In Reliable Reasoning, Gilbert Harman and Sanjeev Kulkarni--a philosopher and an engineer--argue that philosophy and cognitive science can benefit from statistical learning theory (SLT), the theory that lies behind recent advances in machine learning. The philosophical problem of induction, for example, is in part about the reliability of inductive reasoning, where the reliability of a method is measured by its statistically expected percentage of errors--a central topic in SLT. After discussing philosophical attempts to evade the problem of induction, Harman and Kulkarni provide an admirably clear account of the basic framework of SLT and its implications for inductive reasoning. They explain the Vapnik-Chervonenkis (VC) dimension of a set of hypotheses and distinguish two kinds of inductive reasoning. The authors discuss various topics in machine learning, including nearest-neighbor methods, neural networks, and support vector machines. Finally, they describe transductive reasoning and suggest possible new models of human reasoning suggested by developments in SLT.
评分
评分
评分
评分
这本书真的出乎我的意料,从书名来看,我原以为它会是一本晦涩难懂的哲学论著,充斥着各种复杂的术语和抽象的概念,读起来会非常枯燥。然而,当我真正翻开它的时候,才发现它远比我想象的要平易近人得多。作者以一种近乎讲故事的方式,将那些看似遥不可及的逻辑推理过程,拆解得非常细致,让人能轻松跟上思路。尤其是书中关于“如何识别谬误”的那几个章节,简直是为我打开了一扇新世界的大门。我一直以为自己是个相对理性的人,但在阅读过程中,我发现自己过去在做很多决策时,其实无意中犯了不少逻辑上的小错误,比如过度概括,或者是在没有充分证据的情况下就下了定论。这本书并没有高高在上地指责读者的错误,而是非常耐心地引导我们去审视自己的思维过程,并提供了一套实用的工具箱。它不是那种读完就束之高阁的书,我甚至会时不时地拿出其中某个章节重温,感觉就像是给自己的思维做了一次定期的“维护保养”。
评分这本书的阅读体验,我可以用“清醒”来形容。在信息爆炸的时代,我们的大脑无时无刻不在被各种碎片化、情绪化的信息轰炸,很容易陷入“感觉对就对了”的思维定势。这本书像是一盆冷水,将我从那种情绪驱动的判断中拉了出来,让我重新审视“证据”的分量。它没有提供简单的答案,但它提供了更可靠的提问方式。比如,当一个结论听起来“太完美”或者“太符合我的期望”时,这本书会自然而然地提醒我,这可能是一个需要更严苛审视的信号。它塑造了一种审慎的怀疑精神,但这种怀疑不是犬儒主义,而是一种追求真相的积极态度。读完后,我发现自己在看商业广告、政治演讲,甚至社交媒体上的热门讨论时,都会不由自主地在脑海里勾勒出逻辑图表,这真是一种潜移默化的巨大改变。
评分我必须承认,这本书对我的专业领域产生了巨大的触动,虽然我的工作和“推理”这个词汇没有直接挂钩,但我们每天都在处理海量的信息,从中提取有效信号,并据此做出决策。这本书提供的底层框架,让我对信息的筛选和评估有了一个全新的视角。过去我可能更注重信息的“量”,现在我开始更关注信息的“质”和来源的可靠性。让我印象深刻的是书中关于“贝叶斯定理”的某种通俗化解释,它并没有用复杂的数学公式吓跑我,而是通过一系列生动的日常案例,阐释了如何在接收到新证据时,动态调整我们对某个结论的置信度。这比教科书上的讲解要生动有效得多。它教会我,所谓的“可靠”并不是一个静态的标签,而是一个动态评估的过程,需要不断地根据输入的数据进行校准。这本书的价值在于,它将高深的理论,转化为职场上随时可用的“思维肌肉记忆”。
评分说实话,我一开始是被朋友强烈安利的,她是个律师,信誓旦旦地说这本书是她职业生涯的“武功秘籍”。我当时还半信半疑,毕竟法律和日常辩论的场景还是有距离的。但读完之后,我明白了她为何如此推崇。这本书最精彩的地方在于,它把“说服”这件事的本质解剖得淋漓尽致。它不仅仅教你如何“构建”一个论点,更重要的是,它教你如何“瓦解”一个看似坚固的论点,同时又保持礼貌和尊重。书中关于“预设前提”的讨论非常深刻,很多争论的僵局,其实都源于双方没有意识到自己在默认相信某些未经检验的前提。这本书让我学会了在讨论中,先慢下来,找出彼此的共同起点,而不是急于抛出自己的结论。这极大地改善了我与家人和同事之间的沟通效率,感觉我们不再是互相“喊话”,而是真正地在“对话”了。
评分这本书的编排结构非常巧妙,不像很多学术书籍那样线性推进,让人觉得喘不过气。它更像是一个精心设计的迷宫,每一个拐角都展示了一种新的思维陷阱或者推理工具。我特别喜欢作者在每个章节末尾设置的“自检清单”,这些清单不是让你去背诵概念,而是让你立刻在脑海中回顾刚刚学到的方法论,并尝试用它来分析一个刚刚读到的新闻标题。这种即时的应用反馈机制,极大地巩固了知识的吸收。我感觉作者非常体贴读者的学习节奏,没有试图一次性灌输所有知识,而是采用了“小步快跑”的策略。对于像我这样时间零碎的上班族来说,每天能专注阅读半小时,就能感觉自己实实在在地提升了认知能力,而不是在阅读中感到焦虑。
评分O..K.. explores interesting connections but way too telegraphic
评分Harman算是指引我接触归纳推理的入门者 但他的基本观点:induction和deduction同为reasoning是一种范畴错误 我从来都不认同
评分Harman算是指引我接触归纳推理的入门者 但他的基本观点:induction和deduction同为reasoning是一种范畴错误 我从来都不认同
评分看得半懂不懂。需要对statistical learning和某些分析哲学的问题,例如古德曼的归纳难题有一定了解后再看,才能收获较大。总体上来说感觉太过简略了,不是入门读物。
评分O..K.. explores interesting connections but way too telegraphic
本站所有内容均为互联网搜索引擎提供的公开搜索信息,本站不存储任何数据与内容,任何内容与数据均与本站无关,如有需要请联系相关搜索引擎包括但不限于百度,google,bing,sogou 等
© 2026 book.wenda123.org All Rights Reserved. 图书目录大全 版权所有