2,439
个编辑
更改
跳到导航
跳到搜索
第160行：
第160行： − + − 蚂蚁在组成群体时为何会表现出如此的精密性和具有目的性？数以亿计的神经元是如何产生出像意识这样极度复杂的事物？是什么在引导免疫系统、互联网、全球经济和人类基因组等自组织结构？这些都是复杂系统科学尝试回答的迷人而令人费解的问题的一部分。理解复杂系统需要有全新的方法，需要超过传统的科学还原论，并重新划定学科的疆域。借助于圣塔菲研究所的工作经历和交叉学科方法，复杂系统的前沿科学家米歇尔在《复杂》一书中，以清晰的思路介绍了复杂系统的研究，横跨生物、技术和社会学等领域，并探寻复杂系统的普遍规律。与此同时，她还探讨了复杂性与进化、人工智能、计算、遗传、信息处理等领域的关系。 + + + + − ===文章推荐=== − *[https://zhuanlan.zhihu.com/p/97717680 超越简单规则——用图神经网络对复杂系统进行自动建模] − ::近期，由北京师范大学张江团队发表的文章《A general deep learning framework for network reconstruction and dynamics learning》在期刊Applied Network Science上刊登，这篇文章提出了一种基于深度学习的数据驱动模型，可以从节点的时间演化数据中重构出网络结构，并且学习到系统的动力学。本文是第一作者张章对该文章内容的解读。 − + − + + − *[https://campus.swarma.org/course/596 生物中的多主体模型] − ::本课程将视线转移到生物学领域，展现计算机模拟在生物学中的应用。认识自然现象，我们可以从物理、数学、生物、天文、化学等众多角度去解读，那么怎样将众多的知识综合起来转化为可以用计算机模拟的语言哪？本节课将通过一个模型案例来帮助我们打开思路，更好的去描述和模拟生物现象。 − +
无编辑摘要
===书籍推荐===
===书籍推荐===
[[File:复杂.jpg|200px|thumb|right|《复杂》封面]]
[[File:复杂.jpg|200px|thumb|right|《复杂》封面]]
*[https://vdisk.weibo.com/s/BTLfj870SYIar 《复杂》 梅拉妮·米歇尔]
*[[统计因果推理入门]] 对应英文[[Causal Inference in Statistics: A Primer]]
关于因果的讨论很多，但是许多入门的教材只是为没有统计学基础的读者介绍如何使用统计学技术处理因果性问题，而没有讨论因果模型和因果参数，本书希望协助具有基础统计学知识的教师和学生应对几乎在所有自然科学和社会科学非试验研究中存在的因果性问题。本书聚焦于用简单和自然的方法定义因果参数，并且说明在观察研究中，哪些假设对于估计参数是必要的。我们也证明这些假设可以用显而易见的数学形式描述出来，也可以用简单的数学工具将这些假设转化为量化的因果关系，如治疗效果和政策干预，以确定其可检测的内在关系。
本节内容主要来源于《Causal Inference in Statistics: A Primer》[1]一书第四章。另外，《为什么》[2]一书第八章的举例更加生动易懂，也可参考
===课程推荐===
===课程推荐===
*[https://campus.swarma.org/course/1095 NetLogo多主体建模入门]
*[https://campus.swarma.org/course/2734 攀登因果之梯第三阶：反事实推理及其应用分享 | 第二季第六期]
::本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。
::本课程中，上海交通大学陈晗曦同学将带领大家将走进反事实的世界，了解什么是反事实问题以及生活中会遇到的反事实问题，给出反事实的定义、反事实在结构模型和图模型中的意义和解释，介绍两条反事实基本定理。
----
----
本中文词条由[[用户:Jake|Jake]]用户参与编译，[[用户:思无涯咿呀咿呀|思无涯咿呀咿呀]]参与审校，[[用户:思无涯咿呀咿呀|思无涯咿呀咿呀]]编辑，欢迎在讨论页面留言。
本中文词条由[[用户:Wei|Wei]]用户参与编译，[[用户:Chancychen|Chancychen]]参与审校，[[用户:思无涯咿呀咿呀|思无涯咿呀咿呀]]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。'''
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''