關於 multivariate regression ，我們在網路上蒐集到這些相關的討論、資訊與評價

「在進入 PGY 訓練前，我很高興能參與新思惟的課程，接受一天高效率的研究能力訓練，上完《#醫學論文與寫作工作坊》，我更有信心面對研究上的挑戰了。」
⠀
▌ 那些研究新手常犯的錯，講師都知道！
⠀
利用上午兩個小時，陳一銘及吳爵宏醫師精確點出研究新手常犯的錯誤：哪些是廢話、什麼樣的語句會太模糊、圖片為什麼長很醜等等。講師不只要避免學員踩雷，也提供標準化的寫法，讓學員能快速寫出符合邏輯的文章。
⠀
另外，在圖表編修的課程中，講師更點出許多容易被忽略的細節，有時也許是無心的格式缺點，卻可能讓編審者將論文丟進垃圾桶，浪費自己幾個月以來的努力，實在不可不慎。
⠀
上完這堂課，我瞭解不只研究數據要漂亮，如何簡明扼要的呈現研究結果，更是一門學問。
⠀
▌ 製圖不再土法煉鋼，成品更有質感。
⠀
統計課程的手把手教學，讓我們可以在最快速的時間內學會，課堂上完全不用擔心問蠢問題被笑，而且助教數量非常足夠，只求大家不要把問題帶回家。
⠀
時間雖然緊湊，但課程設計一點也不馬虎，老師及助教利用中午的時間，一步步由淺至深，帶著大家從 independent t test 做到 multivariate regression 並做出圖表。
⠀
別擔心不熟悉統計術語，或是生統曾經被當，因為課程只給你最實用的，熟悉後多次練習即可上手。雖然製圖競賽沒得獎，但看到自己利用課堂所學做出來的圖表，還是非常有成就感，跟自己土法煉鋼的圖表比起來，就是不同檔次。
⠀
下午的最後時段，講師分享許多研究計畫撰寫的重點，不只為初學者提供最佳的計畫申請策略，也提醒諸多申請過程的細節。所謂魔鬼藏在細節裡，當避免掉容易被拒絕的缺點，#距離拿到研究經費也不遠了。
⠀⠀
⠀
🚩 2021 / 7 / 10（六）醫學論文與寫作工作坊
➠ https://mepa2014.innovarad.tw/event/
➠ 讓 PubMed 查詢頁與 Google 查詢頁，展示出我們的深度與廣度。
⠀
⠀
▌ 問：這個課程適合初學者嗎？
⠀
答：適合。新思惟的研究課程，特別加強「從 0 到 1」的研究新手部分，但依然保留新思惟課程的「雅俗共賞」特色，許多內容，即使已經有 5 篇 SCI 經驗的人，都會覺得有趣。我們過去的課程，初學者來都非常滿意；即使傑出學者如 #登過外科第一名期刊的、#超過100篇的、#登過Science的學者們 來上，也都有所收穫。
⠀
⠀
🚩疫情會過去，論文技能會留下。
➠ 2021 / 7 / 10（六）醫學論文與寫作工作坊
➠ https://mepa2014.innovarad.tw/event/
➠ 讓名字出現在 PubMed 上才是自己的。

［The poorer you are, the more frequent that you meet ghost］是日阿媽係女人，Economist都不能倖免，話畀你知，原來凶宅會平啲。哦。本城連師奶都識講咩叫「引伸波幅」「縮Vol」（爭在未識講Delta neutral 甚至Gamma neutral ），講啲真係三歲小朋友都識嘅嘢

（原文：https://econ.st/2oNg1Qs）

如圖，凶宅，或曰「事故單位」，平均跌價兩成。同層就5%，同座就3%（又，想問，佢13樓跳樓，關我30樓乜事？），同一屋苑，都1%。你計下蒸發幾多財富？聽聞話一個人自殺影響好多人，就係呢啲咯。

另外，唔同死法當然都有唔同影響。如果計同一單位，謀殺就當然最大劑，吊頸都唔好玩。跳樓反而心乜事—不過如果係同一座，就吊頸大劑過謀殺，原因不明。

又，其實係出自大學論文，真係大檸樂。仲要係科大。原文（http://bit.ly/2WEu5rL）我快睇過，得罪講句，都仲係相當阿媽係女人。只係加啲multivariate 嘅regression，再加啲time series就懶撚係好似好科學咁。似乎寫論文都真係唔係咁難。

拿，今次就真係美斯啦，我估我去寫都真係咁上下。畀埋下份paper嘅題目你都仲得。例如可以研究下，隨住香港樓價越升越高，明顯地，凶宅嘅折讓係細咗嘅。「迷離夜」任達華話齋，窮人唔怕鬼，因為人窮，慘過見鬼。

另外，可以調查下，咪有啲友在車度開氣自殺嘅？研究下呢班人有幾多係業主。如果係租屋嘅，應該唔介意在房東間嘢度自殺。仲有，可以睇埋，有屋企人嗰啲屋主自殺，應該傾向唔會在自己屋企。正所謂自己死還死，唔好累屋企人。但自己一個或者全部一鑊熟嘅，應該唔會介意。或者研究埋，跳樓嗰啲，係咪單位上面影響少，單位下面影響大，會唔會平台對上嗰層（例如本人）最大劑。

大家記住珍惜生命，大佬，層樓好貴架，唔好累其他人。我見之前有個，睇樓睇睇下在人地間屋跳樓！（http://bit.ly/2C4DdN5 睇樓竟跳樓豪宅成凶宅），堅係痴撚線。仲要係坡仔遊客，特登嚟香港跳！你話唔係新加坡打壓香港嘅陰謀我點都唔信！個業主真係慘過西。

又，香港嘅「凶宅」，同外國講嘅Haunted houses，都未必真係同一回事

認真，我覺得MSc論文寫呢啲都還好，但大佬，幾件都PhD喎。明嘅，搵食啫。有冇興趣畀個PhD我一齊寫？

人工智慧時代，一個自我實現的預言 （中）

上回我們講到現在的人工智慧，最重要的價值就是越來越能提供廉價且準確的「預測」。在《AI經濟的策略思維》一書中，作者強調：預測就是情報，是以已經掌握的資訊，來創造還未掌握的資訊，填補缺失的環節，而這就是人類智慧的關鍵。

想像一下，你現在回到幾十萬年前，成為智人的老祖宗，你一個人直立行走在草叢中，突然看見不遠處有一叢草枝擺的幅度比較大，在這一瞬間，你馬上判斷這搖擺的方式不是風吹，而是動物在動，甚至還判斷出動物的大小跟可能是什麼動物，於是要嘛你拔腿就跑，要嘛找尋周遭有無石頭好防身，代表你已經藉由察覺環境中出現的模式，推斷出草叢後可能的危險。

但要是你這位老祖宗看到這樣的情形，卻待在原地思考要用什麼科學方法來調查草叢搖擺的原因，甚至滿懷好奇心地撥開草叢，想直接目睹，你極有可能成了猛獸的餐點，沒機會把你那充滿好奇的基因跟思維方式傳下來。

雖然這樣的預測其實就是腦補，而且我們都知道到了現在，我們這種腦補的 #捷思 已經成了一個大問題，讓我們很容易被有心人刻意產出、安排的資訊陷阱（例如假新聞）給矇騙，但我們還是得感謝我們的老祖宗愛腦補，不然也輪不到我們現在擔心這些問題，早就被淘汰了。

在機器學習出現之前，我們主要是用統計方法中的多變數迴歸分析 (multivariate regression) 來有效率地降低預測錯誤。這種方式可以在數據比較少，而且可以判斷 #大概是哪些條件對預測有幫助 的時候。

什麼是迴歸分析：
https://zh.wikipedia.org/wiki/%E8%BF%B4%E6%AD%B8%E5%88%86%E6%9E%90

多元線性回歸分析預測法
https://wiki.mbalib.com/zh-tw/%E5%A4%9A%E5%85%83%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92%E5%88%86%E6%9E%90%E9%A2%84%E6%B5%8B%E6%B3%95

例如，假設我們要預測一家電信公司的 #顧客流失率，你覺得要注意哪些條件呢？一個最主要的觀察重點，就是用戶用 #手機上網的時間跟消耗的流量，畢竟如果他們都沒在用，就可能會把帳戶停了。

但機器學習就不是這樣子，不需要跟迴歸分析一樣，先確定條件，而是讓機器自己從大量資料中辨識出特徵或模式，例如同樣要預估電信公司的顧客流失率，你就可以建立模型，然後把每分鐘的通話、簡訊或上網紀錄、帳單金額、準時付款與否、甚至每天數百萬使用者的地點等各種資料都交給人工智慧去學習、並找出模式。變數可能有好幾千個。

例如你可能會發現，在每個月前幾天就花很多時間講電話的顧客，比起帳單金額高，但都在每個月最後幾天講電話的人，比較不會流失。或是在每天 9-17 點常用電話的人，比起少用電話的人，更容易流失。這些都很難一開始就預測到，但機器學習可以透過 #資料探勘 (Data mining)，找到從我們眼角溜過的那些蛛絲馬跡。

有了好的預測，會大大的影響決策。就像上篇中的一張圖表示的。舉例來說，棒球教練會根據對方打者的擊球模式、過往的打擊數據（也就是 #輸入）判斷這個打者可能會打出安打，或是內野滾地球被接殺，這就是 #預測。

接著教練得做出怎麼安排野手的守備位置比較好的 #判斷。

如果往外野退，但打者打出內野犧牲打、讓隊友盜壘怎麼辦，如果往內野縮，那就可能會讓外野安打失分更多，又該怎麼辦？權衡之後，教練就得發出指令，這就是 #行動。

接著就是看打者到底會被三振、還是擊出安打、還是被接殺...最後的結果也將以 #數據化的形式，成為訓練預測跟判斷的 #資料。

同樣的，醫生會根據我們的症狀找出模式，來對症下藥。股市交易員會針對指數的升降，找出模式，然後加以預判，看是要買進或賣出。

我們也會根據走路姿態，甚至腳步聲，認出從走廊走過來的是誰，決定要不要跳出來嚇她（誤）或跟咬著吐司與她互撞來交換靈魂（無誤）。

我們人類所做的事情都跟預測有關，但也都不只是預測，因此各位可以想想，如何「拆解」一件事情，變成很多個細節小任務，然後去想：這許多小任務中，有哪些其實就是在「預測」？那麼，如果要讓人工智慧來代替這個預測的環節，我們需要哪些資料來訓練呢？

相較於人類的預測，機器的預測可以規模化，每次預測的單位成本會越來越低，而且速度將漸漸比人類更快、更好。這是很有競爭力的一點。但有兩個挑戰：

第一：就目前以及可預見的近未來來看，人類的認知模式還是比人工智慧更能了解真實世界的運作，我們的感官跟大腦讓我們能夠用很少量的數據就做出預測。所以，在非典型事件、資料量較少的情況下，人類預測的正確率還是遠超過機器預測的。

第二：雖然預測的成本低了，但判斷跟行動的代價還是很高，這時候最好的方式就是結合人類跟機器。並且讓機器去學習「#人類在這種情況下會怎麼做？」

舉例來說，現在 Google 等公司提供的翻譯就是一種預測，他們透過深度學習，對一篇英文文章提出機器所能得出的中文版本，通常會提出好幾個版本讓我們去挑選，我們可以省下一個字一個字自己去全文翻譯，或是請人翻譯。

如果機器預測的品質，也就是翻譯的結果太差，我們就會放棄。但如果品質不錯，我們挑了一個版本之後，可以自己簡單調整修飾，看是要改成口語一點還是嚴謹一點，就可以省下不少時間。透過人與機器的搭配，決策跟行動都可以更有效率。

自駕車也是一樣。除了讓電腦不斷提升辨識路況、號誌、各種物件、各類訊號的精準度以外，先當個副駕駛，學會人到底是怎麼開車的、在不同的情況下會怎麼做，其實更是關鍵。

在我想好下篇該寫什麼之前，大家不妨可以分享一下你的看法：你在日常生活中已經感受到哪些「預測平價化」帶來的改變呢？

上集請見：

Medium https://medium.com/%E9%84%AD%E9%BE%9C%E7%85%AE%E7%A2%97%E9%BA%B5/%E4%BA%BA%E5%B7%A5%E6%99%BA%E6%85%A7%E6%99%82%E4%BB%A3-%E4%B8%80%E5%80%8B%E8%87%AA%E6%88%91%E5%AF%A6%E7%8F%BE%E7%9A%84%E9%A0%90%E8%A8%80-%E4%B8%8A-f7f344e8be0

FB:
https://www.facebook.com/noodleswithturtle/posts/570211210140916

再推薦一次好書：

《AI經濟的策略思維》
https://www.books.com.tw/products/0010803316

想上我跟洪智傑老師開的的 AI 入門課，請到這裡：

https://panschool.asia/product/人工智慧必修課