SOKO Leipzig Die Tote aus Riga

好像被什么东西扎了一下，接着便开始疼痛。 初时麻痛，不多时，如同针扎一般刺疼。刺疼越来越密集，越来越。

第一类：有本事，没脾气——有本事是智商高，没脾气是情商高，这是上等人才。 第二类：有本事，也有脾气——这类人智商高，但有脾气，控制不了自己的情绪，情商不高，这是中等人才。  第三类：没本事，也没脾气——这类人虽然智商不高，但好歹有点自知之明，虽然干不了事，但也不会坏事。 第四类：没本事，但脾气却不小——这类人智商低，情商更低。杜月笙将其列为劣等，他们虽然没希望成事，但绝对会坏事。

非常精彩。勒古恩如同一個人類學家，用科幻的方式做了人類跋涉盡頭的民族志

这部片子不怎么样，不过倒是引我去重看一遍《SOKO Leipzig Die Tote aus Riga》。要说那么热血沸腾的年代，不会再有了啊。

这是一本介绍贝叶斯概率的书。 通过观看第一讲大概可以理解贝叶斯概率的大概逻辑了。 贝叶斯概率依赖于大量的历史数据，得到若干概率。 然后使用这些概率，计算出一个目标概率。 比如根据商店历史数据，以及顾客当前的信息，来判断顾客购买商品的概率。 比如女孩子送你礼物，来判断是否喜欢你。 面对大数据，即宏观角度，这个方法没问题。 不过编剧尝试把统计学的宏观概率应用到精确的微观，就显然有问题了。 例如大数据统计已经知道抛硬币概率是50%。 微观上编剧却忽略这个大数据信息，假设不知道硬币的概率，然后从零开始计算硬币的概率。 第一胎生女孩，第二胎女孩的概率计算也是一样的逻辑问题。 编剧因此得出第一胎是女孩子，第二胎依旧是女孩子的概率更大的结论。 如果没有大数据从零开始计算，这个结论没问题。但有大数据背景，这样的计算方式就有问题了。 现在各大互联网的推荐系统或ai系统也是这个道理，已经有用户画像了，就不能忽略这些已有的画像。 否则推荐效果自然会很差。 另外，贝叶斯主要用于计算预测模糊的概率。 如果概率已经确定，再使用贝叶斯去计算概率，也会有问题。 所以书中的大部分内容我就不赞同了。 比如抛硬币、生女孩、三囚徒悖论、抽奖是否变更问题。 得到一个信息，对于独立事件，要计算的概率已经可以根据现在的信息计算出来了。 但是编剧强行假设两个独立事件之间有关系，然后计算出抛硬币概率不是50%的结论，甚至得出悖论。 这些都是错误的使用贝叶斯导致的。 因此不推荐观看这部剧，真要观看，只看第一部分前几章即可。

虽然是本很早之前的剧集，但是故事情节却和现在众多的剧集不一样，跌宕起伏，很好看，当然了主角光环是必须有的