: The New Science of Networks]]
* [[蝴蝶效应 Butterfly effect]]
* [[网络连通性 Network connectivity]]
* [[阿纳托尔·拉波波特 Anatol Rapoport]]
* [[Random graph随机图]] 性质部分缺失
* [[科赫曲线]] 缺少赫曲线变体

== 当前已完善的词条列表 ==

{| class="wikitable"
|-
! 词条名称 !!词条类型 !! 生产者 !! 审校人 !! 编辑者 !! 专家审校 !! 是否推送 !! 推送整理 !! 推送编辑
|-
| [[博弈论]] || 知识性 || 示例 || 示例 ||[[用户:费米子|费米子]]、[[用户:Meng莫|Meng莫]] || 示例 || 示例 || 示例
|-
| [[元胞自动机]] || 知识性 || 示例 || 示例 || [[用户:费米子|费米子]] || 示例 || 示例 || 示例
|-
| [[自由意志定理]] || 知识性 || 示例 || 示例 || [[用户:费米子|费米子]] || 示例 || 示例 || 示例
|-
| [[约翰·冯·诺依曼]] || 人物 || 示例 || 示例 || [[用户:费米子|费米子]] || 示例 || 示例 || 示例
|-
| [[斯蒂芬·沃尔夫勒姆]] || 人物 || 示例 || 示例 || [[用户:费米子|费米子]] || 示例 || 示例 || 示例
|-
| [[Marco Dorigo]] || 人物 || 示例 || 示例 || [[用户:费米子|费米子]] || 示例 || 示例 || 示例
|-
| [[Luca Maria Gambardella]] || 人物 || 示例 || 示例 || [[用户:费米子|费米子]] || 示例 || 示例
|-
| [[Thomas Stützle]] || 人物 || 示例 || 示例 || [[用户:费米子|费米子]] || 示例 || 示例
|-
| [[约翰·何顿·康威]] || 人物 || 示例 || 示例 ||[[用户:费米子|费米子]] || 示例 || 示例
|-
| [[熵]] || 知识性 || Gravity PHY || [[用户:苏格兰|苏格兰]] || [[用户:Meng莫|Meng莫]]、[[用户:薄荷|薄荷]] || 示例 || 示例 || 示例 || 示例
|-
| [[信号处理]] || 知识性 || [[用户:ZQ|ZQ]]|| || [[用户:薄荷|薄荷]] || 示例 || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[幂律分布]] || 知识性 || 靠倒立解气 || 高飞 || [[用户:薄荷|薄荷]] || 张江 || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[k-means聚类]] || 知识性 || Xushuxu、计算士 || || [[用户:薄荷|薄荷]] || 示例 || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[康威的生命游戏]] || 知识性 || 11795 || Ilseyao1980 || [[用户:薄荷|薄荷]] || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[曼德布洛特集]] || 知识性 || [[用户:趣木木|趣木木]] || [[用户:木子二月鸟|木子二月鸟]] || [[用户:薄荷|薄荷]] || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[分形几何]] || 知识性 || [[用户:趣木木|趣木木]] || || [[用户:薄荷|薄荷]] || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[社团结构]] || 知识性 || [[用户:趣木木|趣木木]] || [[用户:苏格兰|苏格兰]] || [[用户:Meng莫|Meng莫]]、[[用户:薄荷|薄荷]] || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[无标度网络]] || 知识性 || Entropie || 刘晶 || [[用户:薄荷|薄荷]] || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[PageRank算法]] || 知识性 || [[用户:ZQ|ZQ]] || || [[用户:薄荷|薄荷]] || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[图论]] || 知识性 || Dorr || [[用户:苏格兰|苏格兰]] || [[用户:Meng莫|Meng莫]]、[[用户:费米子|费米子]]、[[用户:乐多多|乐多多]] || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[HITS算法]] || 知识性 || [[用户:ZQ|ZQ]] || || [[用户:薄荷|薄荷]] || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[模块度（在网络领域中）]] || 知识性 || [[用户:趣木木|趣木木]] || [[用户:苏格兰|苏格兰]] || [[用户:乐多多|乐多多]] || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[朗顿的蚂蚁]] || 知识性 || [[用户:Meng莫|Meng莫]] || [[用户:Meng莫|Meng莫]] || [[用户:Meng莫|Meng莫]]、 [[用户:费米子|费米子]] || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[蚁群算法]] ||知识性 || [[用户:Yillia Jing|许菁]] || [[用户:木子二月鸟|木子二月鸟]] || [[用户:费米子|费米子]] || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[ER随机图模型]] || 知识性 || 普天星相 || Flynn ||[[用户:乐多多|乐多多]]|| [[张江]] || 示例 || 示例 || 示例 || 示例
|-
| [[雷卡·阿尔伯特 ]] || 知识性 || 示例 || 示例 ||[[用户:费米子|费米子]]|| 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[巴拉巴西网络科学 Network Science]] || 书籍 || [[用户:Dorr|Dorr]]、[[用户:厚朴|厚朴]] || 示例 ||[[用户:Meng莫|Meng莫]]、[[用户:薄荷|薄荷]]|| 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[巴拉巴西成功定律 The Formula: The Universal Laws of Success]] || 书籍 || [[用户:Dorr|Dorr]]、[[用户:厚朴|厚朴]] || 示例 ||[[用户:薄荷|薄荷]]|| 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[链接：网络新科学 Linked: The New Science of Networks]] || 书籍 ||[[用户:Wanting|Wanting]]、[[用户:厚朴|厚朴]] || 示例 ||[[用户:Meng莫|Meng莫]]、[[用户:薄荷|薄荷]]|| 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[蝴蝶效应 Butterfly effect]] || 知识性 || [[用户:许菁|许菁]] || [[用户:木子二月鸟|木子二月鸟]] ||[[用户:许许|许许]]、[[用户:薄荷|薄荷]]|| 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[路易斯·贝当古 Luís M. A. Bettencourt]] || 人物|| [[用户:Dorr|Dorr]] || 示例 ||[[用户:费米子|费米子]]|| 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[James Evans]] || 人物 || 示例 || 示例 ||[[用户:费米子|费米子]]|| 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[斯蒂文·斯特罗加茨 Steven H. Strogatz]] || 人物 || [[用户:Dorr|Dorr]] || 示例 ||[[用户:费米子|费米子]]|| 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[网络模体]] || 知识性 ||[[用户:Xebec|Xebec]]、[[用户:木子二月鸟|木子二月鸟]]、[[用户:Qige96|Qige96]]、[[用户:Jxzhou |Jxzhou]]、[[用户:厚朴|厚朴]] ||[[用户:Imp |Imp]]、[[用户:Liushikang1992|Liushikang1992]]|| [[用户:薄荷|薄荷]] || 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[自复制自动机理论 Theory of Self-reproducing Automata]] || 书籍 || [[用户:麟凤兰草|麟凤兰草]] || 示例 ||[[用户:薄荷|薄荷]]|| 示例 || 示例 || 示例 || 示例 || 示例
|-
| [[六度分隔:一个相互连接的时代的科学 Six Degrees:The Science of a Connected Age]] || 书籍 || [[用户:Dorr|Dorr]] || 示例 ||[[用户:薄荷|薄荷]]|| 示例 || 示例 || 示例 || 示例 || 示例
|}

==每周工作进度==

{| class="wikitable"
|-
! 日期 !! 词条
|-
| 7.27-8.2 || [[复杂适应系统]]、[[社会计算]]、[[路德维希·冯·贝塔郎菲]]、[[杰弗里·韦斯特 Geoffery West]]、[[闫小勇]]、[[布莱恩·阿瑟 W. Brian Arthur]]、[[李大庆]]
|-
| 8.3-8.9 || [[邓巴数]]、[[鸟群算法]]、[[杜文博]]
|-
| 8.10-8.16 || [[耗散系统]]、[[非平衡态热力学]]、[[小世界网络]]、[[摄像-屏幕自指模拟]]、[[复杂网络的双曲几何模型]]
|}

[[Category:集智相关]]

如何上手集智百科

2024-05-21T07:15:34Z

18810648466：

<big>感谢你的加入！欢迎您尝试编辑集智百科！</big>

集智百科的编辑过程其实非常简单，最重要的1句话送给大家：'''不要害怕出错！'''

集智百科能记录所有编辑历史中能记录该页面的所有历史状态，当您出错的时候，可以在「查看历史」中回退到任何一步。此外，当你在编辑过程中犯了错误，其他成员在查看时如果发现了也会帮助修正，而你在自己的[[特殊:监视列表|监视列表]]中能看到这次修正。

四步上手集智百科编辑：
* 第一步：注册用户。
* 第二步：完善个人主页。
* 第三步：新建页面。
* 第四步：了解基本的操作。
* 第五步：尝试编辑或者修改页面。

== 第一步：注册或者登陆 ==
如果想要参与集智百科的编辑或者修改，需要先注册成为集智百科用户。

所以如果您已经注册了账号，请直接登录即可以进入第二步。

如果您还没有注册账号，则点击右上角的注册，填写基本信息即可以完成百科的注册。（现已关闭公共注册通道，需要将信息发给负责人完成注册）

[[File:注册操作.png|400px]]

== 第二步：完善个人主页 ==

注册好百科之后，点击您对应的名字，即可去到您的个人主页，并且新建该页面。

在这个页面，可以查看其它志同道合的小伙伴的信息。[https://wiki.swarma.org/index.php?from=&to=&namespace=2&title=%E7%89%B9%E6%AE%8A%3A%E6%89%80%E6%9C%89%E9%A1%B5%E9%9D%A2 志愿者个人主页汇总]

[[File:截屏2020-11-24 15.39.20.png|400px]]

在这个页面，可以查看其它志同道合的小伙伴的信息。[https://wiki.swarma.org/index.php?from=&to=&namespace=2&title=%E7%89%B9%E6%AE%8A%3A%E6%89%80%E6%9C%89%E9%A1%B5%E9%9D%A2 志愿者个人主页汇总]

[[File:志愿者.png|400px]]

== 第三步：了解基本语法操作 ==

集智百科类似于Markdown语言，有一些最基础的语法，我们的编辑框上方的编辑提示按钮已经可以满足绝大部分的要求。

具体的图例说明如图：

[[File:集智百科编辑说明页面第一版.png|1000px]]

== 第四步：开始编辑 ==

了解了基础的语法操作之后，就可以开始动手编辑啦！

当然如果您只是为了修改某个页面或者完善某个页面，则在对应的页面点击'''编辑'''，即可以修改页面了。

详细编辑指南请跳转[[编辑案例]]。

[[Category:集智相关]]

集智百科荣誉榜

2024-05-21T07:14:23Z

18810648466：

集智百科是一个众包生产的内容平台，是一个真正的集众之志的产品。这样一个产品必然凝结了无数人的心血和付出，决不仅仅是某一个人的贡献。

所以希望能够在这个地方，留下所有哪些为集智百科的建造添砖加瓦的无名英雄们，我们相信知识因为传播而有价值，而我们因为知识而有价值。

我们汇总记录了所有词条和人员的生产情况，将用户积分公布如下，来源表达可以看[https://shimo.im/sheets/VxGcDcJ6vJtQdkgQ/HqoTo 这里]

== 参与人员及积分榜 ==
{{div col|colwidth=25em}}
*[[用户:费米子|费米子]]----->5000
*[[用户:薄荷|薄荷]]----->4400
*[[用户:苏格兰|苏格兰]]----->4200
*[[用户:趣木木|趣木木]]----->3500
*[[用户:Meng莫|Meng莫]]----->2800
*[[用户:乐多多|乐多多]]----->3200
*[[用户:张江|张江]]----->2400
*[[用户:厚朴|厚朴]]----->4700
*[[用户:思无涯咿呀咿呀|思无涯咿呀咿呀]]----->3100
*[[用户:木子二月鸟|木子二月鸟]]----->2400
*[[用户:flynn|flynn]]----->1600
*[[用户:Dorr|Dorr]]----->1600
*[[用户:Iceblaze9527|Iceblaze9527]]----->1400
*[[用户:Yillia Jing|Yillia Jing]]----->1600
*[[用户:ZQ|ZQ]]----->1000
*[[用户:Gravity PHY|Gravity PHY]]----->1200
*[[用户:Liushikang1992|Liushikang1992]]----->6500
*[[用户:陈关荣|陈关荣]]----->600
*[[用户: Cynthia | Cynthia ]]----->600
*[[用户:Pjhhh|Pjhhh]]----->400
*[[用户:Entropie|Entropie]]----->400
*[[用户:普天星相|普天星相]]----->400
*[[用户:靠倒立解气|靠倒立解气]]----->400
*[[用户:11795|11795]]----->400
*[[用户:十三维|十三维]]----->400
*[[用户:Xushuxu|Xushuxu]]----->400
*[[用户:刘晶|刘晶]]----->400
*[[用户:高飞|高飞]]----->400
*[[用户:Ilseyao1980|Ilseyao1980]]----->400
*[[用户: Leo| Leo]]----->400
*[[用户:乌丢丢|乌丢丢]]----->400
*[[用户:Imp|Imp]]----->400
*[[用户:Xebec|Xebec]]----->400
*[[用户:Jxzhou|Jxzhou]]----->400
*[[用户:Qige96|Qige96]]----->400
*[[用户:不是海绵宝宝|不是海绵宝宝]]----->200
*[[用户:麟凤兰草|麟凤兰草]]----->200
*[[用户:xx|xx]]----->200
*[[用户:许许|许许]]----->200
*[[用户:Coffee|Coffee]]----->0
*[[用户:FlyingdoubleG|FlyingdoubleG]]----->0
*[[用户:Imp|Imp]]----->0
*[[用户:Jie|Jie]]----->0
*[[用户:Sxt-best|Sxt-best]]----->0
*[[用户:Yiri|Yiri]]----->0
*[[用户:Yvette|Yvette]]----->0
*[[用户:吕倩倩|吕倩倩]]----->0
*[[用户:小饭|小饭]]----->0
*[[用户:张宇|张宇]]----->0
*[[用户:打豆豆|打豆豆]]----->0
*[[用户:沐晨|沐晨]]----->0
*[[用户:陶庐|陶庐]]----->0

{{div col end}}

== 周报 ==
<center>
{|width="70%" cellspacing="0" cellpadding="0" style="background-color:transparent;"
|style="width:33.3%"|[[文件:第一周.png|thumb|300px|center|第一周生产]]
|style="width:33.4%"|[[文件:第二、三周.jpg|thumb|300px|center|第二、三周生产]]
|style="width:33.3%"|[[文件:第四周.jpg|thumb|300px|center|第四周生产]]
|}
</center>

== 已生产词条 ==
{{div col|colwidth=25em}}
* [[社团结构]]
* [[模块度]]
* [[图论]]
* [[无标度网络]]
* [[ER随机图模型]]
* [[元胞自动机]]
* [[分形几何]]
* [[蚁群算法]]
* [[Logistic映射]]
* [[博弈论 Game Theory]]
* [[复杂系统 Complex Systems]]
* [[幂律分布 power law]]
* [[康威的生命游戏 Conway's Game of Life]]
* [[曼德布洛特集 Mandelbrot set]]
* [[朗顿的蚂蚁 Langton's ant]]
* [[最大熵原理]]
* [[HITS算法 HITS algorithm]]
* [[K-means聚类 k-means clustering]]
* [[PageRank算法]]
* [[SVM支持向量机]]
* [[WS小世界模型]]
* [[人工神经网络]]
* [[信号处理 Signal Processing]]
* [[熵]]
* [[自由意志定理 Free Will Theorem]]
* [[蝴蝶效应 Butterfly effect]]
* [[超图 Hypergraph]]
* [[链路预测]]
* [[巴拉巴西成功定律 The Formula: The Universal Laws of Success]]
* [[格兰杰因果关系 Granger causality]]
* [[巴拉巴西网络科学 Network Science]]
* [[自复制自动机理论 Theory of Self-reproducing Automata]]
* [[一种新科学 a New Kind of Science]]
* [[链接：网络新科学 Linked: The New Science of Networks]]
* [[克劳德·艾尔伍德·香农 Claude Elwood Shannon]]
* [[斯蒂芬·沃尔夫勒姆 Stephen Wolfram]]
* [[Josiah Willard Gibbs]]
* [[艾伯特-拉斯洛·巴拉巴西 Albert-László Barabási]]
* [[张江]]
* [[斯蒂文·斯特罗加茨 Steven H. Strogatz]]
* [[罗伯特·梅]]
* [[诺伯特·维纳 Norbert Wiener]]
* [[陈关荣 Guanrong (Ron) Chen]]
* [[雷卡·阿尔伯特 Réka Albert]]
* [[路易斯·贝当古 Luís M. A. Bettencourt]]
* [[James Evans]]
* [[斯蒂文·斯特罗加茨 Steven H. Strogatz]]
* [[巴拉巴西网络科学 Network Science]]
* [[巴拉巴西成功定律 The Formula: The Universal Laws of Success]]
* [[链接：网络新科学 Linked: The New Science of Networks]]
* [[混沌理论]]
* [[群体行为]]
{{div col end}}

== 待编辑词条 ==

== 待审校词条 ==
*[[收敛交叉映射算法]]

*[[数据科学]]
*[[计算社会科学]]
*[[科学学]]
*[[蝴蝶效应]]
*[[无标度网络模型]]
*[[计算社会学]]

== 待生产词条 ==
{{div col|colwidth=25em}}
*[[EM算法]]
*[[转移熵]]
*[[统计力学]]——佳欣
*[[压缩感知]]
*[[概率图模型]]
*[[贝叶斯网络]]
*[[自组织理论]]
*[[系统科学]]
*[[信息论]]
*[[耗散结构论]]
*[[协同学]]
*[[突变论]]
*[[混沌理论]]
*[[人工生命]]
*[[基于主体模型]]
*[[自创生理论]]
*[[系统动力学]]
*[[非线性系统 ]]
*[[涌现]]
*[[动力系统理论]]
*[[复杂适应系统理论]]
*[[热力学]]
*[[统计物理]]
*[[复杂经济学]]
*[[量子计算]]
*[[人工智能]]
*[[计算复杂性理论]]
*[[社会网络]]
*[[自复制]]
*[[反馈]]
*[[自组织临界性]]
*[[相变]]
*[[耗散结构]]
*[[同步]]
*[[斑图生成]]
*[[自指]]
*[[自发秩序 ]]
*[[热力学第二定律]]
*[[非平衡热力学的极值定理]]
*[[演化计算]]
*[[斑图识别]]
*[[自组织临界控制]]
*[[正反馈]]
*[[有序和无序]]
*[[系统生态学]]
*[[系统论]]
*[[自适应系统]]
*[[动态系统理论]]
*[[控制系统]]
*[[控制理论]]
*[[盖亚假说]]
*[[约翰霍普斯金野兽]]
*[[复杂巨系统]]
*[[机器人学]]
*[[美狄亚假说]]
*[[社会控制论]]
*[[微分熵]]
*[[条件熵]]
*[[联合熵]]
*[[互信息]]
*[[条件互信息]]
*[[相对熵]]
*[[模式识别]]
*[[有噪信道编码定理]]
*[[香农信源编码定理]]
*[[耗散系统]]
*[[时间之箭]]
*[[热力学平衡]]
*[[B-Z反应]]
*[[湍流]]
*[[非平衡动力学]]
*[[洛斯密特悖论]]
*[[耗散]]
*[[斑图]]
*[[临界点（热力学）]]
*[[平衡热力学]]
*[[非平衡系统]]
*[[自由度]]
*[[有效场论]]
*[[自由能原理]]
*[[序参量]]
*[[分岔理论]]
*[[奇点理论]]
*[[李雅普诺夫函数]]
*[[结构稳定性]]
*[[拐点]]
*[[对称性破缺]]
*[[自催化]]
*[[雪球效应]]
*[[多米诺效应]]
*[[初始状态]]
*[[反馈环]]
*[[费根鲍姆常数]]
*[[倍分岔周期图]]
*[[极限环]]

*[[混沌边缘]]
*[[吸引子]]
*[[周期点]]
*[[逻辑斯谛克映射]]
*[[分形维数]]
*[[门格海绵]]
*[[曼德布罗特集]]
*[[自相似]]
*[[科赫雪花]]
*[[L-系统]]
*[[Julia集]]
*[[谢尔宾斯基三角形]]
*[[迭代函数系统]]
*[[活系统]]
*[[模拟]]
*[[鲍德温效应]]
*[[进化算法]]
*[[多主体系统]]
*[[人工生命历史]]
*[[社会计算]]
*[[基于主体的计算经济学]]
*[[集群机器人]]
*[[鸟群算法]]
*[[主体建模软件的对比]]
*[[集群行为]]
*[[人工社会]]
*[[人群模拟]]
*[[自治系统理论]]
*[[信息新陈代谢]]
*[[负熵]]
*[[非平衡热力学]]
*[[非线性系统]]
*[[社会动力学]]
*[[环路图]]
*[[系统动力学软件对比]]
*[[Lotka–Volterra方程式]]
*[[系统中的12个杠杆点]]
*[[动力系统]]
*[[线性系统]]
*[[微分方程]]
*[[奇点]]
*[[多重稳定性]]
*[[自振荡]]
*[[玻尔兹曼方程]]
*[[蚁群优化算法]]
*[[自推进粒子算法]]
*[[粒子群优化算法]]
*[[空间组织]]
*[[集体智能]]
*[[社会性昆虫的任务分配与划分]]
*[[贪心算法]]
*[[模拟退火]]
*[[布莱恩大脑]]
*[[朗顿蚂蚁]]
*[[自动机理论]]
*[[量子元胞自动机]]
*[[康威生命游戏]]
*[[谢宾斯基三角形]]
*[[初等元胞自动机]]
*[[冯·诺依曼元胞自动机]]
*[[图灵机]]
*[[层级理论]]
*[[群体智能]]
*[[涌现进化]]
*[[大自然的斑图]]
*[[自发秩序]]
*[[双相演化]]
*[[生成科学]]
*[[零和博弈]]
*[[纳什均衡]]
*[[完全信息]]
*[[不完全信息]]
*[[增强学习]]
*[[策略]]
*[[帕累托最优]]
*[[囚徒困境]]
*[[公地悲剧]]
*[[组合博弈论]]
*[[离散时间和连续时间]]
*[[塔肯斯定理]]
*[[非线性动力系统]]
*[[遍历理论]]
*[[图动力系统]]
*[[动力系统和微分方程列表]]
*[[偏微分方程]]
*[[稳定性理论]]
*[[动态网络分析]]
*[[异质性主体]]
*[[适应行为]]
*[[集体行为]]
*[[适应系统]]
*[[热力系统]]
*[[热力学定律]]
*[[熵和生命]]
*[[热寂]]
*[[时间之箭中的熵]]
*[[配分函数]]
*[[统计力学]]
*[[伊辛模型]]
*[[重整化]]
*[[涨落耗散定理]]
*[[玻尔兹曼分布]]
*[[遍历假设]]
*[[平均场理论]]
*[[正则系综]]
*[[蒙特卡洛模拟]]
*[[有限理性]]
*[[爱尔法鲁酒吧问题]]
*[[人工股票市场]]
*[[经济物理学]]
*[[报酬递增]]
*[[行为经济学]]
*[[经济复杂性指数]]
*[[产品空间]]
*[[薛定谔的猫]]
*[[量子纠缠]]
*[[量子叠加态]]
*[[量子比特]]
*[[叠加原理]]
*[[量子图灵机]]
*[[量子算法]]
*[[薛定谔方程]]
*[[量子退相干性]]
*[[人工智能术语表]]
*[[计算机科学术语表]]
*[[机器视觉术语表]]
*[[知识图谱]]
*[[机器学习]]
*[[深度学习]]
*[[自然语言处理]]
*[[图网络]]
*[[贝叶斯网络]]
*[[通用人工智能]]
*[[计算模型]]
*[[计算复杂度]]
*[[计算理论]]
*[[算法分析]]
*[[复杂性]]
*[[可计算性和复杂性列表]]
*[[图灵停机问题]]
*[[NP-难问题]]
*[[递归]]
*[[数据挖掘]]
*[[信息可视化]]
*[[数据分析]]
*[[非结构化数据]]
*[[自动机器学习]]
*[[因果推断]]
*[[概率论和统计学术语表]]
*[[数据可视化]]
*[[社会科学]]
*[[计算经济学]]
*[[社交网络分析]]
*[[社会仿真]]
*[[社会复杂性]]
*[[城市复杂性]]
*[[社交网络]]

*[[成功学]]
*[[二分网络]]

*[[渗流理论]]
*[[网络演化]]
*[[图的绘制]]
*[[网络可控性]]
*[[链路分析]]
*[[社会结构]]
*[[社会网络分析]]
*[[基于主体的模型]]
*[[社会认同]]
*[[复杂传染]]
*[[六度分离理论]]
*[[朋友的朋友]]
{{div col end}}
[[Category:集智相关]]

2017年集智俱乐部研读营

2024-05-21T07:13:29Z

18810648466：

=2017 summer retreat plan of Swarm Agent Club (July 18 - 23)=

<big>说明：以下内容还在修订中，不是最终版本，请勿扩散。</big>

* 时间： 2017年7月18-23
* 地点：古水北镇
* 成员：暂定18人

=参与者=

==2017年研读营成员(修订中)==

'''理论物理组'''

*1.尤亦庄，哈佛大学物理系博士后，加州大学圣地亚哥分校物理系助理教授，集智科学家，主要研究领域是量子多体物理，关注集体行为导致的演生现象和临界现象。对信息论（特别是量子信息），复杂系统，人工智能等领域也很感兴趣。
*2.程嵩，中国科学院物理研究所在读博士，研究方向为凝聚态理论量子多体与强关联系统，具体来说是基于张量重整化群的强关联数值算法。张量重整化群是近年来一个新兴的且还在不断发展的方法，为了不断优化这个方法，我自己的兴趣面也不断地在纠缠，网络，几何，机器学习等等方面拓展。
*3.罗秀哲, 中国科学技术大学光学，计算机在读本科生，感兴趣的方向是量子计算（Quantum Computing）和量子物理基础 (Quantum Foundations), 具体来说包括但不限于量子算法，量子纠错，量子计算的物理实现。业余正在给Julia语言造量子计算的轮子。曾参与或完成过一些等离子，绝热量子计算，非经典路径的工作。
*4.马磊，新墨西哥州大学理论物理在读博士，研究方向中微子震荡以及中微子在超新星中的作用，尤其是使用理论和计算工具讨论其中的共振现象与collective现象。

'''统计学习小组'''

*6.甄慧玲，应用数学博士，统计物理博士后，研究方向为网络的“学习”和“记忆”，以及以逆伊辛（inverse Ising）和压缩感知（compressed sensing）问题为主的统计推断问题。致力于探讨网络学习和记忆的本质。用时，也关注神经科学的相关问题，尤其关注spiking neural networks和immune system。
*7.李嫣然，香港理工大学在读博士生，研究方向为自然语言处理中的语义表达和语言生成，致力于利用深度学习、认知科学等相关领域的方法和成果探究人类语言习得和语言表达的奥秘。
*8.苑明理，北京彩彻区明公司软件工程师，集智核心成员，数学系毕业、程序员生涯，年龄渐长，但对许多事情仍然充满好奇和困惑。因维基对知识工程发生兴趣，想去探寻知识大厦搭建之道。通过一些长期的思考，认为知识表示的几何化有助于揭示概念创生过程的秘密。
*9.方弦，法国巴黎七大信息学博士生，组合数学方向，目前主要研究领域是组合地图。

'''计算神经小组'''

*10.唐乾元，南京大学物理系物理学在读博士，集智核心成员，「知乎盐 Club 2014」荣誉会员，曾出版知乎盐系列电子书《写在物理边上》《临界：智能的设计原则》和知乎一小时电子书《能量守恒》。主要研究方向为统计物理及其在生命科学问题中的应用，曾作为中国博士生代表参加在德国林岛举办的「诺贝尔奖获得者大会」。
*11.卢晗，德国弗莱堡大学（University of Freiburg）Bernstein 计算神经科学中心在读博士。主要研究方向是用大规模神经网络计算的方法研究网络动态和突触可塑性及神经网络结构变化，及其在发育、学习和疾病中的体现和应用。

'''计算社会学小组'''

*12.吴令飞，芝加哥大学社会学系（知识实验室）博士后，集智俱乐部核心成员、集智科学家。研究兴趣：团队合作（team science）与技术创新。
*13.王成军，南京大学新闻传播学院助理研究员、计算传播学实验中心成员，对复杂性科学和可计算方法(如机器学习)感兴趣，现在的研究主要集中于采用网络科学方法分析计算社会科学的研究问题，例如，采用重整化方法分析手机用户的注意力网络和移动网络。
*14.张涵，普林斯顿社会学系博士。
*15.施永仁，耶鲁大学网络中心博士后。
*16.殷裔安，西北大学工学院在读博士。
*17.史冬波，上海交通大学国际关系与事务学院助理教授。
*18.董磊，清华大学城市与规划学院博士

探营:

* 19.张江，北京师范大学系统科学学院副教授，集智俱乐部创始人、现任主席、集智科学家，研究兴趣包括：复杂系统、集体注意力流、流网络、异速生长律等（21，22）。
* 20.张潘，中国科学院理论物理研究所副研究员，集智科学家，研究方向为统计物理与复杂系统，具体来说是用统计物理中的一些理论如自旋玻璃理论，副本对称破缺理论研究应用数学，网络和计算机科学中的一些问题。张潘的研究兴趣广泛，涉及物理，统计，网络和机器学习的很多方面并且在不断地拓宽自己的研究领域。(21，22）

==新成员招募计划（暂定2人）==

在知乎上选择3个问题，通过1）在回答中指定“参与集智凯风研读营”字样，并2）给俯卧撑发邮件（fuwocheng1024@gmail.com）的方式确认报名。由王成军，曾慧玲，俯卧撑共同决定最终参与研读营人选。

--------负责人 <big>俯卧撑</big>。

==访问学者计划 (修订中)==

访问学者参加一天的活动，参与提问和讨论。

* 1. [http://www.itp.ac.cn/~zhouhj/ 周海军], Chinese Academy of Sciences
* 2. [http://www.knowledgelab.org/people/detail/james_a_evans/ James Evans], Chicago University

------负责人王成军

==讲员==
* 尤亦庄
* 李嫣然
* 甄慧玲
* 唐乾元（aka傅渥成）
* 王成军： team algebra
* 程嵩
* 罗秀哲
* 苑明理

要求：讲者提前提供所要讲的内容的slides。

TBA: 北京公司的研究人员参与、探访研读营计划，名单

=研读营日程安排=

{| class="wikitable"
|-
! 条目 !! 第一天 !! 第二天 !! 第三天 !! 第四天 !! 第五天
|-
| 主持人 || 尤亦庄 || 唐乾元 || 王成军 || 吴令飞 || 张江
|-
| 第一单元 || 9:00-10:30 Ice Breaking || 9:00-10:30 TBA 尤亦庄 || 9:00-10:30 统计学习（上）甄慧玲 || 9:00-9:45 Team Member Combination王成军 ||
* 9:00-9:10 张江
* 9:10- 9: 20 甘东宇
|-
| ||茶歇 ||茶歇 || 茶歇 || 9:45-11:30 TBA ||
* 9:20 - 9:50 James Evans
* 9:50-10:20 Florence
* 10:20-10:50 Hai-Jun Zhou
|-
| || || || || 茶歇|| 茶歇
|-
| 第二单元 ||10:45-12:00 分组 ||10:45-12:00 TBA尤亦庄 || 10:45-12:00 机器学习（强化学习）上李嫣然 || 11:45-12:30 张潘 ||
* 11:15-11:45 Xudong Cao
* 11:45-12:15 Xingyuan Yuan
|-
| ||午餐||午餐|| 午餐 || 午餐 ||午餐
|-
| 第三单元 || 14:00-15:00 tba 唐乾元 ||14:00-15:00 tba 程嵩 || 14:00-15:00 统计学习（下）甄慧玲 || 14:00 -14:45 甄慧玲 || 理论物理组尤亦庄程嵩罗秀哲
|-
| 第四单元 || 15:00-16:00 tba 唐乾元 ||15:00-16:00 tba 罗秀哲 || 15:00-16:00 机器学习（强化学习）下李嫣然 || 14:45 -15:30 唐乾元 || 统计学习组张潘曾慧玲
|-
| ||茶歇 ||茶歇 || 茶歇 || 15:45-16:30 李嫣然|| 机器学习组李嫣然苑明理
|-
| || || || || 茶歇|| 茶歇
|-
| 第五单元 ||16:15-17:15 tba 唐乾元 || 讨论 || 讨论 || 16:30-17:15 苑明理 || 16:30-17:15 生物数据组唐乾元
|-
| || || || || || 17:15-18:00 计算社会科学组王成军吴令飞
|}

==详细内容安排==
===17号晚===

Cock tail party， warm up.

===第一天封闭营（18 周二）===

* 尤亦庄主持
*上午
* 9：00 ~ 10：30 Ice breaking，自我介绍研究背景（5分钟加ppt自动播放）
* 讲完的人到白板上写自己感兴趣的研究问题，每人限3个，and/or 签上名字
* 茶歇
* 10:45 ~ 12：00
* 分组，确定每个人的topic，每个新人必须以单独或参与团队的方式与研读营旧成员合作。最后敲定的题目记录在白板上，保留到研读营结束B
* 午饭
* 2: 00 ~ 3: 00 唐乾元
* 3:00 ~ 4:00 唐乾元
* 茶歇
* 4:15 ~ 5:00 唐乾元

===第二天封闭营（19 周三）===
上午

9：00 ~ 10：30 尤亦庄

茶歇

10:45 ~ 12：00 尤亦庄

午饭

2: 00 ~ 3: 00 程嵩

3:00 ~ 4:00 罗秀哲

茶歇

4:15 ~ 5:00

===第三天封闭营（20 周四）===

上午

9：00 ~ 10：30 甄慧玲统计学习（上）

茶歇

10:45 ~ 12：00 李嫣然机器学习（强化学习）上

下午

2: 00 ~ 3: 30 甄慧玲统计学习（下）

茶歇

3: 45 ~ 5:00 李嫣然机器学习（强化学习）下

===第四天封闭营~showing muscles（21 周五）===

上午

尤亦庄张潘甄慧玲李嫣然苑明理唐乾元王成军

9：00 ~ 9:45 王成军 team member combination

9： 45 ~ 11:30 尤亦庄

茶歇

11:45 ~ 12:30 张潘

午饭

2:00 ~ 2:45 甄慧玲

2:45 ~ 3:30 唐乾元

茶歇

3:45 ~ 4:30 李嫣然

4:30 ~ 5:15 苑明理

===第五天公开讨论（22 周六）===

Keynote speaker

上午

9：00 ~ 9：10 张江 opening

9：10 ~ 9：20 甘东宇（凯风基金会秘书长） opening

9: 20 ~ 9：50 James

9：50 ~ 10：20 Federico Ricci-Tersenghi

10：20 ~ 10：50 周海军

茶歇

11：15 ~ 11：45 曹旭东

11：45 ~ 12：15 袁行远

午饭

2：00 ~ 5：00

各个组带新人报告

* 理论物理组尤亦庄程嵩罗秀哲 …..
* 统计学习组张潘甄慧玲 …..
* 机器学习组李嫣然苑明理....
* 生物数据组唐乾元 …..
* 计算社会科学组王成军吴令飞...

晚餐 fare

=链接=

[http://wiki.swarma.net/index.php?title=2016年集智俱乐部研读营 2016年集智俱乐部研读营]

[http://computational-communication.com/conference/index.html AI & Public Policy]

[http://computational-communication.com/conference/swarma.html FRONTIERS IN AI AND APPLICATIONS]

= 参考资料 =

==社科与物理两大阵营是否可以理解对方的工作？==

社科和物理两大阵营作为两个组，每个组提议五对文献，任意一对论文有一篇好的，一篇是相对差的。于是两组分别出了一套题目，仅仅给出标题和摘要。过程如下：首先，每个人选出自己认为正确的选项；然后，汇总并公示组内结果，每个人发表意见；最后，小组决议，投票决定。最终的结果如下图所示，社科组错了一个，物理组错了三个。这个结果略让人吃惊，因为一般人认为物理组比较难，社科的人难以判定其结果。结果却是对于那些发表出来的文章而言，物理组更搞不清楚社科的难度（“水”）有多深。当然，第二种解读就是，社会科学太软、太水，需要太多的口耳相传的训练，仅仅习得表面的功夫就只能做表面文章。

[[File:Group-social-papers.pdf|缩略图]]
[[File:Group-physics-papers.pdf|缩略图]]

== TensorFlow demo ==
import numpy as np
import tensorflow as tf

x = tf.placeholder(dtype=tf.float64, name='x')
y = tf.placeholder(dtype=tf.float64, name='y')

w = tf.Variable(0., dtype=tf.float64, name='w')
b = tf.Variable(0., dtype=tf.float64, name='b')
tf.summary.scalar('w', w);
tf.summary.scalar('b', b);

with tf.name_scope('y1'):
y1 = w*x + b

with tf.name_scope('loss'):
loss = tf.reduce_mean(tf.square(y - y1))
tf.summary.scalar('loss',loss);

optimizer = tf.train.GradientDescentOptimizer(0.5)
step = tf.Variable(0, name='step', trainable=False)
train = optimizer.minimize(loss, global_step=step)
initialize = tf.global_variables_initializer()

summary = [tf.summary.merge_all(), step]
writer = tf.summary.FileWriter('./log/test')

x_dat = np.random.rand(100)
y_dat = 3.*x_dat + 2. + 0.1*np.random.rand(100)
feed_dict = {x:x_dat, y:y_dat}

sess = tf.Session()
writer.add_graph(sess.graph)
sess.run(initialize)

for step in range(201):
sess.run(train, feed_dict)
if step%20 == 0:
print(step, *sess.run([w,b,loss], feed_dict))
writer.add_summary(*sess.run(summary, feed_dict))

[[Category:集智相关]]

集智百科

2024-05-21T07:12:35Z

18810648466：

集智百科的目标是做复杂性科学领域科学、全面、客观的百科全书。我们的宗旨是“知识从我而来，问题到我为止”。

== 集智百科的根本目的和出发点是什么？==
集智俱乐部一直专注于推动复杂科学领域的发展，为了吸引和帮助更多入坑复杂科学的同学，我们希望梳理出复杂科学领域的重要知识概念，提供专业、客观的解释和定义，希望给一些想要了解这个概念的人，提供最简洁清晰的解释，提供最值得信赖的信息资源，包括他简单或者深入了解这个概念，甚至可以去用这个概念。
所以一个词条需要包含两个方面：
第一个点，是针对这样一个词条，是否可以给一个简单的介绍，帮助大家大概理解这个概念，及其本质特征。
第二个点，是否提供了关于这个概念的更多信息资源和渠道，包括从不同的角度去解释它。

== 为什么要做百科词条？==

系统科学试图建立一套宏大的理论，以把握各类复杂系统背后的统一规律。如果说物理学是原子世界的基础学科，那么系统科学就是信息和智能世界的基础学科。然而，系统科学牵扯数学、物理、计算机、生物等多门学科，概念庞杂，眼花缭乱。作为国内最大的复杂科学社区，集智俱乐部责无旁贷地担起了梳理系统科学的概念图谱的重任，这就是集智百科，希望它能为系统科学世界引入秩序之光。

我们经常会面临到这样一个情况，想要了解一个概念，在浏览器搜索，搜索了无数个页面，花费了大量的时间，看了很多浏览器推荐的资料，但最后对这个概念，还是十分模糊，没有形成一个比较清晰、有体系的认知，且不知道如何更深入的了解这个概念，以及如何应用这个概念解决自己的问题。

我们假设这样一个数据，我们对一个概念，一个人去搜索这个概念，并且整理出这个概念框架的时间，需要至少1个小时，一个概念的搜索量按至少有1000人来搜索，那就是1000小时，如果我们邀请一位同学，基于他的学习能力和先验知识，利用10个小时，整理相关概念，并形成清晰的框架，提供丰富的探索资源，那他可以为大家节省的时间就可想而知了，为了让大家减少低价值信息的干扰，提升大家的学习效率，所以我们希望可以用这样的知识梳理的方式，帮助大家更好的理解概念。

== 什么是一个好的百科词条？==
如果把一个词条看做是一篇文章，为大家提供信息，那么考核标准就是两个，第一个最核心和关键的还是内容，内容的可读性和可理解性。

* [[集智百科审校团队工作指南]]
* [[内容规范]]
* [[集智百科翻译团队工作指南]]

[[Category:集智相关]]

网络科学专题

2024-05-21T07:11:57Z

18810648466：

== 张江——演化网络 ==
{{div col|colwidth=15em}}
* [[玻色-爱因斯坦凝聚]]
* [[双曲空间]]
* [[复杂网络双曲生长模型]]
* [[克洛内克积（Kronecker Product）]]
* [[克罗内克图]]
* [[网络的密集化现象（Densification）]]
* [[加速生长（Accelerating Growth）]]
* [[匹配生长模型]]
{{div col end}}
== 陈清华——无标度性质 ==
{{div col|colwidth=15em}}
* [[无标度网络]]
* [[无标度性]]
* [[度分布]]
* [[幂律分布]]
* [[80/20原则]]
* [[Pareto分布]]
* [[Zipf律]]
* [[分形]]
* [[自组织临界]]
* [[沙堆模型]]
* [[无标度网络的鲁棒性与脆弱性——阿喀琉斯之踵]]
* [[蒙特卡洛模拟]]
* [[KS检验]]
{{div col end}}

== 史定华——BA模型 ==
{{div col|colwidth=15em}}
* [[随机变量]]
* [[随机过程]]
* [[概率分布]]
* [[概率密度函数]]
* [[分布函数]]
* [[补分布函数]]
* [[幂律分布]]
* [[重尾分布]]
* [[幂律哀减尾部]]
{{div col end}}

== 许小可——随机网络 ==

{{div col|colwidth=15em}}
* [[二项分布]]
* [[泊松分布]]
* [[幂率分布]]
* [[六度分离]]
* [[小世界]]
* [[相变]]
* [[临界点]]
* [[聚集系数]]
* [[巨连通分支]]
* [[度分布]]
* [[格子网络]]
{{div col end}}

== 陈关荣——网络鲁棒性 ==

[1] Percolation theory [仅需"阈值" (threshold) 的基本概念]
https://zh.wikipedia.org/wiki/%E6%B8%97%E6%B5%81%E7%90%86%E8%AE%BA

[2] Cascading failures [级联崩溃]
https://en.wikipedia.org/wiki/Cascading_failure

[3] Attacks [攻击]
Node-removal and edge-removal attacks [对节点和连边的攻击]
Random attack and malicious attack [随机攻击和恶意攻击]
Attack threshold [攻击凑效的阈值]

[4] Robustness (and Fragility) [鲁棒性（与脆弱性）]
https://baike.baidu.com/item/%E9%B2%81%E6%A3%92%E6%80%A7
https://en.wikipedia.org/wiki/Robustness_of_complex_networks
Achilles heel: https://baike.baidu.com/item/%E9%98%BF%E5%96%80%E7%90%89%E6%96%AF%E4%B9%8B%E8%B8%B5/340132?fromtitle=Achilles%20heel&fromid=8705928

== 刘宗华——传播现象 ==

{{div col|colwidth=15em}}
* [[感染率]]
* [[传染病的数学模型]]
* [[阈值模型]]
* [[理论分析方法]]
* [[反应扩散模型和亚种群模型]]
* [[基本再生数（Basic Reproduction Number）]]
* [[非马尔科夫疾病传播（Non-Markovian Epidemic Spreading）]]
* [[免疫策略（Immunization Strategy）]]
{{div col end}}

=== 理论 ===
==== 已有词条 ====
{{div col|colwidth=15em}}
* [[图论]]
* [[WS小世界模型]]
* [[社区结构]]
* [[复杂网络]]
* [[网络效应]]
{{div col end}}

==== 待翻译词条 ====
{{div col|colwidth=15em}}
* [[网络可控性]]
* [[组合优化]]
* [[互惠性]]
* [[三元闭包]]
* [[同质性]]
* [[传递关系]]
* [[平衡理论]]
* [[社会影响]]
* [[复杂传染病]]
{{div col end}}
==== 待审校词条 ====
{{div col|colwidth=15em}}
* [[链路分析]]
* [[图的绘制]]
* [[演化网络]]
* [[相变]]

* [[优先链接]]
{{div col end}}

=== 图的特征 ===

==== 已翻译词条 ====
*[[超图]]

==== 待翻译词条 ====
{{div col|colwidth=15em}}
* [[团（图论）]]
* [[切]]
*[[图论常用概念表]]
{{div col end}}
==== 待审校词条 ====
{{div col|colwidth=15em}}
* [[环]]
*[[邻接矩阵]]
*[[关联矩阵]]
*[[顶点]]
*[[路径]]
*[[二分图]]
*[[随机图]]
*[[图距离]]
*[[图（抽象数据类型）]]

{{div col end}}

=== 网络特性 ===
==== 已建立词条 ====
{{div col|colwidth=15em}}
* [[集聚系数]]
* [[幂律分布]]
* [[节点中心性]]
* [[HITS算法]]
* [[六度分隔]]
* [[PageRank算法]]
* [[模块度]]
* [[链路预测]]
* [[随机网络模型]]
* [[渗流理论]]（待完善）
* [[无标度网络]]

{{div col end}}

==== 待建立词条 ====
{{div col|colwidth=15em}}

* [[布尔网络]]
*[[网络连通性]]
*[[LFR算法]]
{{div col end}}

==== 待审校词条 ====
{{div col|colwidth=15em}}
* [[度]]
*[[度分布]]
*[[网络中心性]]
*[[介数中心性]]
{{div col end}}
=== 其他词条===

==== 待建立词条 ====
{{div col|colwidth=15em}}
* [[埃尔德什数理论]]
* [[巨连通分支]]
* [[鲁棒性]]
* [[攻击耐受性]]
* [[级联故障]]
* [[NP-难问题]]
{{div col end}}
==== 待审校词条 ====
{{div col|colwidth=15em}}
* [[泊松分布]]
* [[枢纽节点]]
* [[社交网络]]
* [[层次聚类]]
* [[生物网络]]
{{div col end}}

[[Category:集智相关]]

集智百科参与方式

2024-05-21T07:11:20Z

18810648466：

<div id="mp-topbanner" style="clear:both; position:relative; box-sizing:border-box; width:100%; border:0px solid #ddd; background-color:#F4F6F9; color:black ">

<div style="margin:0em; width:100%; text-align:center;">
<div style="font-size:162%; padding:.1em;text-align:center"><big>'''欢迎来到集智百科！'''</big></div><br>
<div style="font-size:100%;text-align:center">''集智百科是复杂性科学领域科学、全面、客观的百科全书''</div><br>
<div style="font-size:100%;text-align:center">''集智百科的宗旨是：知识从我而来，问题到我为止。''</div>
</div>
</div>

== 什么是集智百科 ==
作为一个对复杂性科学感兴趣的朋友，哪里可以找到跟这个领域相关的专业基础知识，可以搜索哪些关键词来查找相关的资料，是否有一个大的知识框架可以对这个学科有一个清晰的概览，能够了解学科领域的边界和重点关心的问题？

很遗憾的是，都没有。

我们先来说说国外的资源，wikipedia内容很全面，但是内容太全面了，并没有对复杂性科学这个领域做一个系统的梳理，很多重要的知识点也并没有建立词条。同时，对于大部分中国同学来说，访问是一个问题，其次准确的阅读理解英文知识又是一个极高的要求。其次有朋友稍微关注复杂性科学的话，就会知道圣塔菲研究所的官网以及他们的资源网站Complexity Explorer，他们为初学者提供了非常多的资源，涵盖课程、知识点、机构、人物等等，是一个非常好的网站。那同样存在上面的问题，这些资料，更关注在复杂系统的方法论上，而对其他一些技术复杂系统、物理复杂系统关注较少。当然其他还有一些著名机构的官网，都有一些资源的合集，但是并不全面。

这是国外资源的一些弊端，当然国外资源的好处，就是内容非常多且详实，是非常不错的参考资料。

我们再说说国内的资源，百度百科，中文维基百科，搜狗百科以及一些博客官网，针对复杂性科学领域有一些资料，大家可以去搜索一些相关的关键词感受一下内容的质量和全面度，我们认为是有可提升的空间的。

基于此，我们认为有必要为复杂科学建立一套百科全书，对复杂科学做一个全面且系统的梳理，提供严谨、客观的基础知识。这也就诞生了集智百科。

==<big>'''集智百科是做复杂性科学领域科学、全面、客观的百科全书。'''</big>==

集智百科的原则是：'''科学、全面、客观'''。

集智百科的宗旨是：'''知识从我而来，问题到我为止'''。[[文件:招募宣讲会.png|居中|缩略图|600x600像素|[https://campus.swarma.org/course/4572 集智百科志愿者招募宣讲会]]]
===如何表示科学？===
#内容客观，所有来源注明出处。
#充分佐证并且注明资料来源，这些资料不会只是某个作者自己冷僻的见解，而会是在该领域中被视为标准并且最常引用的。
#反映专业认知，并以事实为根据，同时遵守良好的学术和逻辑标准。
===如何表示全面？===
#参考多个相关网站，综合多方面的信息。推荐的网站有wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
===如何表示客观？===
#翻译过程中应多用陈述性的语句，表述事实，而不是情绪性的、修饰性的语句。
#完全中立、没有偏颇。

理想情况是针对一个词条，先汇集资料信息，并针对必要的问题，对资料信息进行翻译、整理，回答问题。
*汇集信息的主要来源：wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
*翻译的主要工具是：人工翻译整理为主，机器翻译为辅。
*必要问题：针对不同词条的类别，都有一些基本、必须涵盖的信息去回答。每个词条都应该涵盖这些基本信息。也可以在此基础上进行扩展。
==集智俱乐部发展时间轴==
*2013年，集智俱乐部张江发现没有一个可以让大家协作生产内容的平台（石墨还未出现），于是让集智俱乐部核心成员袁行远搭建了第一版的集智百科。
*2013-2015年期间，以袁行远、吴令飞、张江等核心集智俱乐部成员为首，在集智百科上贡献了许多知识性的词条内容，包括[[摄像机-电视自指系统]]、[[混沌的边缘]]、[[复杂网络的双曲几何模型]]等等。
*2018年6月-2018年10月期间，集智俱乐部志愿者王婷曾经组织一批志愿者，希望可以对复杂性科学领域的知识进行梳理，但是没有成功。期间有很多志愿者如靠倒立解气、高飞、Sherimon、Xhtinhunter、Iceblaze9527等参与内容生产工作，产生了一些优秀的知识性词条：[[幂律分布]]、[[小世界网络]]、[[无标度网络]]等。

*2019年11月-2020年3月，集智俱乐部再次组织志愿者生产复杂性科学领域的知识内容，希望可以打造复杂性科学领域最全面、科学、客观的百科全书。

*2020年3月，由于旧版的[http://wiki.swarma.net/index.php/%E9%A6%96%E9%A1%B5 集智百科]编辑器和备案的问题，集智学园工程师林嘉琦重新搭建了现在最新的集智百科平台。
*2020年5月，为了提高生产效率，集智志愿者侯悦源实现了彩云小译的初步翻译过程。具体操作即给出词条list，通过爬虫，爬取对应的英文wiki页面，通过对页面进行格式调整后，给彩云小译得到初步翻译的结果。大大提高翻译的效率。
[[集智百科发展史]]

== 集智百科项目分工 ==
[[文件:一张图搞懂集智百科.png|缩略图|替代=|无|800x800像素]]
集智百科的生产依然采用集智俱乐部传统且高效的模式：'''众包生产'''。希望依靠社区的力量，吸引一批对知识本身，知识分享，知识整理感兴趣的朋友，一同完成这项万古长青的事业。

目前集智百科项目分为两种参与方式：[[读书会词条梳理]]与[[百科自有团队]]。

读书会词条梳理工作将基于集智社区不同主题的读书会，在读书会期间统筹志愿者对该领域进行学科知识梳理。内容主题取决于读书会，会由相关专家梳理审核词条质量。

百科自有团队则以两个月为周期推进，对复杂科学领域的重要概念进行梳理。

参与团队的一个重要要求是：'''对复杂性科学感兴趣，且热爱知识分享传播，每周能保证一定量的时间投入。'''

2019-2021 '''百科参与团队详情：[[集智百科团队]]'''

2022 '''百科参与团队详情：[[百科自有团队]] [[读书会词条梳理]] [[NetLogo模型汇总]]'''

== 奖励规则 ==

'''成就感'''

:* 对于任何一个词条，我们都会在词条的末尾标注内容生产、审校、编辑等参与者的信息，让大家对词条有归属感和责任感。
:* 一个词条从0到1，从没有相关的资料，到被搜索引擎收录，从无人知晓，到切实为知识探索者提供帮助，会给你带来最特别的体验。
:* 一个词条，在集智百科上被人搜索到的方式有N多种：
::: 1.搜索引擎（百科的搜索引擎是真的很好，一般都能排在最前面）
::: 2.嵌入集智俱乐部的公众号文章（集智俱乐部官网上所有公众号文章提到的相关关键词都会加上超链来到集智百科，供大家学习）
::: 3.集智斑图的路径（在集智斑图上作者编辑的路径提到的相关关键词都会加上超链来到集智百科，供大家学习）
::: 4.集智俱乐部公众号（在集智俱乐部公众号有一个集智百科专栏，我们每周会定期推广集智百科的相关知识，供大家学习讨论混沌理论元胞自动机
::: 5.生产的词条也有可能变成一个入门路径，发表在集智俱乐部和集智斑图的官网上，供大家学习等
:: 所以当你完成了一个词条，你不仅仅是完成一个词条，这个词条会在不同的角度，不同的侧面，给不同需求的探索者提供切实的帮助。

:* 我们每个人都有生死，但是客观、科学、及时更新的知识却是长存的。你编辑的知识内容，可以成为你个人的代表作品，流传下去，不断地被人阅读、更新，甚至比我们所想的时间更长。

'''知识提升'''

:* 我们每个人都讲究个人成长，如果你真切地想提升自己在复杂性科学领域的基础，提升英语翻译和写作能力，没有什么比沉下心来，编辑一个词条提升得更快。或许会有人说，编辑一个词条太费时间，但是无数人参与之后的总结就是'''慢即是快'''，看上去花费很久的时间只是编辑了一个词条，但是你获得的提升却是全面且持续的。
:* 参与百科团队：
::* 有梳理的内容知识框架和资源，帮助你快速入门。
::* 有专业的审校，为你的词条把关，及时反馈，获得提升。
::* 每周有定期的分享总结，回顾问题，讨论经验。
::* 群内分享每日一译，审校及时反馈，共同讨论翻译技巧和学科知识。

'''其他激励'''

:* 积分。积分可以用于在集智平台上购买或者消费，其中包括：集智学园、集智斑图、以及[[集智俱乐部周边]]等。(详细积分奖励及兑换制度见下表)
:* 为深度参与的同学颁发志愿者勋章、荣誉证书和相关实习证明。
:* 有机会获得集智俱乐部价值2999元的科学年会门票(门票每年涨价一次）
::* 2015年7月15日、7月16日在南京大学新闻传播学院召开了第一次学术会议，[[南京注意力的科学会议|活动主题：'''注意力''']]

::* 2016年在帝都心脏三里屯Surperfit举办学术圣诞晚会，活动主题：'''AI与创业'''。

::* 2017年在北京768创意产业园区彩云科技举办学术圣诞晚会，活动主题：'''AI改变生活'''。

::* 2018年在北京朝阳区乌托邦工厂举办学术圣诞晚会，活动主题：'''奇点临近'''。

::* 2019年在北京海淀区E_ZIKOO智慧谷举办学术年会，活动主题：'''量子跃迁'''。
:* 在[[集智百科荣誉榜]]留下个人信息。
:* 优先获得集智俱乐部所有活动的参与权。
详细积分兑换体系请跳转[[激励制度]]。

== 一个词条的诞生 ==
一个词条的完善会经历主要四个环节：

# 建立词条（由老师或同学提出生产该条目的需求）
# 机器搬运（由集智百科嵌入的机器翻译助手彩云小译进行百科词条的生成以及搬运，搬运来源目前只支持英文[[wikipedia:Main_Page|Wikipedia]]）
# 翻译校对（由志愿者校对翻译内容的中文通顺性，需要对已经初步翻译过的稿件进行再修改、润色）
# 专家审核（由老师专家审核词条的专业性，保证内容科学全面客观）

* 我们希望词条的初步生产经历过以上四个环节可以形成一个由老师、志愿者提出，到质量审核保证的生产闭环。
* 所有的条目均由每个人自发提出的，其编辑过程有业界专家审核纠正。
* 词条的完善不是一蹴而就的，而是由所有百科社区成员不断维护完成的。
* 我们鼓励参与者积极对条目的内容进行深度的探讨及辩论，为其内容增添更多的可能性。

[[文件:一个词条的诞生.png|居中|无框|800x800像素]]

== 参与百科 ==
集智百科是公开且可编辑的，参与集智百科的方式非常简单，感兴趣的同学可扫二维码完成简单的翻译测试并添加百科负责人，备注“姓名+百科词条”[[文件:扫码加入百科.jpg|缩略图|替代=|100x100像素]]（目前已关闭公共注册通道，感兴趣的同学请报名后联系负责人注册）

* 若您想要了解更详细的步骤，建议阅读[[如何上手集智百科]]词条，这是一个为新手打造的编写指引。更加规范性案例请查阅[[编辑案例]]。

=== 翻译校对志愿者招募 ===
主要职责：校对机翻内容，保证词条中文可读性。

招募要求：

1. 乐于分享，拥有极高的学习热情。

2. 可以独立完成翻译任务，并保证高质量的语义通顺。

3. 保证每周1条翻译任务，总字数在5千到2万不等（中文）

4. 善于沟通，喜欢团队协作。

5. 对复杂科学有一定的了解且乐于探索，具备文献查找、信息搜集，翻译等基本的能力。
意向专业：任何复杂科学相关的专业包括且不限于：数学、生物、物理、统计、等等或者英语，翻译专业。

=== 集智百科编辑排版志愿者招募 ===
主要职责：调整词条中格式问题，优化整体观感。

招募要求：

•细致耐心，可以独立完成编辑排版工作。

•对复杂科学有一定的了解且乐于探索。

•工作需要对百科中前端语言有一定了解。

=== 百科团队运营助手招募 ===
招募要求：

•性格开朗，喜欢沟通，组织能力强。

•执行力强，文案小能手请看过来。

•可以灵活参与到百科日常运营工作，积极推进百科工作。

=== 百科平台底层维护人员招募 ===
工作职责：

•负责集智百科的业务运维工作（e.g. 权限管理，账户管理，故障排查）

•负责集智百科的用户体验持续提升解决方案的设计和落地（e.g. 词条编辑器体验优化，系统升级）

•负责集智百科的服务连续性解决方案设计和落地(e.g. 容灾、监控、备份与恢复）

•负责核心系统的代码编写、系统优化以及技术架构持续改进

•参与开发和运维规范制定，编写相关技术文档

你可以获得：

•投身于构建良好的学术交流氛围，改善国内科研环境，进而促进国家科技革新的伟大事业中

•享受集智俱乐部VIP待遇(参与一年期的维护工作)

•以练促学，践行行业最佳实践（IT行业>9年经验的前辈带）

期望：

•能投入一定的时间和精力参与系统维护或组内讨论（>每周1小时）

•能积极主动地深入学习系统研发与运维相关知识

•有一定的软件研发、运维实践经验（不论技术栈）

•Nice to have: 有以下技术实践经验：PHP, Docker, MediaWiki, 阿里云

以上职位有意向者可以扫码参加测试添加负责人微信并备注招募岗位。

对集智百科平台底层维护感兴趣的请将个人简历发送至：avecsally@163.com

邮件抬头请写：集智百科平台底层维护人员招募

== 集智百科志愿者招募宣讲会 ==

* 参与集智百科团队你可以系统梳理复杂科学领域的基础知识，提升英语翻译和写作能力，获得专业老师审核编辑质量，成为知识分享的重要节点。
* 集智百科全部词条内容均源自wikipedia及公开资料，遵守 CC3.0协议，记录每一位参与志愿者的编辑历史，我们做知识的搬运工并支持原创精品文章，优质百科词条定期收录于公众号推文。
* 对以上内容感兴趣且想听更细致的讲解请看：

集智学园宣讲会链接：https://campus.swarma.org/course/4572

*

[[Category:集智相关]]

深度学习教程与项目索引

2024-05-21T07:10:38Z

18810648466：

本页面收集了大量深度学习项目的代码链接。所有代码均按照所属技术领域建立索引，以便大家查阅使用。

==基本教程==

===基础教程===

====PyTorch Tutorials====

https://github.com/MorvanZhou/PyTorch-Tutorial.git

著名的“莫烦”PyTorch系列教程的源码。

====Deep Learning with PyTorch: a 60-minute blitz====

http://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html

PyTorch官网推荐的由网友提供的60分钟教程，本系列教程的重点在于介绍PyTorch的基本原理，包括自动求导，神经网络，以及误差优化API。

====Simple examples to introduce PyTorch====

https://github.com/jcjohnson/pytorch-examples.git

由网友提供的PyTorch教程，通过一些实例的方式，讲解PyTorch的基本原理。内容涉及Numpy、自动求导、参数优化、权重共享等。

===入门实例===

====Ten minutes pyTorch Tutorial====

https://github.com/SherlockLiao/pytorch-beginner.git

知乎上“十分钟学习PyTorch“系列教程的源码。

====Official PyTorch Examples====

https://github.com/pytorch/examples

官方提供的实例源码，包括以下内容：

* MNIST Convnets

* Word level Language Modeling using LSTM RNNs

* Training Imagenet Classifiers with Residual Networks

* Generative Adversarial Networks (DCGAN)

* Variational Auto-Encoders

* Superresolution using an efficient sub-pixel convolutional neural network

* Hogwild training of shared ConvNets across multiple processes on MNIST

* Training a CartPole to balance in OpenAI Gym with actor-critic

* Natural Language Inference (SNLI) with GloVe vectors, LSTMs, and torchtext

* Time sequence prediction - create an LSTM to learn Sine waves

====PyTorch Tutorial for Deep Learning Researchers====

https://github.com/yunjey/pytorch-tutorial.git

据说是提供给深度学习科研者们的PyTorch教程←_←。教程中的每个实例的代码都控制在30行左右，简单易懂，内容如下：

* PyTorch Basics

* Linear Regression

* Logistic Regression

* Feedforward Neural Network

* Convolutional Neural Network

* Deep Residual Network

* Recurrent Neural Network

* Bidirectional Recurrent Neural Network

* Language Model (RNN-LM)

* Generative Adversarial Network

* Image Captioning (CNN-RNN)

* Deep Convolutional GAN (DCGAN)

* Variational Auto-Encoder

* Neural Style Transfer

* TensorBoard in PyTorch

====PyTorch-playground====

https://github.com/aaron-xichen/pytorch-playground.git

PyTorch初学者的Playground，在这里针对一下常用的数据集，已经写好了一些模型，所以大家可以直接拿过来玩玩看，目前支持以下数据集的模型。

* mnist, svhn

* cifar10, cifar100

* stl10

* alexnet

* vgg16, vgg16_bn, vgg19, vgg19_bn

* resnet18, resnet34, resnet50, resnet101, resnet152

* squeezenet_v0, squeezenet_v1

* inception_v3

==图像==

===图像生成===

====绘画风格到图片的转换：Neural Style====

https://github.com/jcjohnson/neural-style

这个项目是用 Torch 对 Leon A. Gatys, Alexander S. Ecker, 和 Matthias Bethge 等人的论文“A Neural Algorithm of Artistic Style”的一个实现。论文中提出一种算法，用卷积神经网络将一幅图像的内容与另一幅图像的风格进行组合。

====图像类比转换：image-analogies====

https://github.com/awentzonline/image-analogies

“神经图像类比”（neural image analogies）这个项目基本上是 A. Hertzmann et. al（2001）的论文“Image Analogies”的一个实现。在这个项目中，我们使用了 VGG16 的特征，利用 Chuan Li, Michael Wand (2016) 的论文“Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis”中描述的方法进行patch的匹配和混合。初始代码改编自 Keras 的“神经风格迁移”示例。

====根据涂鸦生成图片：Neural Doodle====

https://github.com/alexjc/neural-doodle

使用深度神经网络把你的二流涂鸦变成艺术一般的作品！这个项目是 Champandard（2016）的论文 “Semantic Style Transfer and Turning Two-Bit Doodles into Fine Artworks”的一个实现，基于 Chuan Li 和 Michael Wand（2016）在论文“Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis”中提出的 Neural Patches 算法。

====根据涂鸦类比图片：Sketchy====

https://github.com/janesjanes/sketchy

这个项目可以根据用户手绘的涂鸦，匹配出类似的图片。

====根据图片生成铅笔画：Pencil====

https://github.com/fumin/pencil

把一副图像变成铅笔水粉画。

====手写文字模拟：rnnlib====

https://github.com/szcom/rnnlib

这个项目可以做到手写文字模拟。

====转换风景图片：Transient Attributes for High-Level Understanding and Editing of Outdoor Scenes====

http://transattr.cs.brown.edu

这个项目可以识别和理解图片中的风景，并且可以根据用户提出的条件，定向改变原风景画中的环境（比如more night）

====图片变Emojis表情：What emojis will the Emojini 3000 grant your photos?====

http://engineering.curalate.com/2016/01/20/emojinet.html

将用户提供的图片转化成相关的表情图标

====增加图片分辨率：srez====

https://github.com/david-gpu/srez

srez（super-resolution through deep learning），即通过深度学习实现图像超分辨率。这个项目是利用深度学习将 16x16 的图像分辨率增加 4 倍，基于用来训练神经网络的数据集，所得到的图像具有鲜明的特征。

====图片自动上色：Colornet====

https://github.com/pavelgonchar/colornet

Colornet 是一个给灰度图像自动上色的神经网络。

====生成可爱的动漫头像：AnimeGAN====

https://github.com/jayleicn/animeGAN

使用PyTorch实现的GAN，可以自定义生成漂亮的动漫妹子头像，附带训练数据集哦！

====骡子变斑马：CycleGAN and pix2pix in PyTorch====

https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix.git

图到图的翻译，著名的 CycleGAN 以及 pix2pix 的PyTorch 实现。

====强大的图像生成器：DiscoGAN in PyTorch====

https://github.com/carpedm20/DiscoGAN-pytorch.git

《Learning to Discover Cross-Domain Relations with Generative Adversarial Networks》的 PyTorch 实现。

====使用RNN生成手写数字：DRAW implmentation====

https://github.com/skaae/lasagne-draw

使用RNN生成手写体数字。

====使用CNN来放大图片：waifu2x====

https://github.com/nagadomi/waifu2x

使用CNN来放大图片，与普通图片放大不同的是，使用CNN“生成”放大，使低分辨率的图片在放大后也不会出现像素锯齿。

===看图说话===

====根据图片生成一段描述：Show and Tell====

https://github.com/tensorflow/models/tree/master/im2txt

这是 Oriol Vinyals et. al.（2016）的论文“Show and Tell: Lessons learned from the 2015 MSCOCO Image Captioning Challenge”的用TensorFlow实现的 image-to-text 图片说明生成模型。

====根据图片讲故事：neural-storyteller====

https://github.com/ryankiros/neural-storyteller

Neural-storyteller 是一个能够根据图像内容生成一个小故事的循环神经网络。这个 GitHub 库里包含了使用任意图像生成故事的代码，以及用于训练新模型的说明。

====根据图片将故事2:NeuralTalk2====

https://github.com/karpathy/neuraltalk2

循环神经网络（RNN）可以用于给图像取标题。NeuralTalk2 比原始版本的 NeuralTalk 更快而且性能更好。与原来的 NeuralTalk 相比，NeuralTalk2 的实现是批量的，可以使用 Torch 在 GPU上运行，并且支持 CNN 微调。这些都使得语言模型（~100x）的训练速度大大加快，但由于我们还有一个 VGGNet，因此总体上的提升没有很多。但是这仍然是个好模型，可以在 2~3 天里训练好，而且表现出的性能非常好。

====识别图片中的文字：CRNN for image-based sequence recognition====

https://github.com/bgshih/crnn.git

这个是 Convolutional Recurrent Neural Network (CRNN) 的 PyTorch 实现。CRNN 由一些CNN，RNN和CTC组成，常用于基于图像的序列识别任务，例如场景文本识别和OCR。

===图像识别===

====用于物体识别的全卷积网络：PyTorch-FCN====

https://github.com/wkentaro/pytorch-fcn.git

一个性能出众的物体识别全卷积神经网络，使用PyTorch实现。

====引入注意力的卷积网络：Attention Transfer====

https://github.com/szagoruyko/attention-transfer.git

论文 "Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks via Attention Transfer" 的PyTorch实现。

====物体识别实例：Deep-Learning====

https://github.com/priya-dwivedi/Deep-Learning/blob/master/Object_Detection_Tensorflow_API.ipynb

一个基于Ipython Notebook的物体识别实例，使用了Tensorflow Object Dectection API

====物体识别API：Tensorflow Object Detection API====

https://github.com/tensorflow/models/tree/master/object_detection

Google Tensorflow Object Dectection API 的开源代码。

====推理场景结构：SfMLearner====

https://github.com/tinghuiz/SfMLearner

用单张图片推理场景结构：UC Berkeley提出3D景深联合学习方法

====用于分辨色情图像的open_nsfw====

https://github.com/yahoo/open_nsfw

这是雅虎构建的用于检测图片是否包含不适宜工作场所（NSFW）内容的深度神经网络项目，GitHub 库中包含了网络的 Caffe 模型的代码。检测具有攻击性或成人内容的图像是研究人员进行了几十年的一个难题。随着计算机视觉技术和深度学习的发展，算法已经成熟，雅虎的这个模型能以更高的精度分辨色情图像。
由于 NSFW 界定其实是很主观的，有的人反感的东西可能其他人并不觉得如何。雅虎的这个深度神经网络只关注NSFW内容的一种类型，即色情图片，所以该模型不适用于检测素描、文字、动画、暴力图片等内容。

====人脸识别：Open Face====

https://github.com/cmusatyalab/openface

OpenFace 是一个使用深度神经网络，用 Python 和 Torch 实现人脸识别的项目。神经网络模型基于 Google Florian Schroff 等人的 CVPR 2015 论文“FaceNet: A Unified Embedding for Face Recognition and Clustering” ，Torch 让网络可以在 CPU 或 CUDA 上运行。

====易用人脸识别：Face_recognition====

https://github.com/ageitgey/face_recognition#face-recognition

这也提供了一个简单的 face_recognition 命令行工具，你可以打开命令行中任意图像文件夹，进行人脸识别！

====快速人脸识别：MobileID====

https://github.com/liuziwei7/mobile-id

据说是个超级快速的人脸识别程序，可以用在手机上

====图像识别框架1：AlexNet & VGG Net & GoogleNet & ResNet====

AlexNet

https://gist.github.com/JBed/c2fb3ce8ed299f197eff

VGG Ne

https://github.com/fchollet/keras/blob/master/keras/applications/vgg16.py

GoogleNet

https://github.com/fchollet/keras/blob/master/keras/applications/inception_v3.py

ResNet

https://github.com/fchollet/keras/blob/master/keras/applications/resnet50.py

====图像识别框架2：ResNeXt & RCNN & YOLO & SqueezeNet & SegNet====

ResNeXt

https://github.com/titu1994/Keras-ResNeXt

RCNN (基于区域的 CNN)

https://github.com/yhenon/keras-frcnn

YOLO (You Only Look once)

https://github.com/allanzelener/YAD2K

SqueezeNet

https://github.com/rcmalli/keras-squeezenet

SegNet

https://github.com/imlab-uiip/keras-segnet

====预训练的图像识别模型：functional-zoo====

https://github.com/szagoruyko/functional-zoo.git

由PyTorch和Tensorflow实现的常用图像识别模型包含预训练参数。

====预定义的CNN过滤器： PyScatWave ====

https://github.com/edouardoyallon/pyscatwave

一套预定义的filter，用于增强图像识别的效果。

====计算图片中物体的相似度：Conditional Similarity Networks (CSNs)====

https://github.com/andreasveit/conditional-similarity-networks.git

《Conditional Similarity Networks》的PyTorch实现，可以根据不同的条件计算图片中物体的相似度。

====量子化学中的神经信息传递(･_･;Neural Message Passing for Quantum Chemistry====

https://github.com/priba/nmp_qc.git

论文《Neural Message Passing for Quantum Chemistry》的PyTorch实现，讲的是量子化学里的神经信息传递！听起来碉堡了。

===图像理解===

====Visual Question Answering in Pytorch====

https://github.com/Cadene/vqa.pytorch.git

一个PyTorch实现的优秀视觉推理问答系统，是基于论文《MUTAN: Multimodal Tucker Fusion for Visual Question Answering》实现的。项目中有详细的配置使用方法说明。

====Facebook看图答题：Clevr-IEP====

https://github.com/facebookresearch/clevr-iep.git

Facebook Research 论文《Inferring and Executing Programs for Visual Reasoning》的PyTorch实现，讲的是一个可以基于图片进行关系推理问答的网络。

==视频==

===视频生成===

====视频绘画风格滤镜：Multi-style Generative Network for Real-time Transfer====

https://github.com/zhanghang1989/PyTorch-Style-Transfer.git

其实是绘画风格转换器的视频版，同时支持视频和图片的实时风格转换，就一个字，快！

===物体识别===

====强大的实时物体识别：CortexNet====

https://github.com/e-lab/pytorch-CortexNet.git

一个强大的，模仿人类视觉系统的，能够实现实时视频物体检测的神经网络技术。

====识别视频场景并生成字幕：Video Caption with Neuraltalk2====

https://github.com/cgq5/Video-Caption-with-Neuraltalk2

视频版的 Neuraltalk2。可以实时跟随视频生成文字描述，并可以导出srt字幕文件。

====根据条件提取视频片段：Miles Deep - AI Porn Video Editor====

https://github.com/ryanjay0/miles-deep

是一个在 Caffe 上实现的深度学习色情视频分类器/编辑器。使用有残差连接的卷积神经网络，Miles Deep 能根据性行为的类别将色情视频按没秒的场景快速分为六个类别，准确率达到 95%。然后，它能够利用该分类自动编辑视频，可以删除所有不包含性接触的场景，或者编辑出一个特定的行为。
与雅虎的使用相似架构的 NSFW 模型不同，Miles Deep 能区分裸体和其他显性的性行为之间的区别。这是第一个也是唯一一个也是唯一一个公开发布的色情内容分类及编辑工具。

==声音==

===语音识别===

====句子级语音识别：Speech-to-Text-WaveNet====

https://github.com/buriburisuri/speech-to-text-wavenet

这是一个基于 DeepMind 的 WaveNet 和 TensorFlow 的端到端句子级语音识别项目。这是DeepMind 的论文“WaveNet: A Generative Model for Raw Audio”的一个实现。虽然已经有研究者用 TensorFlow 实现了 WaveNet，但他们没有实现语音识别。DeepMind 最近的一些论文很难复制。这篇论文中省略了有关实现的具体细节，所以这个 GitHub 库中提供了作者的方式来补充缺失的细节。

===音乐生成===

====爵士乐生成器：Deep Jazz====

https://github.com/jisungk/deepjazz

这是一个使用 Keras 和 Theano 生成爵士乐的深度学习项目。作者 Ji-Sung Kim 在参加黑客马拉松（hackathon）的36个小时内建成这个模型，它使用两个深度学习库 Keras 和 Theano 生成爵士音乐。具体来说，它构建两层的 LSTM，从跟定的 MIDI 文件中学习，利用深度学习技术生成音乐。
Deep Jazz 生成的 Jazz 可以在这个网站上欣赏：https://soundcloud.com/deepjazz-ai

====Google的AI作曲家：Magenta====

https://github.com/tensorflow/magenta

Google Brain团队的一组研究人员发布了一个项目Project Magenta，其主要目标是利用机器学习创作艺术和谱写曲子。Project Magenta使用了 TensorFlow系统，研究人员在GitHub上开源了他们的模型和工具。
研究人员称，机器生成的音乐已经存在了许多年，但它们在都缺乏长的叙事艺术。Project Magenta就试图将故事作为机器生成音乐的重要部分。Google公布了一个DEMO（MP3）表现Magenta项目的成果。

====古典音乐生成：Biaxial Recurrent Neural Network for Music Composition====

https://github.com/hexahedria/biaxial-rnn-music-composition

一款生成古典音乐的递归神经网络工具。

==文本==

===文本生成===

====生成莎士比亚剧本：char-rnn====

https://github.com/karpathy/char-rnn

一个基于RNN的文本生成器。可以自动生成莎士比亚的剧本或者shell代码。

====生成汪峰歌词：wangfeng-rnn====

https://github.com/phunterlau/wangfeng-rnn

基于char-rnn的汪峰歌词生成器

===文本理解===

====文章摘要总结：AbstractiveSummarization ====

https://github.com/facebookarchive/NAMAS

由Facebook开发的文本摘要系统。

====机器自己做阅读理解：DeepMind Teaching Machines to Read and Comprehend====

https://github.com/thomasmesnard/DeepMind-Teaching-Machines-to-Read-and-Comprehend

让机器做阅读理解，给机器一段document和一个question，让机器从document中找到能够回答这个question的answer

==语言==

===基础教程===

====以NLP为主题的教程：DeepLearningForNLPInPytorch====

https://github.com/rguthrie3/DeepLearningForNLPInPytorch.git

一套以 NLP 为主题的 PyTorch 基础教程。本教程使用Ipython Notebook编写，看起来很直观，方便学习。

====从RNN出发的NLP教程：Practial Pytorch with Topic RNN & NLP====

https://github.com/spro/practical-pytorch

以 RNN for NLP 为出发点的 PyTorch 基础教程，分为“RNNs for NLP”和“RNNs for timeseries data”两个部分。

====资源集合：Deep Learning for NLP resources====

https://github.com/andrewt3000/DL4NLP

一套以NLP为主题的资源集合，其中包括了大量NLP相关的文章、博客。

====NLP解决方案集合：Solving NLP tasks using Deep Learning====

https://github.com/zhuruihe/Deep-Learning-for-NLP-Resources#solving-nlp-tasks-using-deep-learning

一些使用深度学习解决自然语言处理问题的集合，内容包主体识别、文本理解、机器翻译等，有相当的参考价值

===工具===

====清华大学NLP实验室GitHub小站====

https://github.com/thunlp

著名的清华大学NLP实验室的GitHub站点，其中有知识图谱TransX的模型实现，一些必读的NLP Paper资源，以及一些中文语言处理的工具。

====复旦大学NLP实验室GitHub小站====

https://github.com/xpqiu

著名的福大大学NLP实验室的GitHub站点，其中提供了一套用于中文语言处理的工具，以及一个2016年微博分词的数据集

====中科院Kaggle全球文本匹配获奖项目====

https://github.com/HouJP/kaggle-quora-question-pairs/

16-中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程。

====汉语处理工具包：Han Language Processing====

https://github.com/hankcs/HanLP

HanLP是由一系列模型与算法组成的Java工具包，目标是普及自然语言处理在生产环境中的应用。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。

====Ansj中文分词====

https://github.com/NLPchina/ansj_seg

ansj分词.ict的真正java实现.分词效果速度都超过开源版的ict. 中文分词,人名识别,词性标注,用户自定义词典

====语句相似度计算：FuzzyWuzzy====

https://github.com/seatgeek/fuzzywuzzy

可以在多种尺度上比较两句话的相似度，比如fuzz.ratio("this is a test", "this is a test!") output：97。

===机器翻译===

====基于PyTorch的机器翻译系统：PyOpenNMT====

https://github.com/OpenNMT/OpenNMT-py.git

一套由PyTorch实现的机器翻译系统。

====谷歌的注意力机制模型：Attention is all you need====

https://github.com/jadore801120/attention-is-all-you-need-pytorch.git

Google Research 著名论文《Attention is all you need》的PyTorch实现。

====可复用Seq2Seq模型：Sequence to Sequence Learning with Keras====

https://github.com/farizrahman4u/seq2seq

一套可以结合到自己网络中的Seq2Seq模型，使用起来非常灵活，可以直接使用，也可以集成在自己的网络中，且有多级别的Seq2Seq模型可以选择使用。

====机器翻译中的自动对齐方法====

https://github.com/nyu-dl/dl4mt-tutorial/blob/master/session2/nmt.py

不同于传统的统计机器翻译系统，神经机器翻译完全采用大规模的神经网络模型。而大多数神经机器翻译方法均采用encoder-decoder模式，将源文本编码成固定长度的向量化表示。问题是随着句子长度增长，基于此模式的翻译性能大幅度恶化。为避免此问题，本方法在encoder-decoder模式中融入一种自动对齐策略。相关论文：《Neural Machine Translation by Jointly Learning to Align and Translate》。

===可交谈机器人===

====维基百科问答机器人：DrQA====

https://github.com/facebookresearch/DrQA#drqa

一个基于维基百科的开放域问题问答系统

====剑桥的餐厅推荐机器人：NNDIAL====

https://github.com/shawnwun/NNDIAL#nndial

剑桥大学机器对话系统小组的成果，可以用自然语言与人交流，从而根据用户的需求推荐相应的餐厅。从网上的评价来看，这个聊天机器人的构架以及训练方法和数据集都是非常靠谱的，是目的服务型聊天机器人的典型范例。项目论文：《A network-based end-to-end trainable task-oriented dialogue system》，集智AI学园“打造自己的聊天机器人”课程，第3节课是对这个系统的详细解析。

====一个中文聊天机器人：chatbot-zh-torch7====

https://github.com/majoressense/chatbot-zh-torch7

一个开放领域的聊天机器人，使用中文训练。

====一个英文聊天机器人：Deep Q&A====

https://github.com/Conchylicultor/DeepQA

一个基于论文《A neural conversational model》实现的聊天机器人，在GitHub上挺有名的。

====脸书的谈判机器人：Deal or No Deal? ====

https://github.com/facebookresearch/end-to-end-negotiator.git

Facebook AI Research 论文《Deal or No Deal? End-to-End Learning for Negotiation Dialogues》的 PyTorch 实现。开放了数据集，支持使用自然语言与人谈判，还支持以强化学习的方式自我学习。

====可推理问答机器人：memnn====

https://github.com/facebook/MemNN

memnn的一个官方实现。可以根据文字描述，针对描述中的实体进行推理问答。

====用端到端的记忆做QA：End-To-End Memory Networks====

https://github.com/npow/MemN2N

类似于《Memory Networks》的工作，采用Recurrent attention model + large external memory，然而本工作采用一种End-to-end模式进行训练，无需知道背景信息中哪些是支撑事实。更适用于实际场景。采用一种神经机器翻译策略的扩展方法。该模型可灵活地解决QA问题（对比Memory Networks）及语言建模问题（对比RNN和LSTM）。

====建立在人工数据集上的问答系统：bAbI tasks====

https://github.com/facebook/bAbI-tasks

Facebook Research 认为QA系统应该先在人造数据集上取得突破性进展才能比较好的应用于开放域非人造数据集中。当现实数据不够大时，研究方法通常会设计较为复杂的方法并陷入局部收敛问题中，而设计一种人造数据是避免此问题一种比较好的途径。

传统的对话是很难评估的，这是AI的长远问题，而问答系统中对问题的响应是比较容易评估的。

传统的QA方法是基于大规模知识库，并采用人工构造模版及特征。

对之前的MemNNs的一些问题进行改进。

====问我啥都行：Dynamic Memory Networks for NLP ====

https://github.com/swstarlab/DynamicMemoryNetworks

提出了一个Dynamic Memory Network，

Input：所有evidence句子作为sequence过GRU，有几个句子就生成几个hidden state；

Question：一句话，过GRU；

Episode：以question output作为初始化，每次（共TM[Math Processing Error]次）过一轮GRU；

Answer：用mTM[Math Processing Error]作为初始化，根据具体情况决定输出y1...yn[Math Processing Error]还是yn[Math Processing Error]。

====基于强化学习的聊天机器人：KB-InfoBot====

https://github.com/MiuLab/KB-InfoBot

论文《Towards End-to-End Reinforcement Learning of Dialogue Agents for Information Access》的代码实现。

==游戏==

===AI打游戏===

====民间AlphaGo：RocAlphaGo====

https://github.com/Rochester-NRT/RocAlphaGo

这个项目是有学生主导的一个独立项目，使用 Python 和 Keras 重新实现了 DeepMind 在2016年发表的论文 "Mastering the game of Go with deep neural networks and tree search"（《用深度神经网络和树搜索学习围棋》）。使用 python 和 Keras 的这个选择优先考虑了代码清晰度，至少在早期阶段是如此。
这个项目目前仍在进行中，还不是 AlphaGo 的完全实现。项目先期关注 DeepMind AlphaGo 中神经网络的训练方面，而且已经得到论文中的树搜索算法（tree search algorithm）的一个简单单线程的实现，虽然速度上无法与 DeepMind 相比。

====AI玩FlappyBird：DeepLearningFlappyBird====

https://github.com/yenchenlin/DeepLearningFlappyBird

这个项目使用深度Q网络（Deep Q-Network，DQN）学习玩 Flappy Bird 游戏。
这个项目灵感来自使用深度增强学习玩 Atari 游戏（Mnih, Volodymyr, et al. "Playing atari with deep reinforcement learning." 2013），论文中提出深度Q学习算法（Deep Q Learning algorithm），我们发现这个算法可以推广到 Flappy Bird 游戏上。

====AI玩雅达利游戏：：DeepMind-Atari-Deep-Q-Learner====

https://github.com/kuz/DeepMind-Atari-Deep-Q-Learner

DeepMind实现的可以将雅达利游戏玩的比人类还好的AI。

====AI打星际2:CommandCenter: StarCraft 2 AI Bot====

https://github.com/davechurchill/commandcenter

一个已经训练好的可以打星际2的AI。

====AI打星际基础环境：PySC2 - StarCraft II Learning Environment====

https://github.com/deepmind/pysc2

使用AI打星际2的基础环境。

====强化学习常用算法包：Baselines====

https://github.com/openai/baselines

由OpenAI提供的常用强化学习算法包

====Deep Reinforcement Learning with pytorch & visdom ====

https://github.com/onlytailei/pytorch-rl.git

多种使用PyTorch实现强化学习的方法。

====Value Iteration Networks in PyTorch====

https://github.com/onlytailei/Value-Iteration-Networks-PyTorch.git

Value Iteration Networks (VIN) 的PyTorch实现。

====A3C in PyTorch====

https://github.com/onlytailei/A3C-PyTorch.git

Adavantage async Actor-Critic (A3C) 的PyTorch实现。

==深度学习通用技术==

===通用训练技巧===

====Big batch training====

https://github.com/eladhoffer/bigBatch.git

《Train longer, generalize better: closing the generalization gap in large batch training of neural networks》的 PyTorch 实现。

====对付不均匀分布：Out-of-Distribution Detector for Neural Networks====

https://github.com/ShiyuLiang/odin-pytorch.git

这是一个能够检测“分布不足”（Out-of-Distribution)样本的方法的PyTorch实现。当“true positive rate”为95％时，该方法将DenseNet（适用于CIFAR-10）的“false positive rate”从34.7％降至4.3％。

==== DenseNets ====

https://github.com/gpleiss/efficient_densenet_pytorch.git

DenseNets的PyTorch实现，优化以节省GPU内存。

[[category:旧词条迁移]]

[[Category:待确定]]

百科自有团队

2024-05-21T07:09:20Z

18810648466：

集智百科的目标是做复杂性科学领域科学、全面、客观的百科全书。我们的宗旨是“知识从我而来，问题到我为止”。我们认为词条是为大家提供最科学、专业、准确的知识，帮助大家快速了解某一个知识概念，所以我们非常追求词条的准确性和专业性。而复杂科学是跨学科性最强的学科之一，涉及了非常多不同的学科和概念，对这些非常概念的掌握，需要每个专业内的学生和老师来共同把关。

我们会每周公开一些词条，希望有相关专业或对该知识点了解的同学能够参与进行，贡献自己的知识。目前集智百科的词条生产，打造了一个初步的内容生产闭环，按照内容生产的需求，分成了从词源-翻译-审校-编辑-专家审校-公众号推送上线的全流程操作，参与词条整理的工作可以获得相应的积分（积分用途及详情可以参看激励制度）
[[文件:百科自有团队.png|缩略图|600x600像素]]

== 2022年度规划 ==
百科自有团队为2022年开始运营的词条生产线，项目以两个月为周期对志愿者进行招募、培训、翻译审校、编辑排版、专家审核的流程，为读书会词条梳理的并行项目。

志愿者的来源大部分为集智公众号粉丝，报名参与测试后加入自由团队进行为期两个月的志愿者活动。

并行项目：[[读书会词条梳理]] [[NetLogo模型汇总]]

== 词条来源 ==
详细的集智百科发展可参见[[集智百科发展史]]。目前百科自有团队的词条来源依旧是集智科学家在百科建立初期提供的复杂科学相关的知识词条，我们期待对内容生成感兴趣的你加入，共同完成这伟大的项目。

进度跟进[[集智百科运营周报]]。

== 任务领取周期 ==
百科志愿者需要在开始编辑前联系负责人完成注册账号，请详细阅读以下教程

# [[如何上手集智百科]]
# 学习[[编辑案例]]
# 了解[[激励制度]]

== 3-4月任务领取词库 ==
本期词条已全部翻译完成，积分统计完成。展开查看详情。
{| class="wikitable sortable mw-collapsible"
|+
!词条
!认领人
!认领时间
!完成时间
!对应积分
!积分统计情况
|-
|[[量子图灵机]]
|陈思璇
|2022.03.13
|2022.03.31
|1561/50
|完成
|-
|[[非平衡系统]]
|[[用户:Bnustv|Bnustv]]
|2022.03.22
|2022.04.21
|8621/150
|完成
|-
|[[渗流]]
|AvecSally
|2022.04.22
|2022.04.22
|
|完成
|-
|[[B-Z反应]]
|水手9303
|2022.04.22
|2022.05.04
|1382/30
|完成
|-
|[[布尔网络]]
|[[用户:Bnustv|Bnustv]]
|2022.03.22
|2022.03.26
|7031/150
|完成
|-
|[[时间之箭中的熵]]
|雪儿
|2022.03.14
|2022.03.28
|6893/150
|完成
|-
|[[反应扩散模型和亚种群模型]]
|[[用户:Bnustv|Bnustv]]
|2022.03.13
|2022.03.21
|1814/50
|完成
|-
|[[稳定性理论]]
|[[用户:Bnustv|Bnustv]]
|2022.03.13
|2022.03.21
|3315/70
|完成
|-
|[[Pareto分布]]
|Inch
|2022.03.27
|2022.03.30
|4808/110
|完成
|-
|[[自催化]]
|任航琦
|2022.03.13
|2022.03.21
|5848/130
|完成
|-
|[[正反馈]]
|郝敏升
|2022.03.14
|2022.03.26
|8192/150
|完成
|-
|[[系统生态学]]
|水手9303
|2022.03.28
|2022.04.09
|3433/70
|完成
|-
|[[非平衡热力学的极值定理]]
|张羽杰
|2022.03.14
|2022.03.31
|6139/130
|完成
|-
|[[计算经济学]]
|鹿儿
|2022.03.14
|2022.04.02
|650/30
|完成
|-
|[[还原论]]
|王薏潮
|2022.01.01
|2022.03.21
|5820/130
|完成
|-
|[[六度分离理论]]
|鹿儿
|2022.03.14
|2022.04.14
|6474/130
|完成
|-
|[[控制系统]]
|水手9303
|2022.04.08
|2022.05.04
|3831/90
|完成
|-
|[[贝叶斯推断]]
|陈思璇
|2022.03.31
|2022.05.04
|7381/150
|完成
|-
|[[热力学平衡]]
|天天
|2022.04.24
|2022.05.30
|10118/200
|完成
|-
|[[线性系统]]
|王薏潮
|2022.03.30
|2022.04.15
|1027/30
|完成
|-
|[[计算模型]]
|AvecSally
|2022.04.24
|2022.04.24
|
|完成
|-
|[[热力学]]
|天天
|2022.04.18
|2022.04.22
|6657/150*1.3
|完成
|-
|[[热力学系统]]
|天天
|2022.04.24
|2022.05.30
|6879/150
|完成
|-
|[[社会认同]]
|AvecSally
|2022.04.22
|2022.04.22
|
|完成
|-
|[[同步]]
|[[用户:Bnustv|Bnustv]]
|2022.04.22
|2022.05.07
|4952/110
|完成
|-
|[[还原论]]
|[[用户:Bnustv|Bnustv]]
|2022.04.22
|2022.05.07
|6305/130+50
|完成
|-
|[[复杂传染]]
|AvecSally
|2022.04.22
|2022.04.22
|
|完成
|}

== 5-6月任务领取词库 ==
{| class="wikitable"
|+
!词条
!认领人
!认领时间
!完成时间
!对应积分
!积分统计情况
|-
|[[贪心算法]]
|Tanpopo
|2022.05.01
|
|
|
|-
|[[湍流]]
|雪儿
|
|
|
|
|-
|[[谢宾斯基三角形]]
|Inch
|2022.04.01
|
|
|
|-
|[[费根鲍姆常数]]
|张羽杰
|2022.04.02
|
|
|
|-
|[[社会性昆虫的任务分配与划分]]
|雪儿
|2022.03.28
|
|
|
|-
|[[离散时间和连续时间]]
|草三水甫
|2022.04.15
|2022.06.22
|
|
|-
|[[大自然的斑图]]
|张自在
|2022.04.22
|
|
|
|-
|[[完全信息]]
|王薏潮
|2022.04.15
|
|
|
|-
|[[初始状态]]
|A+
|2022.10.10
|2022.10.10
|
|
|-
|[[相对熵]]
|
|
|
|
|
|-
|[[克罗内克图]]
|
|
|
|
|
|-
|[[奇点理论]]
|
|
|
|
|
|-
|[[科赫雪花]]
|
|
|
|
|
|-
|[[L-系统]]
|
|
|
|
|
|-
|[[艾伦·图灵]]
|A+
|2022.6.27
|2022.10.3
|
|
|-
|[[遍历理论]]
|A+
|2022.10.10
|2022.10.10
|
|
|-
|[[玻尔兹曼常数]]
|
|
|
|
|
|-
|[[活系统]]
|
|
|
|
|
|-
|[[倍分岔周期图]]
|
|
|
|
|
|-
|[[收敛交叉映射算法]]
|A+
|2022.10.12
|2022.10.12
|
|
|-
|[[自激振荡]]
|
|
|
|
|
|-
|[[遍历假设]]
|
|
|
|
|
|-
|[[量子元胞自动机]]
|天天
|2022.6.28
|2022.6.28
|
|
|-
|[[概率密度函数]]
|天天
|2022.6.29
|2022.6.30
|
|
|-
|[[分布函数]]
|
|
|
|
|
|-
|[[自治系统]]
|王薏潮
|
|
|
|
|-
|[[朋友的朋友]]
|水手9303
|2022.06.14
|2022.07.29
|
|
|-
|[[时间序列分析]]
|
|
|
|
|
|-
|[[量子纠缠]]
|
|
|
|
|
|-
|[[量子退相干性]]
|
|
|
|
|
|-
|[[量子比特]]
|
|
|
|
|
|-
|[[量子不可克隆定理]]
|
|
|
|
|
|-
|[[量子互文性]]
|
|
|
|
|
|-
|[[量子叠加态]]
|
|
|
|
|
|-
|[[量子算法]]
|
|
|
|
|
|-
|[[Pareto分布]]
|
|
|
|
|
|-
|[[薛定谔方程]]
|
|
|
|
|
|-
|[[不完全信息]]
|
|
|
|
|
|-
|[[互信息]]
|
|
|
|
|
|-
|[https://wiki.swarma.org/index.php/%E7%B3%BB%E7%BB%9F%E5%93%B2%E5%AD%A6 系统哲学]
|
|
|
|
|
|-
|[https://wiki.swarma.org/index.php/%E8%BF%90%E7%AD%B9%E5%AD%A6 运筹学]
|
|
|
|
|
|-
|[https://wiki.swarma.org/index.php/%E6%97%A0%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0 无监督学习]
|
|
|
|
|
|-
! colspan="5" |传播学词条
!
|-
|[[感染率]]
|水手9303
|2022.06.11
|2022.06.14
|
|
|-
|[[传染病的数学模型]]
|
|
|
|
|
|-
|[[阈值模型]]
|
|
|
|
|
|-
|[[理论分析方法]]
|
|
|
|
|
|-
|[[基本再生数（Basic Reproduction Number）]]
|水手9303
|2022.06.11
|2022.06.14
|
|
|-
|[[非马尔科夫疾病传播（Non-Markovian Epidemic Spreading）]]
|水手9303
|2022.06.14
|2022.07.29
|
|
|-
|[[免疫策略（Immunization Strategy）]]
|水手9303
|2022.06.11
|2022.06.14
|
|
|-
|[[社交网络上的谣言传播]]
|水手9303
|2022.06.14
|2022.07.29
|
|
|}

== 志愿者信息 ==

{| class="wikitable sortable"
|+2021年统计
!用户
!集智学园ID
!金额
!
|-
|Ricky
|
|1240
|
|-
|Steven
|
|640
|
|-
|Inch
|
|680
|
|-
|栗子CUGB
|66294
|785
|已兑换
|-
|ZQ
|
|200
|
|-
|Alchemist
|
|400
|已兑换
|-
|Jxzhou
|
|110
|
|-
|Nancy
|
|180
|
|-
|白开水
|
|75
|
|-
|[[用户:潮升阶|潮升阶]]
|52449
|350
|已兑换
|-
|russiarice
|46064
|50
|已兑换
|-
|任航琦
|64906
|210
|已兑换
|-
|[[用户:Tueryeye|Tueryeye]]
|62826
|160
|已兑换
|-
|Serse
|
|130
|
|-
|Litinunispazio97
|
|110
|
|-
|Moyuefeng
|
|70
|
|-
|sixinchen
|84915
|70
|已兑换
|-
|[[用户：Kuangmy|邝镁滢]]
|52501
|419
|已兑换
|}
{| class="wikitable sortable"
|+
3-4月
!用户
!集智学园ID
!金额
!
|-
|Inch
|
|110
|
|-
|[[用户:Whirl|Whirl]]
|89413
|150
|已兑换
|-
|[[用户:潮升阶|潮升阶]]
|52449
|210
|已兑换
|-
|[[用户:Tueryeye|Tueryeye]]
|62826
|200
|已兑换
|-
|[[用户:Bnustv|Bnustv]]
|13794
|420
|已兑换
|-
|草三水甫
|
|
|
|-
|天天
|69846
|545
|已兑换
|-
|张自在
|39552
|
|
|-
|Tanpopo
|
|
|
|-
|雪儿
|83174
|150
|已兑换
|-
|水手9303
|81611
|190
|已兑换
|-
|任航琦
|64906
|130
|已兑换
|-
|鹿儿
|94568
|160
|已兑换
|-
|张羽杰
|94197
|130
|已兑换
|-
|栗子CUGB
|66294
|100
|已兑换
|}
{| class="wikitable"
|+5-6月
!用户
!集智学园ID
!金额
!
|-
|[[用户:Bnustv|Bnustv]]
|13794
|290
|已兑换
|-
|A+
|
|
|
|-
|天天
|69846
|
|
|-
|PeilinJiao
|
|
|
|}
*

[[Category:集智相关]]

集智俱乐部周边

2024-05-21T07:08:28Z

18810648466：

集智俱乐部周边是指由集智俱乐部文化发展出来衍生出来的一些产品，包括由集智俱乐部组织众包出版、翻译的图书、集智俱乐部的文化T恤、集智俱乐部专有的logo耳坠、logo徽章等，还包含由集智俱乐部孕育的集智AI学园课程和周边产品。
<center>
{| class="wikitable sortable" width="80%"
|-
! 周边产品 !! 对应价格 !! 优惠价格
|-
| 《[[科学的极致：漫谈人工智能]]》 || 49 || 39
|-
| 《[[走近2050]]-互联网、注意力与人工智能》 || 59 || 47
|-
| 《[[深度思考]]》 || 58 || 47
|-
| 《[[深度学习原理与 PyTorch 实战]]》 || 59 || 47
|-
|《NetLogo》多主体建模入门
|79.8
|
|-
| 集智T恤 || 198 || 198元加赠徽章（非卖品）
|-
| 集智耳环 || 298 || 298元加赠布袋（非卖品）
|-
| 集智项链 || 358 || 358元加赠徽章和布袋（非卖品）
|-
| 集智扑克 || 22 || 非卖品
|-
| 集智徽章 || 50 || 非卖品
|-
| 集智学园布袋 || 50 ||
|-

|}</center>

<br>
<br>

<center>
{| class="wikitable sortable" width="80%"
|-
! 虚拟产品 !! 兑换要求!! 备注
|-
|集智门票||2999
|-
|推荐信||深度参与，贡献积分达到1000000分
|-
|实习证明||深度参与，贡献积分达到1000000分
|-
|集智学园课程 || 等价交换 || 在原有基础上打九折
|-
|}</center>

== 书籍 ==
<center>
{|width="85%" cellspacing="0" cellpadding="0" style="background-color:transparent;"
|style="width:40%"|[[File:1438766064.JPG|250px|center|thumb|《[[科学的极致：漫谈人工智能]]》]]
|style="width:20%"|
|style="width:40%"|[[File:走近20501.jpg|250px|center|thumb|《[[走近2050]]-注意力、互联网与人工智能》]]
|-
|style="text-align:left;"|简介：这本书主要讲述了机器世界最重要的能源：注意力流，因为我们生活中所有的产品和程序都是为了获取我们的注意力。这本书涵盖了人工智能、互联网、心理学和计算机游戏。
|
|style="text-align:left;"|简介：这本书主要向大家介绍了人工智能的历史和发展，当然也包括了很多在集智俱乐部讨论过的AI方面的主题，例如：哥德尔不完备定理、柯尔莫戈洛夫复杂性、深度学习和集体智慧等主题。
|-
|[[File:深度思考.jpg|250px|center|thumb|《[[深度思考]]》]]
|
|[[File:深度学习原理.jpg|250px|center|thumb|《[[深度学习原理与 PyTorch 实战]]》]]
|-
|style="text-align:left;"|在这本突破性的书中，卡斯帕罗夫第次揭示了他惊人的一面，描述了他在面对最为强大的对手时的谋划与布局，在全世界的注视下奋勇争先，并叙述了通过国际象棋程序的发展考察人工智能的发展历史。加里·卡斯帕罗夫（Garry Kasparov）在1997年对战IBM公司的超级计算机“深蓝”是科技史上的一个分水岭。这是人工智能时代的一个新纪元：在这场最激烈的比赛中，首次出现了能够击败国际象棋世界冠军的机器。在《深度思考——人工智能的终点与人类创造力的起点》这本突破性的书中，卡斯帕罗夫用他无与伦比的经验审视了智能机器的未来，并预见到它的可能性。许多批评家谴责人工智能是一个巨大的威胁，特别是对某些特定人群的工作岗位而言。卡斯帕罗夫在本书中强有力地论证了：人类不应害怕我们最为非凡的创造物，而应与之协作，达到新的高度。[[深度思考]]是集智俱乐部多位译友，以众包翻译的形式完成的作品。
|
|style="text-align:left;"|作为集智俱乐部创作的第一本技术类书籍，本书系统介绍了深度学习技术及开源框架 PyTorch。全书注重实战，每章围绕一个有意思的实战案例展开，不仅循序渐进地讲解了 PyTorch 的基本使用、神经网络的搭建、卷积神经网络和循环神经网络的实现，而且全面深入地介绍了计算机视觉、自然语言处理、迁移学习，以及最新的对抗式学习和深度强化学习等前沿技术。本书适用于人工智能行业的软件工程师、对人工智能感兴趣的学生，也非常适合作为深度学习培训教程。构造一个图像识别器、生成逼真的图画、让机器理解单词与文本、让机器作曲、教会机器玩游戏、实现机器翻译系统，这些都是本书的实战案例！
|}
</center>

== 其他实体周边 ==
=== 文化衫 ===

[[File:T.jpeg|600px|集智文化衫|center]]

=== logo纪念品 ===
[[File:集智耳环.jpeg|缩略图|居中|集智logo耳环]]

=== 集智扑克 ===
[[File:集智扑克.jpg|350px|缩略图|居中|集智扑克]]

=== 集智年会门票 ===
[[File:年会宣传.png|400px|缩略图|居中|2019学术年会成功举办宣传图]]

== 虚拟产品 ==
===集智学园实习===
在集智俱乐部的活动中表现积极的成员，将优先获得到集智学园实习的机会，且有集智学园的实习证明，更多岗位请查看[https://mp.weixin.qq.com/s/KWezZDfznrbxMx13XhDFbA 加入集智,一起复杂！]
=== 集智学园课程 ===
集智学园是由集智俱乐部创始人张江孵化的创业项目，集智学园是为高级技术人员、科研工作者量身打造的系列在线知识服务平台，产品包括人工智能、机器学习、神经网络、自然语言处理、计算机视觉、复杂网络、多主体模拟等。产品具备专业知识覆盖面广、理论与实践相结合、学习方式多样化等特点。我们为成绩优秀、表现突出的学员提供AI公司实习或就业的机会。产品的主讲人全部来自人工智能科研、创业的第一线。讲师队伍中有中科院、清华、北邮、北师大、香港科技大学等名校的老师，也有百度、阿里、联想、中科奥森、彩云AI的专家。

如果大家对[http://campus.swarma.org 集智学园]的课程感兴趣，可以通过积分等价的兑换课程进行学习。如果有心仪的课程，可以找王婷（ID：wt1511181498）等价交换。
[http://campus.swarma.org 集智学园]的课程涵盖基础与通识模块，NLP模块，图像与视觉模块，推理与博弈模块，网络智能模块，复杂性科学模块，AI与社会模块，每个模块部分的精品课程可以去到对应的网站查看[http://campus.swarma.org 集智学园]：
<br /><br />

[[File:基础与通识.png|1000px|thumb|center|基础与通识]]
<br />
[[File:复杂性科学00.png|1000px|thumb|center|复杂性科学]]
<br />
[[File:网络科学00.png|1000px|thumb|center|网络科学]]
<br />
[[File:计算机社会科学00.png|1000px|thumb|center|计算机社会科学]]
<br />
[[File:人工智能00.png|1000px|thumb|center|人工智能]]
<br />
<br />

[http://campus.swarma.org 集智学园]的课程涵盖基础通识、复杂系统、网络科学、计算社会、人工智能五大模块。每个模块的精品课程，下表是部分课程：
<center>
{| class="wikitable sortable" width="70%"
|-
! 课程类别 !! 课程名称
|-
| 基础与通识 || [http://campus.swarma.org/play/coursedetail?id=429 NetLogo 多主体建模入门]

[http://campus.swarma.org/play/coursedetail?id=10405 Mathematica基础入门教程]

[http://campus.swarma.org/play/coursedetail?id=388 快速入门 Julia 语言]

[http://campus.swarma.org/play/coursedetail?id=421 深度学习原理与PyTorch实战]

[http://campus.swarma.org/play/coursedetail?id=10406 数据科学心法与机器学习实战]
|-
| 复杂系统 || [http://campus.swarma.org/play/coursedetail?id=432 复杂性思维2020]

[http://campus.swarma.org/play/coursedetail?id=10665 系统科学概论]

[http://campus.swarma.org/play/coursedetail?id=394 复杂系统中的幂律分布]

[http://campus.swarma.org/play/coursedetail?id=397 非线性动力学与混沌]

[http://campus.swarma.org/play/coursedetail?id=433 复杂性与临界现象2020]

[http://campus.swarma.org/play/coursedetail?id=423 系统科学与社会经济]
|-
| 网络科学 || [http://campus.swarma.org/play/coursedetail?id=381 图网络：融合推理与学习的全新深度学习架构]

[http://campus.swarma.org/play/coursedetail?id=440 复杂网络2020]

[http://campus.swarma.org/play/coursedetail?id=443 图网络算法原理探究]

[http://campus.swarma.org/play/coursedetail?id=122 非欧式数据的几何深度学习]
|-
| 计算社会 || [http://campus.swarma.org/play/coursedetail?id=10634 计算社会科学的前沿与展望]

[http://campus.swarma.org/play/coursedetail?id=10624 地球未来——生物体、城市和公司的生命、生长与死亡]

[http://campus.swarma.org/play/coursedetail?id=10582 生长与设计——复杂性视角下的智慧城市]

[http://campus.swarma.org/play/coursedetail?id=425 复杂系统与社会计算研讨会]

[http://campus.swarma.org/play/coursedetail?id=10844 知识图谱与认知智能]
|-
| 人工智能 || [http://campus.swarma.org/play/coursedetail?id=11076 产学结合：自然语言处理及其应用]

[http://campus.swarma.org/play/coursedetail?id=416 系统讲解知识图谱——从建模到应用]

[http://campus.swarma.org/play/coursedetail?id=412 GAN 专题论文解读]

[http://campus.swarma.org/play/coursedetail?id=413 GAN 专题代码实践]

[http://campus.swarma.org/play/coursedetail?id=10484 计算机视觉与深度学习]

[http://campus.swarma.org/play/coursedetail?id=121 中文自然语言理解（NLU）在金融领域的应用]
|-

|}
</center>
查看各模块的精品课程，去到[http://campus.swarma.org 集智学园]官网。

此外，集智学园特别推出企业培训服务，为企业提供系统完整的技术、思维培训。建立员工深度学习机器学习思维，掌握机器学习的基本方法，提高企业活力。
<br/>详细信息：http://business.swarma.org/

'''技术培训'''

:《python数据科学与机器学习》<br />

:《如何打造你自己的聊天机器人》<br />

:《中文自然语言理解在中文中的应用》<br />

:《自然语言处理与深度学习》<br />

:《计算机视觉与深度学习》<br />

:《火炬上的深度学习》<br/>

'''思维升级'''

:《复杂性科学》<br />

:《迎接AI时代》<br />

:《走近2050—人工智能、注意力与互联网》<br />

:《机器学习思维》<br />

:《企业生长的规模法则》<br/>

查看更多精彩内容，请去到[http://campus.swarma.org 集智学园]官网。

[[Category:集智相关]]

AI&Society系列沙龙活动

2024-05-21T07:07:46Z

18810648466：

== 背景 ==
随着AI技术的快速发展和民众对AI的兴趣度提升，以人工智能为代表的新技术变革已经越来越深地影响到了我们的生活。因此，为了更好地迎接AI时代的来临，树立民众对AI的正确认知，以科学的方法探索以AI为代表的新技术将如何影响我们人类社会，包括经济、政治、公共政策、日常生活，以及各行各业成为了一个非常重要的问题。为了解决这个当务之急，腾讯研究院联合集智俱乐部拟举办系列以AI&Society为题的沙龙以及学者奖励计划。
[[File:Logo1.png]]
==目标==
挖掘有关AI与社会、人文科学的交叉型研究人才和思考者，孕育具有特色的原创性观点、思想，甚至理论，以产生一定的社会影响力。
==解决方案==
===活动构想===
*由AI&Society成立组委会；
*每期拟定一个主题或抛出一个问题，围绕着该问题定向选择，或者向社会各界征集合适的主讲人人选；
*组委会在候选人中选定一名人选；
*沙龙计划每月举办一次
*沙龙主题原则也由组委会共同议定

===主讲人选择原则===
*具有独到见解、思想深刻的青年学者或从业者
*海内外知名青年学者，以及高校、科研院所青年教师、博士后、博士人选优先
*年轻的人工智能相关科技公司创业者优先

===沙龙活动形式===
讲座（半天）＋圆桌＋高端下午茶形式

===主题包括但不限于===
*计算社会科学：概况、发展现状与应用、大数据与机器学习在科学学中的应用专题
*人工智能与城市科学：卫星遥感数据在城市科学中的应用；大数据与人工智能在城市科中的应用；智慧城市发展展望
*多智能体系统：多智能体系统社会学仿真及其最新发展现状
*人工智能社会：多主体智能、深度学习与多主体、经济推理与人工智能
*算法与社会：计算广告学、推荐算法等算法简介以及对社会的影响
*算法经济：云计算、算法经济平台，以及算法经济的发展展望

==“先行者”奖励计划==
为了进一步凝练学术思想，培养本土人才，特设立“先行者”奖励计划，以资助具备原创思想的年轻学者进行创造性研究。
* 人选来源：前沿研讨会中表现突出、观点鲜明的优秀年轻学者；
以项目制的方式，赞助、鼓励他们将自己的思想转化为具体成果
* 署名权：成果如若发表，需署名AI&Society研究中心

==关于AI&Society的构思==

AI&Society本质上是人工智能、自动化、互联网等新型技术与传统社会科学、人文科学，甚至技术的高度融合体，它是一个非常大的主题，可以包容足够丰富的内容。初步来分，可以包括如下几个方面：

*AI与就业、AI与法律、算法与社会等；
*运用AI技术方法研究社会科学：包括计算社会科学、多主体模拟等；
*运用新技术改造人类群体组织形式：社会计算、智慧城市、区块链等；
*人工智能构成的社会：人工智能社会学、算法经济、计算广告学等；
*未来学：从大尺度看技术的进步以及对人类社会的影响，包括奇点理论等。

==活动==
===第一期===
[https://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247486360&idx=3&sn=3be539b353a9fb8bd2c0a7af72a849de&chksm=e8945115dfe3d803ce12445456e97b6d153b19af63bd582a55a12a801c0a81afefcd06d4068f&scene=21#wechat_redirect 人工智能社会的憧憬和忧虑]

===第二期施永仁===
*题目：大连接与大数据
*时间：2017年11月26日
*地点：深圳华侨城创意园
==== 主讲人 ====
施永仁，集智科学家，康奈尔大学社会学系博士毕业，现于耶鲁大学人类本性实验室任博士后研究员。目前研究重点在于理解多层社会网络之间如何相互作用，并如何影响人类的行为与观念。他的主要研究兴趣包括社会网络，定量与计算方法研究，组织社会学，公共卫生，与社会心理学。他的工作发表于《美国社会学评论》，《美国社会学杂志》，《自然-人类行为》等多种社会科学期刊。人类本性实验室（Human Nature Lab）隶属于耶鲁网络科学研究所，由Nicholas Christakis任主任（《大连接》作者），从事生物医学，大数据计算，社会实验与社会网络的跨学科研究。
==== 讲座简介 ====
“正像大脑能够做单个神经元所不能做的事情一样，社会网络能够做的事情，仅靠一个人是无法胜任的。“（《大连接》引言）。
我们已经身处一种大链接的时代，无处不在的网络不仅将我们和整个世界连接为一个整体，而且还将我们每一个人定型。我们在不知不觉中就会受到与我们紧密相连的伙伴所影响，无论这个伙伴是我们的挚友，抑或是一个并无恶意的机器。更重要的是，随着社交媒体的兴起，我们所有的连接和交互都被记录在了大数据之中。
计算社会科学家是这样一个人群，他们手握人工智能、机器学习、网络分析等强大的分析手段，却对人类如何行为、政治偏好如何量化这样的社会学问题充满了好奇。手握大数据这把利器，他们正在一点点叩开社会科学定量化研究之门。
施永仁老师将透过大数据计算，大规模田野实验，和在线社会实验这三面棱镜，深入展示卫生健康，和行为举止是如何通过不同种网络连接起来，并在社会网络中被重新塑造的。；

==== 议题 ====
*基于大数据的研究究竟在多大程度上能够给我们带来新知识？
*在做类似研究的时候，是先预设问题，然后收集数据，还是根据数据选择问题？
*社会科学知识究竟在类似的计算社会科学研究中起到多大程度上的作用？
*在做研究的时候有没有考虑到可能已经侵犯了个人隐私？
*有“智慧“的机器人能够帮助个人实现群体利益的最大化吗？
*未来，人工智能管理的社会是否更加高效？
==== 讲座回顾 ====
[https://mp.weixin.qq.com/s?__biz=MzIzMjQyNzQ5MA==&mid=2247486645&idx=1&sn=c80d124521d36576919a2b46095e152e&chksm=e8945638dfe3df2e8f339f626f46fb91a6480f994d3a4e90a78df24c29f227e879c214036bbf&scene=21#wechat_redirect 大连接与大数据]

===第三期吴令飞===
*题目：颠覆式创新一百年&AI走进社会生活发展前沿追踪
*时间：2017年12月24日
*地点：北京腾讯研究院
==== 主讲人 ====
*吴令飞
*集智科学家，芝加哥大学社会学系博士后，研究兴趣是组织创新与学习。通过使用数学模型和机器学习方法，通过研究来自科学界（例如Web of Science 和 ORCID数据）、工业界（例如美国专利数据）、和互联网众包社区（例如Stack Exchange 和 GitHub）大量团队的人员结构与产出的关系，报告人致力于寻找组织创新与学习的一般规律，促进组织管理和政策制定。
2013年从香港城市大学获得传播学博士学位。博士最后一年曾在百度推荐与个性化部作为算法工程师实习生。在到芝加哥大学前曾在亚利桑那州立大学人类行为、制度与环境研究中心担任博士后研究员两年。

==== 议题 ====
*人类的社会行为如何推动科学与技术的发展创新
*人工智能正在创造怎样的未来
*深度学习在科学研究领域有何新发现与新进展
==== 讲座回顾 ====
[https://mp.weixin.qq.com/s/wkF_rSgiGyyQRFo2J-YgVw 颠覆式创新一百年&AI走进社会生活发展前沿追踪]

===第四期王成军===
*题目：社会阶层与数字媒体中的注意力流动
*时间：2018年3月25日14:00-17:30
*地点：南京大学鼓楼校区
==== 主讲人 ====
*王成军，集智科学家，南京大学新闻传播学院副教授。主要研究兴趣在于采用计算社会科学的方法和视角研究人类传播行为。自2015年起担任南京大学奥美数据科学实验室主任，计算传播学实验中心副主任。 2014年，发起创建计算传播网。其研究发表在多个SSCI或SCI索引的期刊上，例如Scientific Reports，PloS ONE，Physica A，Cyberpsychology和Journal of Social and Personal Relationships等。
* 陈志聪，南京大学新闻传播学院硕士研究生，计算传播学实验中心成员
* 徐绘敏，南京大学信息管理学院本科生，计算传播学实验中心成员

==== 讲座简介====

“如果处理得当，基于互联网的传播数据和互动性可以变革我们对人类群体行为的理解”。（邓肯·J·瓦茨《一个二十一世纪的科学》）伴随着数字媒体的发展，计算传播时代已经到来。人类传播行为的数据构成了整个社会发展的重要基础，正在变革我们对人类行为的认知。数字媒体改变了人类的生存方式，加速了社会阶层的再生产。当我们上网、看新闻、浏览网页的时候，我们的注意力在不同的信息当中流动。数字信息构成了我们每日的精神食粮，充当着一种社会知识。从社会群体的角度而言，我们的注意力在形形色色社会知识中的流动冲刷出来一个社会知识的空间，而每一个人每天孜孜不倦地在这个空间中穿梭。但是，不管人类在虚拟世界和物理空间的行为实际上都受到社会阶层的重要影响。数字媒体记录下来人类的媒介使用行为，为我们研究社会阶层对人类在知识空间中的移动行为影响及其内在机制提供了新的数据。借助于计算社会科学，尤其是网络科学，我们可以构造出社会知识的空间，并详细刻画海量的个体在这个知识空间的移动。智能手机构建了一个移动知识空间，人们在浏览网页服务过程就好比在知识空间中漫游。作为一个数据驱动的计算传播研究，基于大规模智能手机浏览数据和手机阅读行为数据，从空间、时间两个维度，挖掘了人们在移动知识空间中的行为特征。我们假设社会阶层会型塑人们的日常生活方式和阅读行习惯，造成知沟在群体中的出现，并进一步稳固已有的社会阶层。初步的研究发现证实了社会阶层的影响，例如穷人会使用更多不常用的个性化的app，而富人更多使用一些常用的手机app；穷人阅读娱乐型内容多，富人阅读知识性内容多，从时间层面来看，前者的阅读习惯更具爆发性，后者的阅读习惯更具规律性。

==== 开放问题 ====

计算传播学是一个新型的领域，我们热切欢迎新鲜血液的加入。在这里，王成军老师列出了七个该领域中的开放问题。这些问题是：

*人类传播行为本身是否可以计算？是否可预测？
* 计算传播如何推动大问题、大理论、大数据的融合？如何帮助人们理解复杂的人类群体行为？
* 如何推动计算方法在传播学研究中的应用？新旧研究方法如何互补？如何推动计算传播在理论方面的贡献？
* 如何推动计算传播在数据新闻、计算广告、媒体推荐系统等领域的产业实践和商业价值？
* 不同传播策略对团队合作产生怎样的影响？
* 不同传播方式对集体智慧具有怎样的影响？
* 当数字鸿沟变小或消弭之后，穷人和富人在知识空间游走行为具有怎样的差别？数字媒体如何再生产社会阶层？

如果你对这些问题或其它计算传播学相关问题非常感兴趣、具有自己的想法，并且你：

* 有一个很好的点子可以进行实证或实验研究，但缺乏资金支持
* 有非常好的想法和认知希望和大家分享、交流
* 是一个孤独的探索者，希望寻找该领域的合作伙伴

那么，请你果断地勾搭我们，联系方式：，请把你的想法总结成文字资料，我们会给予有志计算传播领域创新研究的人以资金支持！
==== 讲座回顾 ====
*[https://mp.weixin.qq.com/s/ciF_2kExQ7a7b4Tkc5AEvQ 徐绘敏：大数据会暴露你的社会阶层吗]
*[https://mp.weixin.qq.com/s/XgGr-sj17WrPk2f545NxBA 陈志聪：贫穷限制了你的想象力？！]
===第五期侯世达===
*题目：人的创造力与人工智能
*时间：2018年4月18日14:00-17:00
*地点：腾讯研究院
==== 主讲人 ====
*侯世达
==== 活动介绍 ====
人工智能与人类的差距在哪里？

侯世达对业界主流的人工智能一直持有异议，既然哥德尔定理表明没有完美的数学系统，那么以计算机程序为核心的人工智能，也无法涵盖、超越全部的人类智慧。人工智能始终都有缺陷。
人工智能无法超越人类的地方，可能就在于人类源源不断的创造力。
而人类创造力的源泉是什么？可能就在于类别和概念身上无穷的复杂性。
4月18日，在“人类创造力VS 人工智能”专题活动中，侯世达和圆桌嘉宾们，将展开深度思考和讨论。现场接触，在线直播，等你参与。

==== 讲座回顾====
[https://mp.weixin.qq.com/s/rfFUoK_F1FmP82vK9LlROA 侯世达：机器可以“翻译”但不能真正理解]

==== 开放问题 ====

===第六期陆云波、韩战钢===
*题目：多主体仿真
*时间：2018年4月28日14:00-17:00
*地点：待定
==== 主讲人 ====
*陆云波
同济大学教授奇弦智能公司创始人
*韩战钢
北京师范大学系统科学学院副院长
==== 讲座简介====
从个体层面来说，今天的你并不比古希腊人聪明多少，然而现代人类整体的能力却是古人所无法企及的。是科技——这个人类集体的创造物赋予了每个人类个体更强大的能力。同样的道理，个体层面的人工智能存在着能力上的天花板，只有将成千上万的AI链接、整合起来，甚至创造出AI自己的文明，才可能为每一个个体AI赋能。

多主体智能就是发端于二十世纪九十年代的一种人工智能研究方法，它与传统的AI研究不同，更加关注由多个AI，甚至遵循简单规则的程序而组成复杂的互动社会。一方面，我们可以利用这种AI社会来模拟人类的真实社会——例如用多主体系统来模拟快递组织的运作，从而实现精准的预测与控制；另一方面，这类由AI组成的社会还能构成人工社会，实现涌现智能，从而解决复杂的问题。

本次活动我们请来了多主体仿真的实践者，奇弦科技创始人、同济大学教授陆云波老师，以及多主体智能的研究者北京师范大学系统科学学院教授韩战钢老师共同给我们带来两场有关多主体智能和人工社会的讲座。

*陆云波：深度学习之后的多主体智能浪潮
最近一波人工智能浪潮的根源来源于神经网络以及深度学习的突破。然而，以神经网络链接学派为指导的人工智能是否为实现通用AI的唯一方式呢？它有没有先天的局限性？

事实上，从复杂性科学的角度看来，神经网络也可以看作是一个多主体系统，即每个神经元作为一个Agent构成了复杂的交互网络。那么，如果我们突破神经网络这种相对固定的计算模式，直接由大量的主体构成复杂系统是否就有可能带来方法论上的突破呢？

作为多主体智能方法论的实践者，陆云波老师和他的创业团队在将近二十年的实践经验得到了这样的答案：至少在组织仿真，或称计算组织学这个领域中，多主体模拟方法将可以给我们带来方法论上的突破，和意想不到的结果。实践表明，我们完全可以把一家快递公司完全建模到计算机中，从而实现组织流程的优化与控制。

有理由相信，在不远的将来，这种以多主体的方式所呈现的AI有可能会成为迈向通用人工智能的重要环节。

*韩战钢：群体智慧与多主体系统
小小蚂蚁通过简单的互动和信息素的作用就能聪明地找到从巢穴到食物的最短路径；鸟类和鱼儿通过简单的相互作用规则而形成复杂的飞行游行姿态；人类却会由于不理智的行为发生大规模的踩踏事件。
所有这些都是群体行为。人类社会管理中也存在很多智能体相互作用的情景。
如何研究简单的个体规则导致的负责宏观群体行为呢？是否存在跨物种、跨环境的普适规律呢？精巧的科学实验辅助以计算机模拟，通过在计算机中构造虚拟的环境，为每一个智能主体（Agent）赋予简单的行为规则，我们可以架起信息局域的微观个体行为与宏观整体现象间的桥梁。

==== 讲座回顾 ====
[https://mp.weixin.qq.com/s/oHHcMWQZPuVw9vREit4t8g 全息计算打造“公司大脑”；简单规则驱动复杂系统]

===第七期陈永伟===
*题目：人工智能如何影响社会经济
*时间：2018年6月3日14:00-17:00
*地点：北京腾讯研究院
==== 主讲人 ====
*陈永伟
经济学博士、博士后，研究领域为产业经济学、发展经济学和法律经济学，曾在中英文学术期刊上发表论文数十余篇。现为《比较》研究部主管，北京大学市场与网络经济研究中心研究员。
==== 讲座简介====
相比于之前的历次技术进步，“人工智能革命”所引发的冲击更为巨大，其对经济学造成的影响也将更为广泛和深远。人工智能技术的突飞猛进，对经济社会的各个领域都产生了重大影响，这种影响当然也波及到了经济学。很多一线经济学家纷纷加入了对人工智能的研究，不少知名学术机构还组织了专门的学术研讨会，组织学者对人工智能时代的经济学问题进行专门的探讨。事实上，经济学家并不是最近才开始关注人工智能的。在理论层面，经济学对决策问题的探讨与人工智能所研究的问题有很多不谋而合之处，这决定了两门学科在研究上存在着很多交叉之处。

从历史上看，经济学家对人工智能的理论关注至少有过三次高潮：

第一次高潮是上世纪五六十年代，人工智能这门学科的奠基之初。当时，有不少经济学家参与了这一学科的建设。例如，诺贝尔经济学奖得主Herbert Simon就是人工智能学科的创始人之一，也是“符号学派”的开创者。

第二次高潮是在本世纪初。当时，经济学在博弈论、机制设计、行为经济等领域都取得了不少的进展，这些理论进展被频繁地应用在人工智能领域。

最近经济学家对人工智能问题的关注是第三次高潮。这次高潮主要是在以深度学习为代表的技术突破的推动下发生的，由于深度学习技术强烈依赖于大数据，因此在这轮高潮中的不少讨论集中在了与数据相关的问题上，而在对人工智能进行建模时也重点体现出了规模经济、数据密集等相关的性质。

本次讲座，我们请来了北京大学市场与网络经济研究中心研究员陈永伟博士从经济学的视角谈一谈对这场正在发生的人工智能革命的看法，并对人工智能如何影响我们的社会和经济进行展望。
==== 讲座回顾====
[https://mp.weixin.qq.com/s/dqIYvVfXV8com8URKg9TiQ 人工智能时代，“经济奇点”即将来临？| AI&Society 第七期回顾]

===第八期张江、肖达===
*题目：图网络——融合推理与学习的全新深度学习架构
*时间：2018年7月15日14:00-17:00
*地点：腾讯研究院（北京）
==== 主讲人 ====
*张江
北京师范大学系统科学学院教授，集智俱乐部、集智AI学园创始人。
*肖达
北京邮电大学计算机学院讲师，彩云科技联合创始人、首席科学家。
==== 讲座简介====
前不久，DeepMind联合Google Brain以及MIT等机构一共27位作者在arXiv上提交了一篇题为《Relational inductive biases, deep learning, and graph networks》的文章引起了人工智能学术界与工业界的广泛关注。

我们都知道，现实世界中的大量问题都可以抽象成图模型（Graph），也就是节点和连边的集合。从知识图谱到概率图模型，从蛋白质相互作用网络到社交网络，从基本的逻辑线路到巨大的Intenet，图与网络无处不在。然而，尽管传统神经网络在计算机视觉、自然语言处理等任务中已经取得了令人瞩目的重大突破，但是无论是MLP（多层感知机）、CNN（卷积神经网络），还是RNN（循环神经网络）都很难对付不规则的图结构数据，这种缺陷大大限制了深度学习的应用领域。于是人们提出了图网络（Graph Network），一种基于图结构的广义人工神经网络，它可以直接对真实问题进行建模，又可以利用强大的自动微分技术进行学习，甚至有望融合人工智能的三大学派：即基于符号与推理的符号学派、基于机器学习、神经网络的链接学派，以及基于多智能体与演化算法的行为学派。

最近两年，图网络模型的论文在各个顶级人工智能会议与期刊中呈现了爆炸性的增长。图神经网络、图卷积网络、图注意力模型，各种各样的图网络模型层出不穷；另一方面，图网络被广泛地应用于知识图谱、概率图模型、元胞自动机、图灵机、组合优化问题等经典人工智能任务。更有意思的是，图网络将有望开启复杂性科学研究的新时代：一方面，图网络模型已经被用于多主体模型，我们可以赋予多主体系统更灵活的学习能力；另一方面，图网络与经典复杂网络研究的融合也是势在必行：人们不仅可以高精度地预测连边，推断网络上的动力学行为，甚至还能预测网络的演化。总之，图网络模型让我们对人工智能拥有了更多的想象空间。

本次集智俱乐部与腾讯研究院联合举办的AI&Society系列活动就针对图网络的最新进展进行介绍与研讨，并计划顺势开展图网络方向的系列读书会小组。
==== 讲座回顾====
[https://mp.weixin.qq.com/s/b89VhAluegTpQmSADTggDw 图网络——悄然兴起的深度学习新浪潮]

===第九期吕琳媛、张江===
*题目：规模法则如何制约生长与死亡
*时间：2018年8月19日14:00-17:00
*地点：上海杨浦区政学路77号 INNOSPACE+
==== 主讲人 ====
*吕琳媛
电子科技大学教授，阿里巴巴复杂科学研究中心副主任，国家优秀青年基金获得者。
*张江
京师范大学教授，集智俱乐部、集智AI学园创始人，腾讯研究院特聘顾问。
==== 讲座简介====
无论我们用什么指标来度量，如长度、身高、体重、人口数、员工数等，任何复杂系统都有其特定的规模尺度，并起到极其重要的作用，因为几乎所有的其他变量，包括生物体的代谢率、寿命、心率，城市的专利数量、犯罪率、基础设施数量，公司的资产、收益、成本、盈利等都与其规模形成了规模法则。

为什么所有的哺乳类动物一生的心跳次数都是 15 亿次左右？为什么人类会衰老和死亡？衰老过程有哪些重要影响因素？为什么所有生物体在成长到一定阶段就停止了生长？为什么城市的扩张却似乎从未停止过？城市作为超级生物体是如何摆脱死亡的厄运的？为什么大量的公司都活不过 10 年？所有这些都是重要的理论问题。

以上的问题，都在《规模》可以找到答案。《规模》将帮助你重新思考生命、认识自身、了解你的生活与工作，并告诉你复杂世界其实充满简单的逻辑，只要跳脱思维框架，打破学科限制，你就会重新看清你周遭的一切。

==== 讲座回顾 ====
[https://mp.weixin.qq.com/s/m-iGPP5hammxRMUQTTW0DA 生物大小、城市规模、公司寿命，背后竟然遵循同一套规模法则！]

=== 第十期李睿琪 ===
*题目：生长与设计——复杂性视角下的智慧城市
*时间：2018年9月16日14:00-17:00
*地点：腾讯研究院（北京）
==== 主讲人 ====
*李睿琪
北京化工大学信息科学与技术学院副教授，北京师范大学系统科学博士，博士期间在麻省理工学院与波士顿大学进行联合培养，本科就读于电子科技大学国际化软件人才实验班。主要研究方向为城市大数据分析与建模、社会网络研究与流行病传播动力学。目前发表SCI、EI论文十余篇，引用80余次，相应工作发表在Nature Communications、Scientific Reports、PLoS One、Physica A等SCI期刊，并在Statphys25/26、Conference of Complex Systems、NetSci、NetSciX等多个国际大会上作口头报告，曾荣获第十二届社会网与社会资本研究年会最佳论文奖。目前是Scientific Reports、PLoS One、Physica A、Journal of Systems Science and Complexity等多个SCI期刊的审稿人。

==== 讲座简介====
城市是一个典型的复杂系统，人类创造了城市，多种多样的人群交互活动塑造着城市的形态、也同时受到城市自身发展规律的影响，我们虽然置身城市中，却难以断言我们完全理解城市。

城市当中川流不息的人群、错综复杂的道路、流光溢彩的灯火，它们之间是否会有隐藏着的内在关联？动态的车流与静态的路网如何共同影响城市的效率？大数据能为我们理解城市提供怎样的视角和助力？人工智能又可能会怎样改变我们的城市空间？

本次讲座会涉及对于城市起源及本质的思考，多源异构大数据对于城市研究的助力，尤其是手机数据、众包数据、遥感数据对于城市研究的影响。从关联与交互的系统视角出发，对于城市交通效率、城市动力学进行剖析，最后会深入到复杂城市现象背后的基本原理，提示影响城市演化的简单规律。

==== 讲座回顾 ====
[https://mp.weixin.qq.com/s/SrPEXf2K15S7U1fmdqYD0g 永生的巨兽：生长性与演化模型]

=== 第十一期 Geoffrey West ===
*题目：地球未来：生物体、城市和公司的生命、生长与死亡
*时间：2018年10月25日19:00-22:00
*地点：北京师范大学教二楼101
==== 主讲人 ====
*Geoffrey West
Geoffrey West，理论物理学家，城市科学的顶尖学者，圣塔菲研究所杰出教授和前任所长，曾入选《时代周刊》全球最具影响力100人。数十年致力于“规模”的研究工作，其研究成果被应用在理解生命体、城市可持续发展、企业运营等众多领域，被业内奉为“跨学科诺贝奖”的不二人选。

==== 讲座简介====
为什么我们到一定年龄就会停止成长？
为什么我们可以活到100岁？
为什么我们每天需要睡8个小时？
为什么所有的公司和人都会死去，而城市却不断增长，生活节奏越来越快？
城市和公司是否"仅仅"是非常大型的生命体？

以上这些与创新、财富创造和地球可持续发展有什么关系呢？ West会在这次讲座中做出回答。

尽管生命可能是宇宙中最复杂的、最多样的现象，但随着尺度缩放，许多生命特征指标会以极其简单的方式缩小或增加：例如尺度从细胞到鲸鱼，代谢率会以一定的规律增大，而生物寿命、基因组长度、树木高度的增长率等，也会以同样的规律系统性地增大。

值得注意的是，城市和公司也表现出系统性的规模缩放特性：工资、利润、专利数量、犯罪数量、疾病和道路，都遵从类似的普适规律。

规模法则超越了历史、地理和文化，对全球可持续发展和地球的未来具有潜在的重大影响。本次AI&Society活动将聚焦此话题，做深入的探讨。

==== 讲座回顾 ====
[https://mp.weixin.qq.com/s/i7zLdQn0P6Ng-RLs_IwLyQ Geoffrey West 重磅演讲实录 | 地球未来：生物体、城市和公司的生命、生长和死亡（内附视频回放）]

=== 第十二期 James Evans ===
*题目：计算社会科学前沿与展望
*时间：2018年11月7日14:00-17:00
*地点：北京腾讯希格玛礼堂
==== 主讲人 ====
*James Evans
James Evans 是芝加哥大学社会学系教授，是科学学（science of science）、复杂网络、知识社会学的世界级知名学者。毕业于斯坦福大学，曾在哈佛大学从事社会组织结构方面的研究，在芝加哥大学创立知识挖掘实验室，并创立和主持了芝加哥大学计算社会学硕士项目。主要兴趣包括：群体智能、社会组织结构分析、科技创新产生和传播规律等，在 Science, PNAS, American Journal of Sociology，Management Science 等顶级期刊上发表大量文章。

2017年7月，James Evans 教授曾作为主题演讲嘉宾之一，受邀参加由集智俱乐部、凯风基金会、美国芝加哥大学社会学系Knowledge Lab、清华大学科技政策研究中心、腾讯研究院联合举办的“人工智能与公共政策工作坊”，与普林斯顿大学社会学教授，美国艺术与科学学院院士、美国国家科学院院士谢宇，美国西北大学商学院副教授王大顺，清华大学公共管理学院院长薛澜，北京师范大学系统科学学院教授张江等探讨在人工智能时代，科学研究进步的规律，以及如何通过政策来促进创新、有效的研究。

[https://computational-communication.com/conference/?from=timeline&isappinstalled=0 2017人工智能与公共政策工作坊]

==== 讲座简介====
计算社会科学区别传统社会科学，在数据获取上，不局限于传统的问卷和田野调查等方法，而是利用充分利用互联网大数据与AI 算法，来研究曾经受数据规模所限制而尚未被探索的个体或集体人类行为，对社会现象提出崭新的理解。计算社会科学是传统社会科学研究的注脚，还是能给社会科学既有的理论与范式带来革命性改变？对此，在集智俱乐部和腾讯研究院联合举办的 AI&Society 系列沙龙中，已经做过大量的探讨，并将讨论成果集结为电子书籍《计算社会科学》，即将问世。

在本次AI&Society 沙龙中，Evans 教授将结合多年的教学、研究、基金申请，与主持各类计算社会科学研讨会的经验，回顾与介绍计算社会科学发展的历史与现状，并展望该领域的未来发展。

==== 讲座回顾 ====
[https://mp.weixin.qq.com/s/vMBqiJ0e__E-c4LAFvk_Tg 计算社会科学既做解释又能预测？芝大学者这样说]
[https://mp.weixin.qq.com/s/hzmQp6Xruf9wC3QJDqlAbg 小团队的创新性研究“供养”了大团队吗？]

=== 第十三期周涛、吕琳媛、高见 ===
*题目：数据时代下，社会经济发展的新范式及新机遇 | AI&Society成都站预告
*时间：2018年11月22日（周四）
*地点：成都市武侯区腾讯大厦

==== 主讲人 ====
*周涛
周涛，电子科技大学教授，成都新经济发展研究院执行院长。

主要从事统计物理与复杂性方面的研究。在 Physics Reports、 PNAS、Nature Communications 等国际 SCI 期刊发表 300 余篇学术论文，引用 20000 余次，H指数为69。

现象级畅销书《大数据时代》中文版译者，《为数据而生》作者。

*吕琳媛
吕琳媛 , 国家优秀青年基金获得者，电子科技大学教授，阿里巴巴复杂科学研究中心副主任。

主要从事网络信息挖掘和社会经济复杂性方面的研究。在Nature Communications、Physics Reports、PNAS等学术期刊发表论文60余篇，引用6 000余次，8篇论文入选ESI全球Top-1%高引论文，研究成果入选2016年中国百篇具有影响力国际学术论文。

*高见
高见，电子科技大学与麻省理工学院联合培养博士生，美国大学生数学建模竞赛特等奖获得者，“成电杰出学生”。主要从事计算社会经济学等交叉学科研究。在主流学术期刊发表论文近20篇，包括Nature (Correspondence), Scientific Reports，J. Royal Soc. Interface，EPL等。引用150余次，H指数为9。担任IEEE TKDE、KBS、PLA、PhysA等SCI期刊审稿人。

==== 讲座简介====
*周涛
随着技术、数据、硬件的同步发展，很多传统学科，例如社会学、经济学、教育学等领域都面临重大方法论的变革——从定性分析走向定量分析，于是计算社会经济学（computational socioeconomics）应运而生。

计算社会经济学是指借助人工智能技术等现代科技手段，利用大数据、新方法来获取并分析数据，从而研究与解释经济社会的一种新的范式。针对经济社会各个领域的一些常见问题，比如：

衡量地区的经济发展指标仅靠PPI、CPI、GDP这些宏观指标就可以科学刻画吗？
生活的规律是成为学霸型人才的必要条件吗？
宗教组织具有高分离性，那宗教之间又是如何保持连通性和融合性呢？

这些问题，电子科技大学周涛教授将会给出解答。

他将会从三个例子来说明大数据、人工智能的研究在经济学、教育学、社会学中的应用。阐述如何利用海量数据分析和人工智能技术感知社会经济态势，预测社会经济发展趋势，提前发现重大风险，量化选择最优经济策略等。

*吕琳媛
随着互联网的飞速发展，全球经济正在从工业时代向信息时代全面转型，过去传统的经济学是将经济系统封闭化，在完全信息的假设下，通过供给和需求的博弈，得到一个价格。

但是经济系统应该是一个开放系统，每一个经济主体之间，都是应该有连接的，而多个经济主体之间的连接，共同构成一个大的经济网络，这个经济网络本身又在不停的演化和生长。

在这样开放的经济系统下，涌现了许多新的经济模式和现象，比如：

对用户来说，网购同样的东西，为什么我的比别人贵？
对商家来说，怎么做买卖才能与消费者共同做大“神奇的魔饼”？
对于平台来说，为什么说发展“PA个人助手（Personal Assistant）”才是未来商业蓝海？

* 高见
准确和及时的感知社会经济发展状态，对理解社会结构演化和制定经济发展策略非常重要。近年来，私营部门积累的大规模数据，以低获取成本、实时更新和高时空分辨率等优势，弥补了传统经济普查的不足。

统计机器学习算法的飞速发展，也极大的提高了对未来发展态势的准确预测。作为新数据和新方法催生的一门交叉学科，计算社会经济学将有机会更好的回答一些新的社会经济问题，比如：

从在线社会网络的结构中，能不能推断出一个人的财富状况？
除了翻阅统计年鉴，怎样快速的感知陌生城市的社会经济状态？
在国家和区域的经济发展中，有没有最优的产业升级路径和策略？

本次，电子科技大学博士生高见，将为我们系统性的介绍计算社会经济学的主要研究内容和分析方法，阐述大规模社会经济数据（包括卫星遥感数据、手机通讯数据、社交媒体数据等）在解决全球贫困问题、刻画区域经济结构、推断个体财富和应急抢险救灾中的具体应用。

==== 讲座回顾 ====
[https://mp.weixin.qq.com/s/gAM-DcupP3MpNvMEjLpZBw 数据时代下，社会经济发展的新范式及新机遇 | AI&Society成都站回顾 ]

=== 第十四期张江、龙瀛 ===
*题目：数据标尺下的城市收缩和城市生长 | AI&Society2019沙龙预告
*时间：2019年3月24日（周四）
*地点：腾讯研究院

==== 主讲人 ====
*龙瀛
龙瀛，清华大学建筑学院研究员，博士生导师，北京城市实验室（Beijing City Lab）创建人与执行主任，中国城市科学研究会城市大数据专业委员会副主任委员兼秘书长。

*张江
张江，北京师范大学系统科学学院教授，博士生导师，集智俱乐部、集智学园创始人，腾讯研究院特聘顾问，华为特聘顾问。

==== 讲座简介====

随着人口规模不断的扩大，一方面，我们看到北京、上海、纽约、伦敦这种大城市在不断地生长，经济不断发展，科技不断进步，竞争越来越激烈，创新也在不断加速；但另一方面，如果你生活在农村或者边缘的四五线小城市又或者是西部地区，就会深刻地感受到生活聚集区在不断地缩小、集中、合并和消亡。

城市就像一个生物体，会不断生长，但也可能衰老停滞。以规模理论（scaling law）为代表的一系列研究，试图解释城市的发展以及发展过程中人口、GDP、创新等要素的关系。而对于近年来部分城市人口的大量流失，即逆城市化，也已经开始有一些收缩城市（shrinking city）的研究。

为了挖掘在AI与社会研究交叉领域有想法的研究者，促进思维碰撞，腾讯研究院S-Tech工作室与集智俱乐部共同打造了“AI&Society”的系列学术沙龙活动。2019年3月24日的第十四期 AI&Society 沙龙，将分别从城市的扩张和衰退两个角度出发，用数据说话，深刻地理解城市的发展和死亡规律。

本期 AI&Society 沙龙讨论的主要问题包括：
城市发展和科技创新之间存在怎样的关联？为什么颠覆式创新的速率越来越快？
为什么城市会消亡或者被吞并？城市的消亡和什么因素有关联？如何刻画城市的消亡

*龙瀛
城市如同人一样，也有生老病死，这算城市系统的普遍规律。近年来全球大城市获得长足发展，体现为人口的增长、经济的发展、生活与空间品质的提高。伴随而来的是城市化的另外一面，即中小城市（镇）同时也在发生持续性的人口流失，学术界将其称为收缩城市。龙赢的团队首次发现中国大规模收缩城市的存在，近五年来他持续关注中国收缩城市研究，并提出“2018是中国收缩城市元年”。

本次报告中，龙赢将展示中国收缩城市的实地影像资料，介绍其团队近半年来基于大规模数据和量化方法，在全球收缩城市精细化识别方面研究进展，以及最新专著《Shrinking Cities in China: The Other Facet of Urbanization》。

*张江
科技中的颠覆式创新与城市中的社会压力有必然联系吗？科技创新来源于人类的好奇与探索，与竞争无关，与压力无关，但很遗憾，事实恰恰相反。颠覆式创新并非人类主动发展出来的，而是社会压力的产品。社会压力与创新的正反馈，导致重大技术突破发生得越来越快、科技创新爆发周期越来越短，这个循环很可能会有走向崩溃的一天。

本次报告中，张江将从城市人口规模、社会熵的角度出发，为大家介绍城市发展的规模法则以及城市发展中颠覆式创新的产生。

==== 讲座回顾 ====
[https://mp.weixin.qq.com/s/DoDDfpQM5H9wyYjH7NRUOg 城市为何收缩？城市如何生长？| AI&Society十四期回顾]

=== 第十五期肖仰华 ===
*题目：知识图谱与认知智能
*时间：2019年4月27日（周六）
*地点：上海五角场创新创业中心

==== 主讲人 ====
*肖仰华
肖仰华，复旦大学计算机学院教授、博导、青年973科学家、上海市互联网大数据工程中心执行副主任、上海市数据科学重点实验室知识图谱研究室主任、省部级重点实验室或工程中心专家委员、上市公司等规模企业高级技术顾问或首席科学家。主要研究兴趣包括：大数据管理与挖掘、图数据库、知识图谱等。领导团队构建国内首个知识库云服务平台。

==== 讲座简介====

深度学习的浪潮使得机器可以通过数据习得人类初级的感知能力，如听、说、读、写、看等，但今年，深度学习的发展也遇到了瓶颈，主要是因为深度学习严重的依赖于大样本，而且也只能学习到数据中的统计模式，并不具备推理、认知等智能。而我们人类的语言理解、司法决断、投资决策、金融分析等很多领域的智能都依赖于人类的推理智能。

那么如何让机器也像人一样具备推理能力呢？这需要让机器掌握大量的知识，而知识图谱就是知识不可或缺的一种表现形式。

什么是知识图谱？知识图谱可以看做是主体及其关系的知识库，知识图谱的构建可以为机器语言认知提供了丰富的背景知识，使得机器语言认知成为可能，因而也成为了行业智能化转型道路上的关键技术之一。

本期 AI&Society 沙龙讨论的主要问题包括：

到底是什么在支撑着知识图谱技术的繁荣景象？
是一股什么力量让知识图谱技术吸引了如此多的关注？
知识图谱到底能解决什么问题？如何解决这些问题？

==== 讲座回顾====
[https://mp.weixin.qq.com/s/N-DJjnUuQHg0FzAi-onZKg 从知识工程到知识图谱全面回顾]

==== 讲座回顾 ====

=== 第十六期王鹏 ===
*题目：从城市数据到智慧城市
*时间：2019年5月30日（周四晚）
*地点：北京腾讯研究院

==== 主讲人 ====
*王鹏
王鹏，中国城市科学研究会城市大数据专业委员会委员，清华大学建筑学院和数据科学研究院校外导师，华为技术有限公司智慧城市高级顾问，城市数据派首席顾问专家。王鹏是资深的智慧城市专家，曾任北京清华同衡规划设计研究院技术创新中心副总工程师。从事城市规划多年，获得省部级城市规划奖项数十项，在核心期刊和会议发表论文四十余篇。

==== 讲座简介====

信息革命，深刻影响着城市复杂系统的演变。

有线网络普及之后，信息高速公路串联起了早期的智慧城市，但工业化带来发展和治理问题难以解决。随着物联网、云计算、移动互联网、人工智能等新一代信息技术的发展，以及城市创新生态的形成，智慧城市逐渐进入2.0的时代，人们开始利用信息和通信技术，对城市物理空间进行改造和管理。

在“2018年中国互联网+数字经济峰会”的智慧城市分论坛上，腾讯研究院发布对《智慧城市 2.0：科技重塑城市未来》，结合国内外优秀案例，从政务、交通、金融、医疗、居住等六大领域，展示了新一代信息技术如何主推智慧城市的构建。但对于未来智慧城市的发展，仍有大量问题值得探讨。

在本期 AI&Society 沙龙中，王鹏老师会针对目前全球和国内智慧城市发展的现状和问题，提出可能的发展路径和近期重点；并从技术发展和城市发展两个视角探讨城市发展的未来，推演智慧城市未来发展的逻辑范式；最后基于其团队大量的智慧城市实践经验，以城市数据的获取、分析、应用，以及城市的规划、建设、运营和管理为两条主线，提出智慧城市认识论和方法论框架。

==== 讲座回顾 ====
[https://mp.weixin.qq.com/s/QNL9liWIpg4wG4VgcuXSRA 数字孪生：为城市和你创造一个虚拟副本]

=== 第十七期 José Lobo===
*题目：如何在智能时代不被机器取代？
*时间：2019年7月3日（周三晚）
*地点：北京言几又·今日阅读中关村店

==== 主讲人 ====
*José Lobo
José Lobo，美国亚利桑那州立大学可持续发展学院副研究员，Julie Ann Wrigley全球可持续发展研究所科学家，圣塔菲研究所“城市、规模可持续性”研究组成员。他的研究主题涵盖从人类早期群落到古代城市再到现代城市系统的规模理论，以及人类发明的本质和驱动因素，特别是城市环境如何住进技术和文化创新的形成。他是城市科学领域的领军研究者之一，在PNAS、Nature Human Behaviour等顶级期刊上发表多篇重要论文。

==== 讲座简介====

人工智能和自动化技术的快速发展，正在掀起新一轮的劳动力市场大变革。AI 可能会把人类带进生产力飞跃的新时代，也可能让我们走进失业、萧条的黑暗。

但技术革命并不必然导致技术型失业，当补偿性措施发挥良好时，可以缓解冲击。长远来看，人工智能也会创造新的岗位，因此，社会就业岗位并不是被消灭的过程，而是重构的过程，需要社会公共政策助力重构。

区别于以往的技术革命，人工智能影响的行业，主要是那些需要高等教育的、依托于城市的行业。例如医疗、金融和信息技术。对于人工智能和自动化逐渐成为工业乃至服务业的核心技术的未来，一系列的问题亟待解答：
不同工作技能的需求将如何改变
不同的职业岗位将如何被重塑
城市规模对新兴工作岗位的关系

为了回答这一系列的问题，2019 年 7 月 3 日，集智俱乐部联合腾讯研究院，邀请美国学者 José Lobo ，在北京举办一场公开沙龙，探讨人工智能技术革命对职业技能和城市就业机会的重大影响。AI&Society 学术沙龙是腾讯研究院与集智俱乐部联合举办的公开学术活动，目的是挖掘相关领域的研究者，促进思想碰撞，本次是系列沙龙的第十七期。

==== 讲座回顾 ====
[https://mp.weixin.qq.com/s/BCyNnX5TGU-bmXX94m3eug 职业关系网络如何影响城市经济转型？]

=== 第十八期 W. Brian Arthur===
*题目：科技将带经济去往何方？
*时间：2019年9月20日（周五上午）
*地点：上海腾讯大厦

==== 主讲人 ====
*W. Brian Arthur
布莱恩·阿瑟（W. Brian Arthur）是著名经济学家，圣塔菲研究所外聘教授，帕罗奥多研究中心系统科学实验室访问研究员。

阿瑟在上世纪八十年代，受诺贝尔经济学奖得主肯尼斯·阿罗的邀请，来到刚刚建立的圣塔菲研究所。在圣塔菲研究所，阿瑟将复杂系统理论与经济学研究结合在一起，逐渐形成了“复杂经济学（complexity economics）”的构想，并凭借报酬递增理论，于1990年获得熊彼特奖。

作为报酬递增理论的提出者，阿瑟创立了对经济学和复杂系统的跨学科研究新模式。作为圣塔菲研究所最早一批研究复杂性的学者，阿瑟是复杂性科学领域的奠基人之一，由于其突出成绩，于2008年荣获复杂性科学领域首届拉格朗日奖。

==== 讲座简介====

回顾二战以来的信息技术发展史，发现技术革命大约每二十年就会发生一次形变，技术变革不仅带来生活方式的变化，更让经济系统发生翻天覆地的变化。

信息技术革命的第一次形变，发生在20世纪70至80年代，由微处理器和存储器组成的集成电路技术实现了计算机的小型化；第二次形变是在20世界90年代至21世纪，这次形变触发了人类的数字连接，互联网成为一个商业实体，云计算能提供共享计算资源。第三次形变通过雷达、激光雷达传感器等传感设备，将环境数字化接入互联网，实现万物互联。而现在正处于第三次革命——信息技术智能化的开端，互联网、云计算、大数据、机器人、人工智能等一系列技术，汇成了一股促进经济发展的强大推力。

阿瑟认为，在技术革命的第三次形变中，数字技术创造了区别于实体经济的、一个虚拟而且自主的经济体。这种虚拟经济不仅仅能激发实体经济，更为商业活动提供了一种人类以外的智能。而人类经济系统随之面临的最严峻的考验，不再是生产多少的问题，而是人类要如何分配这些生产出来的产品。

阿瑟在两本颇有影响力的书籍《技术的本质》和《复杂经济学》（均有中译本）中，探讨了人类技术的演变过程，分析了经济增长如何与技术创新相伴而生。而在本次AI&Society学术沙龙中，阿瑟将进一步讨论对下列问题的看法：

* 人工智能等技术变革，会如何影响经济系统的分配规则
* 数字经济（虚拟经济）与实体经济的关系是怎样的
* 数字经济的变革，如何影响经济系统的发展，进而改变社会结构
* 技术变革带对经济的影响，是在持久深入还是日渐平缓
* 如何在技术创新在带来社会福利的同时，消减随之而来的隐私、分配等社会问题
* 当工作机会被新技术挤占，人类如何找到生活的意义

为了回答这一系列的问题，2019 年 9月 20 日，集智俱乐部联合腾讯研究院，邀请布莱恩·阿瑟（W. Brian Arthur）在上海举办一场公开沙龙，探讨了人类技术的演变过程，分析了经济增长如何与技术创新相伴而生。AI&Society 学术沙龙是腾讯研究院与集智俱乐部联合举办的公开学术活动，目的是挖掘相关领域的研究者，促进思想碰撞，本次是系列沙龙的第十八期。

==== 讲座回顾 ====
[https://swarma.org/?p=17050 布莱恩·阿瑟：科技进步引发的分配难题有解吗？]

==参与者部分成员==
{| class="wikitable"
|-
! 序号 !! 姓名 !! 性别 !! 单位 !! 简介 !! 备注
|-
| 1 || 张江 || 男 || 北京师范大学 || 系统科学学院教授，集智俱乐部、集智AI学园创始人 || 活动发起人
|-
| 2 || 司晓 || 男 || 腾讯研究院 || 院长 || 活动发起人
|-
| 3 || 程明霞 || 女 || 腾讯研究院 || 助理院长 || 活动发起人
|-
| 4 || 张倩 || 女 || 集智AI学园 || 集智学园CEO、集智俱乐部核心志愿者 || 活动组织者
|-
| 5 || 陆诗雨 || 女 || 腾讯研究院 || 高级研究员 || 活动组织者
|-
| 6 || 徐思彦 || 女 || 腾讯研究院 || 高级研究员 || 嘉宾
|-
| 7 || 周政华 || 男 || 腾讯研究院 || 高级研究员 || 嘉宾
|-
| 8 || 刘金松 || 男 || 腾讯研究院 || 高级研究员 || 嘉宾
|-
| 9 ||曹建峰 ||男 || 腾讯研究院|| 高级研究员 || 嘉宾
|-
| 10 ||余洁 || 女|| 腾讯研究院 ||高级研究员 || 活动组织者
|-
| 11 || 王东 || 男 || 北京工商大学 ||讲师 || 1期嘉宾
|-
| 12 || 王晓 || 女 || 中国科学院自动化研究学会 || 青岛智能产业研究院副院长 || 1期345期嘉宾
|-
| 13 || 李周园 || 男 || 清华大学 || 生态学博士|| 1期嘉宾
|-
| 14 || 王雄 || 男 || 深圳大学高等研究院 || 研究员|| 1期2期嘉宾
|-
| 15 || 史冬波 || 男 || 上海交通大学 ||副研究员 || 1期3期嘉宾
|-
| 16 || 尹相志 || 男 || DeepBelief.ai创始人 || 台湾数据科学家、微软最有价值讲师 || 1期3期嘉宾
|-
| 17 || 龚力 || 男|| 北京师范大学 || 研究生 || 3期嘉宾
|-
| 18 || 吴萌 || 男 || 上海科技大学 || 计算生物学博士 || 1期观众
|-
| 19 || 熊昕 || 男 || 中科院生物与化学交叉研究中心 || ||1期观众
|-
| 20 || 卜嘉田 || 男 || 同济大学城市规划 || || 1期观众
|-
| 21 || 纪雨 || 男 || 华东师范大学计算机应用技术 || || 1期观众
|-
| 22 || 徐小曼 || 女 || 华东师范大学 || 科学哲学博士 || 1期志愿者
|-
| 23 || 魏以宁 || 男 || 复旦大学 ||国际关系与公共事务学院研究生 || 1期观众
|-
| 24 || 施永仁|| 男 || 耶鲁大学 || 社会学博士 || 2期讲师
|-
| 25 || 汪小帆 || 男 || 四川省教育厅 ||副厅长 || 2期嘉宾
|-
| 26 || 刘清晴 || 女 || 中科院先进技术研究院 ||神经科学博士后 ||2期嘉宾
|-
| 27 || 杨星 || 男 ||中国科学院-MIT联合培养 ||脑认知与脑疾病研究所博士后 || 2期嘉宾
|-
| 28 || 黄金龙 || 男 || 南方科技大学 || 量子物理本科生 || 2期嘉宾
|-
| 29 || 叶韦明 || 女 || 北京大学汇丰商学院 || 副教授 ||1期2期嘉宾
|-
| 30 || 吴文佳 || 女 || 清华大学 || 博士 || 2期观众
|-
| 31 || 谢利民 || 男 || 云天励飞 || 高级研究员，华中科技大学博士 || 2期观众
|-
| 32 || 王宇 || 男 || 北京大学 || 硕士 || 2期观众
|-
| 33 || 吴令飞 || 男 || 芝加哥大学 || 计算社会学博士后 || 3期主讲
|-
| 34 || 谷伟伟 || 女 || 北京师范大学 || 博士 || 3期嘉宾
|-
| 35 || 史雪松 || 男 || 英特尔中国研究院 || 研究员 || 3期嘉宾
|-
| 36 || 侯月源 || 男 || 彩云AI|| 算法工程师 || 3期嘉宾
|-
| 37 || 秦强 || 男 || 南京大学||计算传播学硕士 || 3期观众
|-
| 38 || 刘晶 || 男 || 北京师大学||系统科学学院硕士 || 3期观众
|-
| 39 || 金天 || 女 || Google||商业分析师 || 3期观众
|-
| 40 || 王力飞 || 男 || 中国科学院||博士 || 3期观众
|-
| 41 || 岳杨明 || 男 || 中国科学院||生物物理所博士 || 3期观众
|-
| 42 ||王凌霄 || 男 || 清华大学||物理学博士 || 3期观众
|-
| 43 ||郑超月 || 女 || 北京大学||本科生 || 3期观众
|-
| 44 ||周瑜 || 女 ||中国社会科学院||博士，城科会城市复杂系统中心项目经理 || 3、5期观众
|-
| 45 ||李先知 || 女 || 首都经济贸易大学||教师、清华大学博士 || 3期观众
|-
| 46 ||王旭辉 || 男 || 中央民族大学社会学系||副教授、北京大学博士 || 3期观众
|-
| 47 ||李怀宇 || 男 || 中国科学院自动化研究所||博士在读 || 3期观众
|-
| 48 ||高飞 || 男 || 北京师范大学||系统科学学院研究生 || 3期观众
|-
| 49 ||崔昊天 || 男 || 清华大学||硕士 || 3期观众
|-
| 50 ||张晓雅 || 女 || 北京大学||博士 || 3期观众
|-
| 51 ||郭浩 || 男 || 三星研究所||中科院自动化所博士 || 3期观众
|-
| 52 ||王涛 || 男 || 中国科学院||讲师 || 3期观众
|-
| 53 ||于小丽 || 女 || 人民大学||研究员 || 3期观众
|-
| 54 ||周子涵 || 男 || 卡内基梅隆大学||三士渡教育合伙人 || 3期观众
|-
| 55 ||张诗豪 || 男 || 北京理工大学||博士在读 || 3期观众
|-
| 56 ||陈孟园 || 女 || 北京师范大学||研究生在读 || 3期观众
|-
| 57 ||辛茹月 || 女 || 北京师范大学||研究生在读 || 3期观众
|-
| 58||刘海猛 || 男 || 中国科学院||博士后 || 3期观众
|-
| 59 ||董晓菊 || 女 || 清华大学科学技术与社会研究所||博士在读 || 3期观众
|-
| 60 ||李钰 || 男 || 北京师范大学||博士在读 || 3期观众
|-
| 61 ||王嘉宇 || 男 || 北京可以科技有限公司||CTO\清华大学博士 || 3期观众
|-
| 62 ||李林倬 || 男 || 芝加哥大学||社会学博士 || 3期观众
|-
| 63 ||王成军 || 男 || 南京大学新闻传播学院|| 副教授 || 4期主讲
|-
| 64 ||陈志聪 || 男 || 南京大学新闻传播学院|| 研究生 || 4期主讲
|-
| 65 ||徐绘敏 || 女 || 南京大学新闻传播学院|| 本科生 || 4期主讲
|-
| 66 ||杨春霞 || 女 || 南京信息工程大学信息与控制学院|| 教授 || 4期嘉宾
|-
| 67 ||纪娇娇 || 女 || 南京大学助理研究员|| 中科大博士 || 4期观众
|-
| 68 ||李慧娟 || 女 || 浙江理工大学传播系教师|| 中国人民大学博士 || 4期观众
|-
| 69 ||闵超 || 男 || 南京大学|| 博士 || 4期观众
|-
| 70 ||王晗啸 || 男 || 南京大学新闻与传播学院|| 博士 || 4期观众
|-
| 71 ||鹿腩 || 男 || 河海大学社会学|| 博士 || 4期观众
|-
| 72 ||沈念祖 || 女 || 腾讯研究院|| || 4期嘉宾
|-
| 73 ||侯世达 || 男 || || || 5期主讲
|-
| 74 ||韩焱 || 女 ||湛庐文化|| 创始人 || 5期嘉宾
|-
| 75 ||段永朝 || 男 ||苇草智酷 || 创始合伙人 || 5期嘉宾
|-
| 76 ||王小川 || 男 || 搜狗CEO|| || 5期嘉宾
|-
| 77 ||贤度法师 || 男 ||龙泉寺人工智能与信息技术中心 || 主任 || 5期嘉宾
|-
| 78 ||郭维德 || 男 || IBM大中华区企业公共关系部||总经理 || 5期嘉宾
|-
| 79 ||吉子龙 || 男 || 北京师范大学认知神经科学|| 博士 || 5期观众
|-
| 80 ||郑金鹏 || 男 || 北京大学|| 法学博士 || 5期观众
|-
| 81 ||朱少奇 || 男 || 北京大学前沿交叉学科|| 博士后 || 5、6期观众
|-
| 82 ||方亮 || 男 || 百度|| 高级分析师 || 5期观众
|-
| 83 ||陈源 || 男 || 复旦大学硕士|| 最强大脑选手全国40强 || 5期观众
|-
| 84 ||王小航 || 男 || 华南理工大学副教授|| 浙大博士 || 5期观众
|-
| 85 ||张永杰 || 男 || 资深游戏引擎工程师|| || 5期观众
|-
| 86 ||吴帆 || 男 || 京都大学|| 博士 || 5期观众
|-
| 87 ||张一甲 || 女 || 北京大学|| 甲子光年创始人 || 5期观众
|-
| 88 ||赵晶晶 || 女 || 千程资本合伙人|| 峰火文创主任助理 || 5期观众
|-
| 89 ||岳路平 || 男 || 开源村发起人、数字策展人|| || 5期观众
|-
| 90 ||陈世鸿 || 男 || 互联网战略顾问|| || 5期观众
|-
| 91 ||石强 || 男 || 《互联网时代》|| || 5期观众
|-
| 92 ||梁少捷 || 男 || 中国音乐学院艺术管理MFA|| || 5期观众
|-
| 93 ||钱静 || 女 || 清华大学|| 心理系副教授 || 5期观众
|-
| 94 ||郑毅 || 男 ||大数据专家|| 《证析》作者 || 5期观众
|-
| 95 ||董明 || 男 || 华为中国区副总裁 || || 5期观众
|-
| 96 ||成甲 || 男 || 北京临界知识文化发展有限公司创始人||《好好学习》作者 || 5期观众
|-
| 97 ||刘健|| 男 || 《现象与本质》译者|| || 5期观众
|-
| 98 ||宋爱萍|| 女 || 中国石油规划总院||副所长 || 6期观众
|-
| 98 ||王娅蒙|| 女 || 中央财经大学||研究生 || 6期观众
|-
| 99 ||包建东|| 男 || 美团||算法工程师 || 6期观众
|-
| 100 ||张章|| 男 || 北京师范大学||科研助理 || 6期观众
|-
| 101||段成全|| 男 || 北京邮电大学||博士生 || 6期观众
|-
| 102 ||鞠策|| 男 || 百度||算法工程师 || 6期观众
|-
| 103 ||李晓军|| 男 || 信和财富||技术总监 || 6期观众
|-
| 104 ||李岩|| 男 || 北京青年报||记者 || 6期观众
|-
| 105 ||李泽荃|| 男 || 华北科技学院||系主任 || 6期观众
|-
| 106 ||卢罡|| 男 || 北京化工大学||教师 || 6期观众
|-
| 107 ||孟凡圆|| 男 || 瑞士弗里堡大学||博士 || 6期观众
|-
| 108 ||彭雄宏|| 男 || 北京真实一路||联合创始人 || 6期观众
|-
| 109 ||王钰博|| 男 || 北京南山苍梧文化有限公司||运营总监 || 6、7期观众
|-
| 110 ||王梓任|| 男 || 北京邮电大学||硕士 || 6、7期观众
|-
| 111 ||徐欣|| 男 || 中国矿业大学||博士生 || 6期观众
|-
| 112 ||张光伟|| 男 || 陕西师范大学||教师 || 6期观众
|-
| 113 ||李明|| 女 || 中科院地球地质所||硕士研究生 || 7期观众
|-
| 114 ||宋爱萍|| 女 || 中国石油规划总院||副所长 || 7期观众
|-
| 115 ||孙溪|| 女 || 开聊科技||创始人 || 7期观众
|-
| 116 ||唐心意|| 女 || forwardx||机器人算法工程师 || 7期观众
|-
| 117 ||沈伟志|| 男 || 中石化财务||社科院博士在读 || 7期观众
|-
| 118 ||陈昱|| 男 || 腾讯||工程师 || 7期观众
|-
| 119 ||李靖|| 男 || ccri||软件工程师|| 7期观众
|-
| 120 ||李明超|| 男 || 助理来也|| AI训练师|| 7期观众
|-
| 121 ||刘寰青|| 男 || 道器科技||创始人 || 7期观众
|-
| 122||刘昕|| 男 || 北京三维麦普导航测绘技术有限公司||技术经理 || 7期观众
|-
| 123||彭雄宏|| 男 || 北京真实一路||联合创始人 || 7期观众
|-
| 124 ||滕瑞丰|| 男 || 中国进出口银行||客户经理 || 7期观众
|-
| 125 ||王梓任|| 男 || 北京邮电大学||硕士 || 7期观众
|-
| 126 ||吴戈宇|| 男 || 腾讯云||项目经理 || 7期观众
|-
| 127 ||吴奇|| 男 || 腾讯||实习生 || 7期观众
|-
| 128 ||周远|| 男 || 小米||PM || 7期观众
|-
| 129 ||朱崇彰|| 男 || 社科院||研究生|| 7期观众
|}

[[Category:集智相关]]

集智俱乐部

2024-05-21T07:05:46Z

18810648466：

{{#seo:
|keywords=集智俱乐部
|description=集智俱乐部介绍
}}
==集智俱乐部介绍==

===名称和简介===

[http://swarma.org/ 集智俱乐部(Swarma Club)]是专注在复杂系统、人工智能领域的科学社区。为从事科学研究、享受科学乐趣的探索者提供科研合作、知识交流、科学传播等服务。我们倡导以平等开放的态度、科学实证的精神，进行跨学科的研究与交流，力图搭建一个中国的 “ 没有围墙的研究所 ”。

===集智俱乐部的LOGO和口号===

[[File:集智俱乐部logo.png|200px|thumb|居中|'''让苹果砸得更猛烈些吧！''']]

口号：'''让苹果砸得更猛烈些吧！'''

象征含义：通过砸在牛顿脑袋上的苹果，来象征着科学发现的灵感。

===集智俱乐部的使命 ===

营造跨学科探索小生境，催化复杂性科学新理论。

===集智俱乐部思想起源 ===

1902年，在伯尔尼的瑞士专利局工作的爱因斯坦，跟几位朋友自发成立了讨论小组，取名“奥林匹亚科学院”，定期讨论科学和哲学问题。离开学校后，这段和友人讨论学术的经历，让爱因斯坦对自己的思想实验深入打磨，为那个连续发表多篇跨时代论文的爱因斯坦奇迹年做了铺垫。
[[File:三人组.png|400px|1903年的奥林匹亚科学院三人组|thumb|居中|1903年的奥林匹亚科学院三人组]]
1920年代，在奥地利首都维也纳，包括哥德尔在内的欧洲大陆几位优秀的物理学家、数学家和逻辑学家，以共同遵循的科学哲学为根基，形成了“维也纳小组”，逐渐发展为著名的维也纳学派。此后多年中，这个小组贡献甚多，不仅哥德尔不完备性定理影响了世界，而且维也纳小组推崇的逻辑实证主义的科学方法论，也成为了科学界的主流。
[[File:1925年的维也纳小组.png|400px|1903年的奥林匹亚科学院三人组|thumb|居中|1925年的维也纳小组]]

1984年，在核子时代的起源地洛斯阿拉莫斯国家实验旁，几位科学家跳出国家体制，建立了自主募资的圣塔菲研究所，研究被霍金称为“21世纪的科学”的复杂性科学，圣塔菲研究所逐渐成为复杂系统研究的圣地。发现现象背后的 pattern，探索事物涌现的秘密，寻找复杂世界的统一规律，这个新兴学科在与各个学科的交互中，正走向科学研究的核心地带。
[[File:圣塔菲研究所.png|400px|1903年的奥林匹亚科学院三人组|thumb|居中|圣塔菲研究所]]

奥林匹亚学院、维也纳小组、圣塔菲研究所，这是科学社区和科学共同体的真正典范，而打造出一个像它们一样，开放、自由、没有围墙的研究所，正是集智俱乐部的长期愿景。
[[File:集智俱乐部长图标.jpg|800px|1903年的奥林匹亚科学院三人组|thumb|居中|集智俱乐部]]

从集智俱乐部到集智学园，从松散的互联网社群到线下社交网络，从读书交流到合作发文出书，从靠兴趣驱动探索，到用产品改变生活，一个科学社区已经初步成型。飞速发展的集智科学社区，召唤热爱科学、乐于探索的你。

===发展历史 ===
[[文件:集智俱乐部历史.jpg|替代=集智俱乐部发展历史2022|居中|缩略图|800x800像素|集智俱乐部发展历史]]
* 2003年，集智俱乐部创始人张江（ Jake ）创办了集智俱乐部网站，该网站一直致力于宣传、普及、推广复杂系统科学，并展开广泛的跨学科交流，俱乐部渐渐聚集了一批有识之士。
* 2007年，集智俱乐部的交流和活动开始从虚拟世界走向现实，在叁号会所开始了第一次线下活动，并尝试发展一个现实世界中的学术组织。
* 2013年，袁行远等核心成员建立了集智百科网站。
* 2014年，通过集智俱乐部的读书会活动，由集智俱乐部内部核心成员袁行远孕育了第一个创业项目——彩云天气。同年集智俱乐部南京分部由[[王成军]]创立，并开始组织活动。
* 2015年7月，集智俱乐部在南京举办了第一届学术年会。目前集智俱乐部的主要活动有开放式的讲座与交流，技术专题读书会，以及不定期的学术研讨会，系列沙龙活动等。同年，集智俱乐部出版的第一本书《科学的极致：漫谈人工智能》，曾获得知名主持人杨澜的大力推荐；并且在8月份的时候成立了第一个线下志愿者团队，第一位线下活动志愿者就是图灵出版社的美女编辑张霞。
* 2016年，第二本书《走近2050——注意力、互联网与人工智能》出版面世；在2016年10月，凯风基金会赞助集智俱乐部共同举办了凯风研读营，开展了《网络、几何和机器学习》的学术会议；2016年底孵化了集智俱乐部第二个创业项目：集智学园，致力于打造人工智能、复杂科学领域的科学学习社区。
* 2017年，首次与腾讯研究院发起了[[AI&Society系列沙龙活动]]，致力于发掘在学术界和工业界的学术新星。
* 2018年，同年，由集智俱乐部牵头，以众包的形式，出版了两本书籍，第一本是《深度学习原理与PyTorch实战》；第二本是翻译书籍《深度思考》。
*2019年，集智俱乐部公众号在环球科学旗下学术媒体“科研圈”组织的2018明星学术公众号评选中，入围前十。
*2019年，集智学园新产品[https://pattern.swarma.org/ 集智斑图]上线。
*2020年，网络科学等线上课程模式/ 2020年度学术媒体公众号Top10
*2021年：因果涌现等读书会模式火爆社区/《NetLogo多主体建模入门》/ 筹建集智造化研究院 / 拯救2050项目/得到APP复杂科学课程

张老师记录的从2003年-2016年的故事，他简单的记录了一下~2003-2015年的故事：

[[记录集智2003-2015]]

[[记录集智2015-2016 --超越与重生]]

[[记录集智2017-2021]]

新的故事篇章也在继续书写。

=== 集智科学家 ===

集智科学家是指集智俱乐部对社区内有突出科研贡献和科研成果学者，是集智俱乐部社区的最高荣誉。我们梳理了这些年参与过集智社区建设的重要学者，符合以下标准之一则可以认定为集智科学家：
* 1.以学者的身份参与过集智凯风研读营
* 2.以特邀讲者的身份参与过AI&Society的活动
* 3.自己发表论文后写对应的解读文章投稿到集智俱乐部公众号，并以主推的形式进行推广

''以下为部分科学家代表，非社区内全部科学家名单。''
==== W. Brian Arthur ====
*[[布莱恩·阿瑟 W. Brian Arthur]]是著名经济学家，圣塔菲研究所外聘教授，帕罗奥多研究中心系统科学实验室访问研究员。阿瑟在上世纪八十年代，受诺贝尔经济学奖得主肯尼斯·阿罗的邀请，来到刚刚建立的圣塔菲研究所。在圣塔菲研究所，阿瑟将复杂系统理论与经济学研究结合在一起，逐渐形成了“复杂经济学（complexity economics）”的构想，并凭借报酬递增理论，于1990年获得熊彼特奖。作为报酬递增理论的提出者，阿瑟创立了对经济学和复杂系统的跨学科研究新模式。作为圣塔菲研究所最早一批研究复杂性的学者，阿瑟是复杂性科学领域的奠基人之一，由于其突出成绩，于2008年荣获复杂性科学领域首届拉格朗日奖。

*主要贡献：AI&Society第18期活动特邀讲者。

==== José Lobo ====
*José Lobo，美国亚利桑那州立大学可持续发展学院副研究员，Julie Ann Wrigley全球可持续发展研究所科学家，圣塔菲研究所“城市、规模可持续性”研究组成员。他的研究主题涵盖从人类早期群落到古代城市再到现代城市系统的规模理论，以及人类发明的本质和驱动因素，特别是城市环境如何住进技术和文化创新的形成。他是城市科学领域的领军研究者之一，在PNAS、Nature Human Behaviour等顶级期刊上发表多篇重要论文。

*主要贡献：AI&Society第17期活动特邀讲者。

==== James Evans ====
*James Evans 是芝加哥大学社会学系教授，是科学学（science of science）、复杂网络、知识社会学的世界级知名学者。毕业于斯坦福大学，曾在哈佛大学从事社会组织结构方面的研究，在芝加哥大学创立知识挖掘实验室，并创立和主持了芝加哥大学计算社会学硕士项目。主要兴趣包括：群体智能、社会组织结构分析、科技创新产生和传播规律等，在 Science, PNAS, American Journal of Sociology，Management Science 等顶级期刊上发表大量文章。

*主要贡献：AI&Society第12期活动特邀讲者，研读营学者

==== Geoffrey West ====
*Geoffrey West，理论物理学家，城市科学的顶尖学者，圣塔菲研究所杰出教授和前任所长，曾入选《时代周刊》全球最具影响力100人。数十年致力于“规模”的研究工作，其研究成果被应用在理解生命体、城市可持续发展、企业运营等众多领域，被业内奉为“跨学科诺贝奖”的不二人选。

*主要贡献：AI&Society第11期活动特邀讲者。

==== 侯世达 ====
*侯世达（Douglas, R.Hofstadter）是印第安纳大学认知科学与比较文学特聘教授、美国艺术与科学院院士、美国哲学学会成员和瑞典皇家社会科学院院士。他主要研究：自我与外部世界的关系、意识、类比、艺术创作、文学翻译、数学和物理学。除了学术成就，侯世达还出版了《哥德尔、艾舍尔、巴赫：集异璧之大成》（GEB）和《我是个怪圈》（I Am a Strange Loop），分别获得普利策文学奖（非虚构类）与美国国家图书奖（科学类）和《洛杉矶时报》科学写作图书奖。

*主要贡献：AI&Society第5期活动特邀讲者。

==== Ginestra Bianconi ====
伦敦玛丽女王大学数学科学学院的应用数学教授，也是艾伦·图灵研究所的艾伦·图灵研究员。目前，她是 JPhys Complex 期刊的主编，PlosOne 和 Scientific Reports 的编辑。2020年，她被 NetSci 学会授予 Network Scientific Fellowships，以表彰她对网络科学的基础性贡献，特别是在复杂网络中玻色-爱因斯坦凝聚的提出以及在多层网络结构和动力学方面的进展。她的研究领域是统计力学和网络科学，具体包括网络理论及其跨学科应用。她是网络建模的专家，包括增长网络模型和均衡网络系综。同时也出版了关于网络上的动态过程的重要著作，特别是关于渗流的研究。最近几年，她一直专注于多层网络、单纯复形、网络几何和拓扑。她是牛津大学出版社出版的 ''Multilayer Networks: Structure and Function'' 和剑桥大学出版社出版的 ''Higher-order networks: An introduction to simplicial complexes'' 两本书籍的作者。

主要贡献：在高阶网络读书会上做出以高阶网络与动力学（Higher-order networks and dynamics）为主题的分享。

==== Erik Hoel ====
威斯康星大学麦迪逊分校博士，塔夫茨大学助理教授，哥伦比亚大学理论神经科学家，同时也是因果涌现理论提出者之一。他致力于运用信息论和因果分析来探索意识的生物学基础，理解涌现的本质。研究问题为如何利用复杂性和信息论来测量意识与无意识之间的神经差异、因果结构如何跨尺度变化、信息论指标如何捕捉和量化宏观尺度上的因果涌现。

主要贡献：在因果涌现读书会上做出以用信息度量因果（Causal Emergence Theory）为主题的分享。

==== 陈德亮 ====
现任瑞典哥德堡大学的 August Röhss 讲席教授，本科毕业于南京大学，于德国美因茨古腾堡大学师从诺贝尔奖得主Paul Crutzen教授获得博士学位。陈教授的研究方向包括'''气候动力学、气候模拟、全球和区域气候变化、地理信息科学和应用气候学'''等。

陈教授是国际著名的'''气候学家、诺贝尔奖评奖委员会专家、是地球系统科学的倡导和践行者，也是具有全球视野的战略科学家'''。他参与和领导了多个国际计划和组织，为多个政府、政府间组织和国际非政府组织以及国家研究资助机构担任科学顾问，是IPCC第五次、第六次评估报告第一工作组的主要作者和协调主要作者，于2009-2012年担任国际科学理事会（ICSU）执行主席。他长期致力于全球系统科学、未来地球学、全球可持续发展研究的领导、协调与合作工作，为国际科技合作做出了重要贡献。

陈教授先后当选为瑞典皇家科学院院士、哥德堡皇家艺术与科学院院士、发展中国家科学院院士、瑞典皇家科学院地学部主任、中国科学院外籍院士、挪威科学与文学院外籍院士、欧洲科学与艺术学院院士，曾获2017年度中华人民共和国国际科学技术合作奖。鉴于他对瑞典和国际气候研究做出的杰出贡献最近由瑞典国王颁发国王勋章。

主要贡献：在地球系统科学读书会上做出以地球系统科学的简史及重大挑战为主题的分享。

==== 周昌松 ====
物理学博士，香港浸会大学物理系教授、系主任，浸会大学非线性研究中心主任，计算及理论研究所副所长。1992年获南开大学物理学士，1997年获南开大学物理博士，1997-2007年在新加坡、香港、德国等地从事访问研究，是洪堡基金获得者。 2007年加入香港浸会大学物理系， 2011年获浸会大学"杰出青年研究者校长奖"，2021年获"杰出研究表现校长奖"。在国际交叉学术刊物 PNAS，PRL，Physics Reports，National Science Review，J Neuroscience，NeuroImage，Cerebral Cortex，PLoS Computational Biology等发表论文150余篇 (Google Scholar引用15900余次，H因子为48)。任Scientific Reports 编委，PLoS One，Cognitive Neurodynamics学术编辑，及多种国际期刊常任审稿人。对生物神经网络复杂结构、动力学及其低成本高效益如何启发类脑智能具有浓厚的兴趣。致力于复杂系统动力学基础研究及其应用，特别是网络的复杂联结结构与体系的动态行为的关系和相互作用。近几年与国际国内系统和认知神经科学家合作，把这些理论进展应用到大脑的复杂联结结构和活动以及认知功能及障碍的分析和建模等方面研究中。

主要贡献：在神经动力学模型读书会上做出以复杂神经动力学：从分析到建模——从从神经元脉冲到皮层震荡，从涌现到功能（Complex Neural Dynamics: Analysis and Modeling ----

From neuronalspikes to cortical waves, from emergence to function）为主题的分享。

==== 张江 ====
*北京师范大学系统科学学院教授、集智俱乐部创始人、集智学园（北京）科技有限公司创始人兼董事长、曾任腾讯研究院特聘顾问，复杂系统、人工智能的研究者与布道者。主要研究领域包括复杂网络与机器学习、复杂系统分析与建模、计算社会科学等。曾在Nature Communications、Scientific Reports、Physical Review E、Journal of Theoretical Biology等国际知名刊物上发表过学术论文数十篇。

*主要贡献：'''集智俱乐部创始人'''

==== 王大顺 ====
*王大顺是西北大学副教授。他的研究方向是科学学，希望能够使用和开发复杂性科学的工具和人工智能，探索科学领域的发展和研究规律。

*主要贡献：研读营学者

==== 吴令飞 ====

*吴令飞集智科学家，匹兹堡大学助理教授，研究兴趣是组织创新与学习。通过使用数学模型和机器学习方法，通过研究来自科学界（例如Web of Science 和 ORCID数据）、工业界（例如美国专利数据）、和互联网众包社区（例如Stack Exchange 和 GitHub）大量团队的人员结构与产出的关系，报告人致力于寻找组织创新与学习的一般规律，促进组织管理和政策制定。

*主要贡献：AI&Society第2期活动特邀讲者，研读营学者，集核成员

==== 尤亦庄 ====

*尤亦庄，2013年博士毕业于清华大学，凝聚态物理方向。现为加州大学圣地亚哥分校助理教授。主要研究领域是量子多体物理，及其演生现象和临界现象。具体方向包括：拓扑量子物态，多体局域化和热化，高温超导和自旋液体等强关联体系，多体量子纠缠和张量网络。研究手段包括量子场论，拓扑场论，重整化群等等，对信息论（特别是量子信息），复杂系统，人工智能等领域也很感兴趣。

*主要贡献：AI&Society第2期活动特邀讲者，研读营学者，集核成员

==== 周涛 ====
*周涛，电子科技大学教授，成都新经济发展研究院执行院长。主要从事统计物理与复杂性方面的研究。在 Physics Reports、 PNAS、Nature Communications 等国际 SCI 期刊发表 300 余篇学术论文，引用 20000 余次，H指数为69。现象级畅销书《大数据时代》中文版译者，《为数据而生》作者。

*主要贡献：AI&Society第13期活动特邀讲者，文章贡献

==== 吕琳媛 ====
*吕琳媛，国家优秀青年基金获得者，电子科技大学教授，阿里巴巴复杂科学研究中心副主任。主要从事网络信息挖掘和社会经济复杂性方面的研究。在Nature Communications、Physics Reports、PNAS等学术期刊发表论文60余篇，引用6 000余次，8篇论文入选ESI全球Top-1%高引论文，研究成果入选2016年中国百篇具有影响力国际学术论文。

*主要贡献：AI&Society第9，13期活动特邀讲者，文章贡献

==== 王成军 ====

*王成军，南京大学新闻传播学院助理研究员、计算传播学实验中心成员，对复杂性科学和可计算方法(如机器学习)感兴趣，现在的研究主要集中于采用网络科学方法分析计算社会科学的研究问题，例如，采用重整化方法分析手机用户的注意力网络和移动网络。

*主要贡献：研读营学者

==== 唐乾元/傅渥成 ====
唐乾元，东京大学博士后，南京大学物理系物理学在读博士，集智核心成员，「知乎盐 Club 2014」荣誉会员，曾出版知乎盐系列电子书《写在物理边上》《临界：智能的设计原则》和知乎一小时电子书《能量守恒》。主要研究方向为统计物理及其在生命科学问题中的应用，曾作为中国博士生代表参加在德国林岛举办的「诺贝尔奖获得者大会」。

==== 殷裔安 ====
*殷裔安美国西北大学在读博士，王大顺合作者。研究方向为量化社会学方法、科学计量学、社会网络分析，文本分析等。

*主要贡献：研读营学者，文章贡献

==== 黄俊铭 ====
*黄俊铭，普林斯顿大学博士后，博士毕业于中国科学院计算技术研究所，曾在美国东北大学[[Albert-László Barabási]]实验室担任博士后，研究方向为量化社会学方法、科学计量学、社会网络分析，文本分析等。

*主要贡献：文章贡献

== 集智活动 ==
集智活动以线下活动居多，多以公开讲座、读书会、系列沙龙等形式研讨、科普前沿科学知识。活动所覆盖的学科领域包括：人工智能、复杂系统、生物科学、脑与认知等多个不同的领域。
=== 读书会 ===
集智俱乐部读书会是面向广大科研工作者的系列论文研读活动，其目的是共同深入学习探讨某个科学议题，了解前沿进展，激发科研灵感，促进科研合作，降低科研门槛。

读书会活动始于 2008 年，至今已经有 40 余个主题，内容涵盖复杂系统、人工智能、脑与意识、生命科学、因果科学、计算社会科学等。凝聚了众多优秀科研工作者，促进了科研合作发表论文，孵化了许多科研产品。如 2013 年的“深度学习”读书会孕育了彩云天气 APP，2015 年的“集体注意力流”读书会产生了众包书籍《走近2050》等。

===== 基本介绍 =====
读书会是针对人工智能、复杂系统、生命科学、脑与认知等多个领域，由一位或多位发起人组织，系统研读经典文献，或深入学习某项特定技术，最终输出一些文章或者产品。该活动一般按照主题举办，为期1～3个月，定期举行线上或者线下讨论，每个读书会均有对应的微信交流群。付费报名读书会后，即可添加读书会负责人微信，并入群交流。

读书会可以针对具体主题进行一定强度的讨论研究，从而孕育出新的创新成果，例如科研论文、产品原型或者学术报告等；“彩云天气”APP就是“深度学习”读书会的成果；《走近2050》也是在“集体注意力流”读书会讨论中产生的。

*烧脑指数：🌟🌟🌟🌟（4颗星）
*参与方式：报名审核制
*适用人群：相关领域的深度爱好者、学习者

线下读书会列表

*复杂系统自动建模读书会
*图网络读书会
*幂律读书会
*意识与认知读书会
*深度“深度学习”读书会
*探索脑与深度学习读书会
*热力学与进化论读书会
*自然语言处理读书会
*复杂经济学读书会
*量子决策理论读书会
*GEB读书会
*计算心理学读书会

线上读书会列表
{| class="wikitable sortable mw-collapsible"
| colspan="8" |集智俱乐部2020-2023年读书会排期表
|-
|宏观金融系列读书会
|王有贵
|王朝会
| rowspan="23" |[https://pattern.swarma.org/study_groups 了解更多详情，点此链接报名]
[https://campus.swarma.org/catalog/7 查看课程，点此链接]

添加小助手微信：Swarma Assistant[[文件:Swarma assistant.jpg|替代=小助手微信|居中|缩略图|206x206像素|小助手微信|链接=https://wiki.swarma.org/index.php/%E6%96%87%E4%BB%B6:Swarma_assistant.jpg]]
|28
|已结束
|
|2021年4月-2021年6月
|-
|复杂经济学读书会
|李红刚等
|王朝会
|31
|已结束
|周二晚上20:00-22:00
|2021年1月-2021年6月
|-
|复杂经济学读书会第二季
|李红刚等
|王朝会
|
|已结束
|周一晚上19:00-21:00
|2022年7月11-2022年11月
|-
|企业发展建模与预测读书会
|张江等
|陶如意
|12
|已结束
|周一晚上20:00-22:00
|2021年4月-2021年7月
|-
|复杂系统自动建模读书会
|张江
|王婷
|12
|已结束
|周日晚上20:00-22:00
|2020年2月-2020年5月
|-
|面向复杂系统的人工智能研究读书会
|张江
|张章
|9
|已结束
|周日晚上20:00-22:00
|2020年7月-2020年10月
|-
|生命复杂性系列读书会
|傅渥成等
|刘培源
|12
|已结束
|周四晚上20:00-22:00
|2020年11月-2021年2月
|-
|科学学读书会
|胡乔
|胡乔
|6
|已结束
|周三晚上20:00-22:00
|2020年7月-2020年8月
|-
|因果科学与Causal AI 读书会
|龚鹤扬等
|王婷
|16
|已结束
|周日晚上19:00-21:00
|2020年9月-2021年1月
|-
|因果科学与Causal AI读书会第二季
|李奉治等
|王婷
|11
|已结束
|周日上午10:00-12:00
|2021年2月-2020年7月
|-
|因果科学与Causal AI 读书会第三季
|李奉治
|段月然
|18
|已结束
|周日上午10:00-12:00
|2021年7月-2022年3月
|-
|因果科学与Causal AI 读书会第四季
|李昊轩等
|王婷
|10
|即将开始
|周六晚上20:00-22:00
|2022年12月-2023年3月
|-
|因果涌现读书会
|张江等
|王婷
|16
|已结束
|周六上午9:00-11:00
|2021年8月-2022年1月
|-
|因果涌现读书会第二季
| 张江等
|王婷
|
|进行中
|周日晚上19:00-21:00
|2022年5月-2022年11月
|-
|社会计算读书会
|王硕等
|王建男
|12
|已结束
|周四晚上20:00-22:00
|2021年5月-2021年8月
|-
|社会计算读书会第二季
|罗家德等
|王建男
|12
|已结束
|
|2022年6月-2022年11月
|-
|复杂系统管理学读书会
|罗家德
|张爱华
|13
|已结束
|周三晚上19:00-21:00
|2021年9月-2022年1月
|-
| 自生成结构读书会
|仇玮祎等
|李欣儒
|13
|已结束
|周五晚19:00-21:00
|2021年11月-2022年3月
|-
|地球科学读书会
|邓琪敏等
|晏丽
|13
|已结束
|周四晚19:00-21:00
|2021年12月-2022年4月
|-
|神经动力学读书会
|王鑫迪等
|周莉
|17
|已结束
|周六下午14:00-16:00
|2022年3月19-7月30
|-
|高阶网络读书会
|吕琳媛等
|贾芳弟
|14
|已结束
|周四晚上19:00-21:00
|2022年6月28-2022年11月
|-
|NeuroAI读书会
|柳昀哲等
|周莉
|10
|进行中
|周日晚上19:00-21:00
|2022年11月-2023年2月
|-
|“后ChatGPT时代”读书会
|张江等
|王建男
|6
|进行中
|周五晚上19:00-21:00
|2023年3月-2023年4月
|}
可以进入[[集智俱乐部读书会]]页面，查看更多关于读书会的内容

=== 科普讲座 ===

===== 基本介绍=====
科普讲座是集智俱乐部的传统活动，是由集智俱乐部核心成员或者粉丝自发组织的讲座，面向公众，偏向于科普性质，活动频率大约1个月1次，力图用通俗的语言进行广泛的跨学科交流。
*烧脑指数：🌟🌟🌟（3颗星）
*参与方式：报名审核制
*适用人群：相关领域的爱好者
===== 典型活动介绍（挑选典型活动）=====
*2016/09/17 ·【任远】复杂性科学与生成艺术
*2016/08/28 ·【罗淼】科学与游戏沙龙活动
*2015/11/22 ·【董磊】基于大数据预测地区发展
*2015/07/26 ·【曹旭东、张江、袁行远】开源科学：人类科学往何处去
*2013/07/21 ·【张江】大自然如何设计？ — 探索网络、流动中的自组织规律
*2013/06/22 ·【尤亦庄】从涡旋到光与电的演生—漫谈凝聚态物理新思潮
*2013/05/12 ·【Robert Ackland】一个社会科学家眼中的“计算社会科学”
*2013/01/20 ·【吴令飞】计算社会科学总论
*2012/11/11 ·【Bertrand Roehner 】我们如何开始科学探索?
*2011/07/24 ·【Monk】自复制 — 生命的核心
*2009/04/18 ·【Miner】人工智能之梦

=== 研读营 ===

===== 基本介绍 =====
研读营是集智俱乐部的特色活动，汇集一批青年学者，围绕某个与复杂系统和人工智能领域的前沿课题，进行一周左右的深度交流，激发科研灵感，孕育学术成果。集智研读营一般由相关基金或企业赞助。

*烧脑指数：🌟🌟🌟🌟🌟（5颗星）
*参与方式：学者推荐或外部申请
*适用人群：相关领域的科研工作者，或在读研究生、博士；思想开放，热爱交流

===== 典型活动 =====

*2016年10月8日-2016年10月14日在古北水镇召开了由凯风基金会赞助，集智俱乐部主办的“网络、几何与机器学习”研读营[[2016年集智俱乐部研读营]]

*2017年7月16日-2017年7月22日在古北水镇召开了由凯风基金会赞助，集智俱乐部主办的“物理、人工智能、几何与机器学习”研读营[[2017年集智俱乐部研读营]]

*2018年6月22日-2017年6月28日在云南大理喜洲召开了由凯风基金会赞助，集智俱乐部主办的“网络、几何与机器学习”研读营[[2018集智－凯风研读营]]

*2019年1月14日-2017年1月23日在南京大学仙林校区召开了由腾讯基金会赞助，集智俱乐部主办“从复杂网络到图神经网络的计算社会科学：理解人性、理解机器、理解当代社会”研读营[[2018年集智腾讯计算社会科学研读营]]

*2019年6月7日-2017年6月14日在云南剑川沙溪古镇召开了由凯风基金会赞助，集智俱乐部主办“网络、几何与机器学习”研读营[[2019凯风研读营]]

* 2020年研读营分为线上研读营和线下研读营，线上研读营时间是8月25日-8月29日，共计5天，地点是在Zoom在线会议；线下研读营时间是9月23日-9月26日，共计4天，地点是在北京周边的灵水村。参与人数共计有56人（具体人员信息见附录），主题是“面向复杂系统的人工智能”研读营。[[2020集智凯风研读营]]

=== 学术沙龙 ===

===== 基本介绍 =====
针对前沿技术热点和重大社会问题，邀请一线研究者，面向公众，分享其最新研究成果。学术沙龙的宗旨是，挖掘交叉型人才，孕育原创性思想，传播最新科学认知。集智学术沙龙一般相关基金或企业赞助，面向公众开放。

*烧脑指数：🌟🌟🌟🌟（4颗星）
*参与方式：报名审核制
*适用人群：相关领域的研究者、从业者、爱好者

活动主题包括但不限于：
*计算社会科学：概况、发展现状与应用、大数据与机器学习在科学学中的应用专题；
*人工智能与城市科学：卫星遥感数据在城市科学中的应用；大数据与人工智能在城市科中的应用；智慧城市发展展望；
*多智能体系统：多智能体系统社会学仿真及其最新发展现状；
*人工智能社会：多主体智能、深度学习与多主体、经济推理与人工智能；
*算法与社会：计算广告学、推荐算法等算法简介以及对社会的影响；
*算法经济：云计算、算法经济平台，以及算法经济的发展展望。

===== 典型活动 =====

主要分享学者：黄晶生、程明霞、施永仁、吴令飞、王成军、侯世达、陆云波、韩战钢、陈永伟、张江、肖达、吕林媛、李睿琪、Geoffrey West、James Evans、周涛、高见、龙瀛、肖仰华、王鹏、José Lobo、W.Brain Arthur

详情请见：[[AI&Society系列沙龙活动]]

=== 集智圣诞年会 ===

===== 基本介绍 =====

集智年会是集智俱乐部一年一度的盛会，一般在圣诞节或者元旦举办，其目的是为了总结集智俱乐部一年的发展，并为集智俱乐部的忠实粉丝提供一个深度交流的平台。

*烧脑指数：🌟🌟🌟（3颗星）
*参与方式：邀请或报名审核
*适用人群：集智俱乐部粉丝；希望深入了解集智俱乐部的朋友

===== 典型活动 =====
*2015年7月15日、7月16日在南京大学新闻传播学院召开了第一次学术会议：南京'''注意力'''的科学会议[http://wiki.swarma.net/index.php/%E5%8D%97%E4%BA%AC%E6%B3%A8%E6%84%8F%E5%8A%9B%E7%9A%84%E7%A7%91%E5%AD%A6%E4%BC%9A%E8%AE%AE]

*2016年的学术圣诞晚会是在帝都心脏三里屯的Surperfit举办，此次活动的主题是'''AI与创业'''。[https://mp.weixin.qq.com/s/JMaf3r70ej0E5-_5rQ-Dmg]

*2017年的学术圣诞晚会是在768创意产业园区内的彩云科技举办，此次活动的主题是'''AI改变生活'''[https://mp.weixin.qq.com/s/QjRJ-Rf2qDwcdweKOXF5uw]。

*2018年的学术圣诞晚会是在北京朝阳区乌托邦工厂举办，此次活动的主题是'''奇点临近'''[https://mp.weixin.qq.com/s/aTd8fLStWOiDafBpv2ptdw]。

*2019年的学术年会是在北京海淀区的E_ZIKOO智慧谷举办，此次活动的主题是'''量子跃迁'''[https://swarma.org/?p=17911]。

==集智内容 ==

=== 集智公众号 ===
[[File:集智俱乐部公众号云图.png|800px|集智俱乐部发展历史|thumb|居中|集智俱乐部公众号关键词云图]]

集智俱乐部致力于报道复杂性科学与人工智能领域的最新进展，特别关注跨学科研究与交流。从社交网络到生态系统，从城市的结构到语言的结构，从机器学习到量子信息……「集智俱乐部」这个公众号跨越了学科的局限，向我们揭示出复杂世界背后的简单规则，也启发我们思考人工智能和复杂系统中的那些最前沿、最深刻、最普适的问题。

集智俱乐部公众号在环球科学旗下学术媒体“科研圈”组织的2018明星学术公众号评选中，入围前十。

==== 代表作品 ====
集智俱乐部公众号下分为多个子栏目，包括前沿报道、科研议题、科普文章、科学解释世界、经典论文回顾等。典型代表作品如下：

*栏目：前沿报道
代表文章：[https://mp.weixin.qq.com/s/eDP_1GdltOeER4mgJKrnBg 巴拉巴西nature封面文章，网络3d打印]

*栏目：科研议题
代表文章：[https://mp.weixin.qq.com/s/iXXZi6dQeTBBSZoHlLuCHA 学术互捧没有用？可能还有负面作用]

*栏目：科普文章
代表文章：[https://mp.weixin.qq.com/s/pVgX5o2pu7l_Fbq3GAcn0A 一文读懂复杂网络与群体智慧]

*栏目：科学解释世界
代表文章：[https://mp.weixin.qq.com/s/Dl0DowLx70uFwq67XJGvVA Science文章：要想成功，快抱大腿]

*栏目：经典论文回顾
代表文章：[https://mp.weixin.qq.com/s/X7AWuytD8D3Z5-rUAi7TEQ 热力学与进化论]

*栏目：集智活动
代表文章：[https://mp.weixin.qq.com/s/TOOcBnaMPm6NycWvZYa8sQ 集智-凯风复杂系统论坛全天回顾]

公众号 ID：swarma_org
[[File:集智俱乐部.jpg|200px|集智俱乐部发展历史|thumb|居中|扫一扫，关注集智俱乐部]]

=== 集智百科 ===

[[File:集智百科-全面图.png|1000px|集智俱乐部发展历史|thumb|居中|[[集智百科]]]]

[[集智百科]]是一个自由内容、公开编辑的科学知识库，主要内容集中在复杂系统科学与人工智能，创建于2013年，主要内容由集智俱乐部志愿者贡献。

集智百科作为一个开源的项目，致力于在复杂性科学这个学科领域，为大家翻译、整理、编辑最专业、准确的中文百科全书，为广大的科学爱好者提供最便捷的搜索方式。

集智百科的'''愿景'''：做复杂性科学领域科学、全面、客观的百科全书；

集智百科的'''口号'''：知识从我而来，问题到我为止。

从13年创建以来，集智百科上断断续续的有人生产内容，但是这些内容缺乏规范性，也不成体系，自2019年年底以来，集智俱乐部希望可以着重的梳理复杂性科学领域的基础知识，为广大的科学爱好者提供便捷易懂的知识。所以我们成立了信息收集、整理翻译、审校、编辑、专家审校、代码实现等小组，希望可以共同去完成这样一个万古长青的事业。

如果恰好你也对知识整理、分享感兴趣，也愿意参与我们，请添加相关负责人联系方式，加入对应的小组，和大家一同前行，共同编辑，改变世界！

[[File:集智百科报名.png |200px|集智俱乐部发展历史|thumb|居中|集智百科志愿者报名]]

==== 代表作品 ====
知识类词条：
*[[摄像机-电视自指系统]]
*[[无标度网络]]
*[[小世界网络]]
*[[异速生长律]]
*[[元胞自动机]]
*[[复杂系统]]

人物类词条：
* [[斯蒂芬·沃尔夫勒姆 Stephen Wolfram]]
* [[香农]]
* [[吉布斯]]
* [[巴拉巴西]]

书籍类词条：
* [[链接：网络新科学]]
* [[巴拉巴西网络科学 Network Science]]
* [[巴拉巴西成功定律]]

=== 集智众包 ===
集智俱乐部自2015年以来，在集智社区形成了成熟的众包运作模式，充分利用集体智慧，进行团体合作写作、翻译等活动，最终输出内容。目前已创作和翻译3本图书作品：

==== 代表作品 ====

[[File:科学的极致：漫谈人工智能.JPG|350px|居中|科学的极致：漫谈人工智能]]

[[科学的极致：漫谈人工智能]]

简介：这本书主要向大家介绍了人工智能的历史和发展，当然也包括了很多在集智俱乐部讨论过的AI方面的主题，例如：哥德尔不完备定理、柯尔莫戈洛夫复杂性、深度学习和集体智慧等主题。

[[File:走近2050——注意力、互联网与人工智能.jpg|300px|居中|走近2050——注意力、互联网与人工智能]]

[[走近2050]]——注意力、互联网与人工智能

简介：这本书主要讲述了机器世界最重要的能源：注意力流，因为我们生活中所有的产品和程序都是为了获取我们的注意力。这本书涵盖了人工智能、互联网、心理学和计算机游戏。

[[File:深度思考——人工智能的终点与人类创造力的起点.jpg |400px|居中|深度思考——人工智能的终点与人类创造力的起点]]

[[深度思考]]——人工智能的终点与人类创造力的起点

简介：在这本突破性的书中，卡斯帕罗夫第次揭示了他惊人的一面，描述了他在面对最为强大的对手时的谋划与布局，在全世界的注视下奋勇争先，并叙述了通过国际象棋程序的发展考察人工智能的发展历史。

[[File:深度学习原理与PyTorch实战.png |400px|居中|[http://campus.swarma.org/play/coursedetail?id=421 深度学习原理与PyTorch实战]]]

[http://campus.swarma.org/play/coursedetail?id=421 深度学习原理与PyTorch实战]

简介：本书系统介绍了深度学习技术及开源框架 PyTorch。实战与理论兼具，每章围绕一个有意思的实战案例展开，全面深入地介绍了计算机视觉、自然语言处理、迁移学习，以及最新的对抗式学习和深度强化学习等前沿技术。

[[文件:Netlogo入门书籍.jpg|替代=|居中|400x400像素]]
[https://item.jd.com/10039871937829.html NetLogo多主体建模入门]

简介：从入门讲解NetLogo多主体建模，精选七大跨领域实战案例，循序渐近讲解NetLogo的使用方法，附赠代码示例和讲解视频，计算机模拟仿真建模教程书籍。

==成果展示 ==

=== 集智社区 ===

在集智社群中

既有做出重要贡献的'''成熟学者'''

也有引领科技行业潮流的'''先锋企业家'''

还有许多正冉冉升起的'''青年学者、潜力硕博'''

更不乏从志愿者工作开始，逐渐切入学界、迅速成长的'''优秀青年'''

集智社群名人不完全名单：
文小刚，侯世达，凯文·凯利，李子青，王飞跃，段永朝，王小川，顾学雍，陈晓松，周海军，王啸，吴岩，刘锋，张寒燕，俞志晨，张一甲，杨南征，狄增如，韩战钢，吴金闪，尹相志，韩锋，李嫣然，傅渥成，林思恩，吴令飞，吕正东，唐璐，贾梓筠，尤亦庄，肖达，谷鹄翔，王成军，张勉，秦建军，苑明理，董磊，王乃岩，许铁，陆宜，陆云波，赵云峰，袁行远，曹旭东，陆树燊，王昆，刘寰青，唐文，姚欣，宋家泰，黄钊等等等等。

[[File:GEB侯世达.jpg|800px|GEB作者侯世达公开分享|thumb|居中|《GEB》作者侯世达先生在集智俱乐部演讲]]

[[File:部分集智科学家.jpg|800px|部分集智科学家合照|thumb|居中|部分集智科学家合照]]

还有许许多多的大咖参与其中，共同打造没有围墙的研究所！
<br />

==== 社区科研成果 ====

'''[https://pattern.swarma.org/paper?id=ff73afb2-3838-11ea-bb46-0242ac1a0005 Simple spatial scaling rules behind complex cities]'''
* 2017年11月28日，集智科学家[[张江]]、董磊、[[李睿琪]]等人在Nature Communications上发表文章[https://pattern.swarma.org/paper?id=ff73afb2-3838-11ea-bb46-0242ac1a0005 Simple spatial scaling rules behind complex cities]<ref name="z">Ruiqi Li,Lei Dong,Jiang Zhang,Xinran Wang,Wen-Xu Wang,Zengru Di,H. Eugene Stanley (2017) [https://pattern.swarma.org/paper?id=ff73afb2-3838-11ea-bb46-0242ac1a0005 Simple spatial scaling rules behind complex cities].</ref>，该文提出了一种模拟城市分形生长过程的模型，用简单的规则就可以刻画纷繁复杂的城市背后的统一规律：[https://mp.weixin.qq.com/s/Kqwcpg3Tyl78eF6YQyHESw 复杂的城市，简单的规则]

'''[https://pattern.swarma.org/paper?id=9e15999a-383a-11ea-a26f-0242ac1a0005 Skill discrepancies between research, education, and jobs reveal the critical need to supply soft skills for the data economy]'''
* 2018年12月11日，集智科学家吴令飞（[[计算士]]）和王成军合作在PANS上发表文章[https://pattern.swarma.org/paper?id=9e15999a-383a-11ea-a26f-0242ac1a0005 Skill discrepancies between research, education, and jobs reveal the critical need to supply soft skills for the data economy]<ref name="w1">Katy Börner,Olga Scrivner,Mike Gallant,Shutian Ma,Xiaozhong Liu,Keith Chewning,Lingfei Wu,James A. Evans (2018) [https://pattern.swarma.org/paper?id=9e15999a-383a-11ea-a26f-0242ac1a0005 Skill discrepancies between research, education, and jobs reveal the critical need to supply soft skills for the data economy].</ref>，该文系统性分析了一万三千个技能关键词在过去七年间（2010-2016）发布的一亿两千万份招聘广告、三百万份课程大纲和一百万研究论文上被提及的频率，发现人类社会对编程、财务、统计等“硬技能”（hard skills）的需求越来越大，与此同时，研究人员发现，沟通、管理和团队合作等“软技能”（soft skills）频率波动的时间序列与硬技能之间密切相关，硬技能需求增加驱动着与之适配的软技能：[https://swarma.org/?p=13892 为什么未来需要软技能]

'''[https://pattern.swarma.org/paper?id=6f04749c-3839-11ea-bd9f-0242ac1a0007 Large Teams Have Developed Science and Technology ; Small Teams Have Disrupted It]'''
* 2019年2月21日，集智科学家吴令飞（[[计算士]]）在Nature杂志上发表封面文章[https://pattern.swarma.org/paper?id=6f04749c-3839-11ea-bd9f-0242ac1a0007 Large Teams Have Developed Science and Technology ; Small Teams Have Disrupted It] <ref name="w">Lingfei Wu,Dashun Wang,James A. Evans (2019) [https://pattern.swarma.org/paper?id=6f04749c-3839-11ea-bd9f-0242ac1a0007 Large teams develop and small teams disrupt science and technology].</ref>。该文介绍了一项对1954年-2014年期间超过6500万篇论文、专利和软件产品的数据分析工作。研究者量化评估了创新的“颠覆性”，发现小团队更有可能做出突破性的研究：[https://swarma.org/?p=14730 团队规模与颠覆性创新]。论文第一作者吴令飞为 Nature 撰写了这篇文章，介绍了论文背后的故事和作者们的思考：[https://swarma.org/?p=14825 Nature封面文章作者讲述论文故事：小团队知道答案]

'''[https://pattern.swarma.org/paper?id=9deb21ca-3839-11ea-b23d-0242ac1a0005 Emergence of scaling in complex substitutive systems]'''
* 2019年7月8日，集智科学家靳擎、王大顺等人在Nature Human Behaviour上发表封面文章[https://pattern.swarma.org/paper?id=9deb21ca-3839-11ea-b23d-0242ac1a0005 Emergence of scaling in complex substitutive systems]<ref name="j">Ching Jin,Chaoming Song,Johannes Bjelland,Geoffrey Canright,Dashun Wang (2019) [https://pattern.swarma.org/paper?id=9deb21ca-3839-11ea-b23d-0242ac1a0005 Emergence of scaling in complex substitutive systems].</ref>，该文章发表消费者购买产品的行为模式、新思想在网络上传播的模式，本质上都是一种幂律增长的模式：[https://swarma.org/?p=17317 复杂演替系统中的幂律增长模式]

'''[https://pattern.swarma.org/paper?id=0efe64d4-00b4-11ea-8d16-acde48001122 Quantifying dynamics of failure across science, startups, and security]'''
* 2019年10月30日，集智科学家殷裔安和王大顺等人一起在Nature发表文章[https://pattern.swarma.org/paper?id=0efe64d4-00b4-11ea-8d16-acde48001122 Quantifying dynamics of failure across science, startups, and security]<ref name="y">Yian Yin,Yang Wang,James A. Evans,Dashun Wang (2019) [https://pattern.swarma.org/paper?id=0efe64d4-00b4-11ea-8d16-acde48001122 Quantifying dynamics of failure across science, startups, and security].</ref>，分析了科研（数据集来源于NIH Grants）、投资（数据集来源于 VentureXpert 数据库）、公共安全（数据集来源于全球恐怖主义数据库GTD）三个领域的大规模数据，阐述了失败的动力学机制。从动力学所得到的早期信号中“明察秋毫”，或许胜败早有伏笔：[https://mp.weixin.qq.com/s/SNxL91Q-pRfP83YoXK9LSQ 原来胜败早有信号]

'''[https://pattern.swarma.org/paper?id=111e9e12-00ac-11ea-8fd1-acde48001122 Historical comparison of gender inequality in scientific careers across countries and disciplines]'''
* 2020年2月18日，集智科学家黄俊铭在PANS杂志上发表文章[https://pattern.swarma.org/paper?id=111e9e12-00ac-11ea-8fd1-acde48001122 Historical comparison of gender inequality in scientific careers across countries and disciplines]<ref name="h">Junming Huang,Alexander J. Gates,Roberta Sinatra,Albert-László Barabási (2020) [https://pattern.swarma.org/paper?id=111e9e12-00ac-11ea-8fd1-acde48001122 Historical comparison of gender inequality in scientific careers across countries and disciplines].proceedings of the national academy of sciences.117.9:(4609-4616)</ref>，该文整合Web of Science数据集和Microsoft Academic Graph数据集的论文发表、引用、单位等多项信息后，筛选整理出150万名科研人员的完整职业生涯，覆盖13个主流学科、83个国家和1300万篇论文的大规模数据，对学术界中女性科研人员的学术能力表现及其背后的原因做出了分析:[https://swarma.org/?p=18557 女性科研工作者的退出风险与学术成就]

=== 集智孕育 ===

==== 彩云AI ====

[[File:彩云天气.png|800px|居中]]

2014年，集智俱乐部核心成员袁行远、肖达开发彩云天气，这是一款能够精确预测未来1小时内局部地区降雨情况的APP。这款APP是集智俱乐部举办的深度学习读书会孕育出来的一款产品。目前，袁行远、肖达、苑明理、何永振等集智核心成员已独立成立了彩彻区明科技有限公司。

有关彩云天气可以参看：[http://caiyunapp.com/]

最近，这个团队又研发了一个“彩云小译”的AI应用，这个应用可以做中英之间的同声翻译，帮助你与外国人无障碍交流。

[[File:彩云小译.png|800px|居中]]

==== 集智斑图 ====

[[文件:集智斑图新首页.png|替代=|居中|缩略图|800x800像素|[https://pattern.swarma.org/ 集智斑图]首页截图]]

[https://pattern.swarma.org/ 集智斑图]是是集智俱乐部创建的复杂科学领域的高质量内容聚合平台，包含了自组织社区、多领域学习路径、最新论文更新、论文解读活动等板块。集智斑图的目标是沉淀聚合复杂科学相关的科研资料，提高信息匹配效率。

斑图的含义：来源于英文的pattern，有花纹，图案的意思，在复杂系统中特指大量相互作用单元涌现出的时间空间模式，集智斑图则特指学习者在探索互动中形成的知识空间和集体智慧

slogan：用知识连接探索者

'''推荐学习路径：'''

[https://pattern.swarma.org/path?id=13 意识科学入门路径]从意识是什么，详细介绍了认知科学有关的实验，介绍了认知科学当前的最新研究进展，并且从跨学科的角度探讨了认知科学的发展方向。

[https://pattern.swarma.org/path?id=2 复杂网络分析入门路径]系统地整理了复杂网络分析领域的主要问题、意义和研究思路（但并不包括具体细节），整理相关的学习资料、论文和在线课程，供新手快速入门复杂网络。

[https://pattern.swarma.org/path?id=9 因果推断方法概述]从因果关系，理解因果关系的三个层次，以及研究因果关系的算法详细的阐述了因果关系的研究问题。

[https://pattern.swarma.org/path?id=21 解读幂律(Power Law)分布与无标度(Scale Free)网络]从什么是幂律分布，什么是无标度网络，如何产生幂律分布以及如何估计和判断幂律分布等几个方面详细阐述了幂律分布的原理。

[https://pattern.swarma.org/path?id=11 人工生命入门路径]整理自Lana Sinapayen为人工智能研究者们提供的一份人工生命入门指南，从人工生命的研究目标，人工生命的发展历史，人工生命的未来展望和学习清单多方面阐述了人工生命这个领域的研究问题和方向。

'''推荐论文解读：'''

* Albert-Laszlo Barabasi;Reka Albert;Emergence of scaling in random networks ,Science,1999<ref name="a">Albert-Laszlo Barabasi,Reka Albert (1999) [https://pattern.swarma.org/paper?id=b298b520-00b6-11ea-8d16-acde48001122 Emergence of scaling in random networks].</ref>

[https://pattern.swarma.org/paper?id=b298b520-00b6-11ea-8d16-acde48001122 随机网络的无标度性]总结了存在于许多实际网络中的[[幂律分布]]特性，首次命名了[[无标度网络]]这一重要概念，并研究了其背后的生成机制——偏好连接(preferential attachment)。

* Dirk Brockmann; Dirk Helbing;The Hidden Geometry of Complex, Network-Driven Contagion Phenomena ,Science,2013 <ref name="b">Dirk Brockmann, Dirk Helbing (2013) [https://pattern.swarma.org/paper?id=3c4a6ace-3d7b-11ea-acdc-0242ac1a0005 The Hidden Geometry of Complex, Network-Driven Contagion Phenomena].</ref>

[https://pattern.swarma.org/paper?id=3c4a6ace-3d7b-11ea-acdc-0242ac1a0005 通过网络的隐藏几何推断病毒的传播]指出疾病的传播其实与城市间的地理距离没啥关系，而与城市间的“等效”距离密切相关。这里的等效距离就是指根据城市间交通流量数据而折合以后的距离。

* Marc Timme; Jose Casadiego;Revealing networks from dynamics: an introduction ,Journal of Physics A: Mathematical and Theoretical,2014,41 .37<ref name="c">Marc Timme, Jose Casadiego (2014) [https://pattern.swarma.org/paper?id=a1b46292-4da3-11ea-8912-0242ac1a0005 Revealing networks from dynamics: an introduction].Journal of Physics A: Mathematical and Theoretical.41.37:</ref>

[https://pattern.swarma.org/paper?id=a1b46292-4da3-11ea-8912-0242ac1a0005 基于动力学的网络重构]简单地引入了复杂网络的基本概念后，介绍了复杂网络中有效链接和结构链接两者之间的区别。文章中详细地回顾了基于群体动力学数据，重构网络中结构链接的三种主要基本方法，即驱动-响应方法、复制-同步方法和直接重构方法，并指出了每种方法的优缺点和适用范围；简略地介绍了基于相关函数和最大熵理论，重构有效链接的思路。

* Junming Huang;Alexander J. Gates;Roberta Sinatra;Historical comparison of gender inequality in scientific careers across countries and disciplines ,proceedings of the national academy of sciences,2020,117 .9:4609-4616<ref name="h">Junming Huang,Alexander J. Gates,Roberta Sinatra,Albert-László Barabási (2020) [https://pattern.swarma.org/paper?id=111e9e12-00ac-11ea-8fd1-acde48001122 Historical comparison of gender inequality in scientific careers across countries and disciplines].proceedings of the national academy of sciences.117.9:(4609-4616)</ref>

[https://pattern.swarma.org/paper?id=111e9e12-00ac-11ea-8fd1-acde48001122 PNAS论文解读：科学事业在不同国家和学科中性别不平等的历史比较]整合Web of Science数据集和Microsoft Academic Graph数据集的论文发表、引用、署名、单位等多项信息后，筛选整理出150万名科研人员的完整职业生涯，覆盖13个主流学科、83个国家和1300万篇论文的大规模数据。对学术界中女性科研人员的学术能力表现、及其背后的原因做出了分析。

'''集智斑图论文速递：'''

实现了自动采集和遴选各大学术顶刊中与复杂科学密切相关的最新进展，并通过定期推送和建立论文库服务社区，是集智斑图聚合高质量信息、服务自组织科学社区的一项代表性产品。

斑图速递是由数据自动采集、科学术语自动提取、跨学科领域论文过滤、科学影响力评价体系等一系列技术支撑的，其中多项技术为自主研发并已注册专利。集智技术团队将持续专注于建立更完善的复杂科学知识体系和知识管理体系，服务于集智社区。
[[文件:顶刊速递.png|居中|缩略图|569x569像素|顶刊速递栏目]]
[[文件:顶刊速递订阅.png|替代=顶刊速递订阅|边框|居中|647x647像素]]

==== 集智学园 ====
[http://campus.swarma.org 集智学园]成立于2016年10月1日，是集智俱乐部孕育的创业项目之一。为一个知识服务社区，专门致力于复杂性科学、人工智能等先进技术的普及工作，合作伙伴包括腾讯、华为、北京师范大学、湖畔大学、混沌大学等多家知名机构。2019年底获得国家高新技术企业称号。

[http://campus.swarma.org 集智学园]的课程涵盖基础通识、复杂系统、网络科学、计算社会、人工智能五大模块。每个模块的精品课程，下表是部分课程：

{| class="wikitable sortable"
|-
! 课程类别 !! 课程名称
|-
| 基础与通识 || [http://campus.swarma.org/play/coursedetail?id=429 NetLogo 多主体建模入门]

[http://campus.swarma.org/play/coursedetail?id=10405 Mathematica基础入门教程]

[http://campus.swarma.org/play/coursedetail?id=388 快速入门 Julia 语言]

[http://campus.swarma.org/play/coursedetail?id=421 深度学习原理与PyTorch实战]

[http://campus.swarma.org/play/coursedetail?id=10406 数据科学心法与机器学习实战]
|-
| 复杂系统 || [http://campus.swarma.org/play/coursedetail?id=432 复杂性思维2020]

[http://campus.swarma.org/play/coursedetail?id=10665 系统科学概论]

[http://campus.swarma.org/play/coursedetail?id=394 复杂系统中的幂律分布]

[http://campus.swarma.org/play/coursedetail?id=397 非线性动力学与混沌]

[http://campus.swarma.org/play/coursedetail?id=433 复杂性与临界现象2020]

[http://campus.swarma.org/play/coursedetail?id=423 系统科学与社会经济]
|-
| 网络科学 || [http://campus.swarma.org/play/coursedetail?id=381 图网络：融合推理与学习的全新深度学习架构]

[http://campus.swarma.org/play/coursedetail?id=440 复杂网络2020]

[http://campus.swarma.org/play/coursedetail?id=443 图网络算法原理探究]

[http://campus.swarma.org/play/coursedetail?id=122 非欧式数据的几何深度学习]
|-
| 计算社会 || [http://campus.swarma.org/play/coursedetail?id=10634 计算社会科学的前沿与展望]

[http://campus.swarma.org/play/coursedetail?id=10624 地球未来——生物体、城市和公司的生命、生长与死亡]

[http://campus.swarma.org/play/coursedetail?id=10582 生长与设计——复杂性视角下的智慧城市]

[http://campus.swarma.org/play/coursedetail?id=425 复杂系统与社会计算研讨会]

[http://campus.swarma.org/play/coursedetail?id=10844 知识图谱与认知智能]
|-
| 人工智能 || [http://campus.swarma.org/play/coursedetail?id=11076 产学结合：自然语言处理及其应用]

[http://campus.swarma.org/play/coursedetail?id=416 系统讲解知识图谱——从建模到应用]

[http://campus.swarma.org/play/coursedetail?id=412 GAN 专题论文解读]

[http://campus.swarma.org/play/coursedetail?id=413 GAN 专题代码实践]

[http://campus.swarma.org/play/coursedetail?id=10484 计算机视觉与深度学习]

[http://campus.swarma.org/play/coursedetail?id=121 中文自然语言理解（NLU）在金融领域的应用]
|-

|}

查看各模块的精品课程，去到[http://campus.swarma.org 集智学园]官网。

===== [http://wiki.swarma.net/index.php/%E4%BC%81%E4%B8%9A%E5%90%88%E4%BD%9C%E8%AF%BE%E7%A8%8B%E5%88%97%E8%A1%A8 企业培训] =====

集智学园特别推出企业培训服务，为企业提供系统完整的技术、思维培训。建立员工深度学习机器学习思维，掌握机器学习的基本方法，提高企业活力。
<br/>详细信息：http://business.swarma.org/

'''技术培训'''

《python数据科学与机器学习》<br />

《如何打造你自己的聊天机器人》<br />

《中文自然语言理解在中文中的应用》<br />

《自然语言处理与深度学习》<br />

《计算机视觉与深度学习》<br />

《火炬上的深度学习》<br/>
......

'''思维升级'''

《复杂性科学》<br />

《迎接AI时代》<br />

《走近2050—人工智能、注意力与互联网》<br />

《机器学习思维》<br />

《企业生长的规模法则》<br/>
......

查看更多精彩内容，请去到[http://campus.swarma.org 集智学园]官网。

===媒体报道===

李白薇：[http://sttc.net.cn/journal/130.html 没有围墙的研究所]，中国科技人才，2015 原文链接

Xtecher:[http://www.sohu.com/a/125848135_472705 集智俱乐部张江：复杂系统里“简单纯粹”的前行者]

以特邀嘉宾的身份参与录制CCTV2的节目：未来架构师。[http://tv.cctv.com/2017/08/06/VIDESuxtIaeQMfwZVNHtV1zU170806.shtml 《未来架构师》人与机器交融的未来场景]

----

==加入方式==

目前集智俱乐部官方运营的社区加入方式如下：

* '''1.加入具体领域微信群，参与学术交流，需要报名对应主题的读书会，读书会列表可查看 https://pattern.swarma.org/study_groups'''
* '''2.成为集智VIP，解锁全部读书会、课程权限，VIP报名通道：https://campus.swarma.org/vip'''
* '''3.加入集智俱乐部QQ群：'''
** 集智俱乐部一群：292641157（已满）
** 集智俱乐部二群：877391004
** 集智学园交流群：426390994

成为集智俱乐部实习生：[https://mp.weixin.qq.com/s/5MD_56h3FwU80Yt221rckw 加入集智，一起复杂！2021集智实习生/志愿者招募]。

微信公共账号：集智俱乐部

[[File:集智俱乐部.jpg|200px|right|thumb|扫一扫，关注集智俱乐部]]

还可以添加微信小助手：swarmaAI

官方网站：https://pattern.swarma.org/

B站地址：[https://space.bilibili.com/233204821/#/ 集智俱乐部]

张江知乎账号：[https://www.zhihu.com/people/zhang-jiang-78-29-94/activities 张江]

集智俱乐部知乎账号：[https://www.zhihu.com/people/swarma/activities 集智俱乐部]

集智科学家微博：@集智科学家（https://weibo.com/swamagents?refer_flag=1001030101_）

更多入口，请参看：[https://www.wolai.com/fHxGuDuNUvwqfq7mjHtLFe 关于我们]

== 参考资料 ==

<references />
[[Category:集智相关]]