Stanford Probability for AI · Week 3 📚 我们努力爬上了山顶，却发现那并不是最高的山。⛰️ 这周学习了最大似然估计（MLE）和梯度上升（Gradient Ascent）。刚开始看到偏导数和各种公式，还是有点晕，但助教 Samuel 设计的两个小游戏，让这些抽象概念变得直观起来。 第一个游戏，是在一张被浓雾覆盖的地图上寻找最高峰。我们只能进行有限次数的测量，根据当前位置的高度、坡度和方向，决定下一步往哪里走。 结果大家努力爬上了一座山，却发现地图上还有另一座更高的山！😂 原来，找到局部最优（Local Optimum），不代表找到了全局最优（Global Optimum）。 第二个游戏更有意思：如何利用三个 Wi-Fi 信号塔接收到的信号数量，反推出手机的位置？ 这才逐渐把本周的两个概念串起来： 🔹 MLE：什么样的参数最能解释我们观察到的数据？ 🔹 Gradient Ascent：如何沿着分数上升的方向，一步步找到更好的参数？ 本周的 Hidden Chamber 项目，则进一步利用缪子（Muons）的计数数据，推断金字塔内部的石头厚度，寻找可能存在的隐藏空腔。 从爬山、手机定位到探测金字塔，看起来完全不同的问题，背后竟然可以使用相似的数学思路。 课堂上还有个问题让我印象很深：我们用来推断手机距离的信号概率曲线，究竟是怎么建立的？ 这让我开始意识到，优化算法不仅涉及怎样找到最高分，还涉及我们如何定义分数、选择起点，以及是否有足够的证据支持模型本身。 一个算法可以不断逼近最优解，但我们首先得知道，自己究竟在优化什么。 最后分享一个本周的小彩蛋！🎨 我还为 PAI 的 T-shirt Design Challenge 设计了一款 T 恤LOGO，借用了 Call Me Maybe 的梗，改成 Bayes Me Maybe，把 Bayesian inference 中的 prior 和 posterior 画成两条可爱的概率曲线，还加入了课程的小吉祥物。 希望这次的设计能拿第一名！🏆🐻 概率论不只有公式，也可以很可爱。 继续探索！✨