什麼是集體智慧?
集體智慧的定義為：
為了創造新的想法，而將一群人的行為、偏好、或者思想組合在一起。
收集、組合和分析資料,從一大群人中搜集的答案可以使我們得出關於群組的統計結論：組中的個體將被忽視，將成百上千人的想法組合在一起，形成一種不依賴個人觀點的結論。
尋求集體智慧的例子：
-
wikipedia
wikipedia 是一個線上的百科全書，任何人都可以新建或者編輯網站上的任何一個頁面，這便是集體智慧的一種體現。這使得wikipedia成為了世界上最大的百科全書。
-
google
不知道你在朋友圈發表過文章沒有 ? 如果一篇文章被轉載的次數越多，那麼你會覺得自己越可能喜歡這篇文章。
科研論文的評價就是採用這樣的方式，人們將論文的重要程度與它被其他論文引用的次數聯絡起來，引用越多的論文其重要程度就越大。
將文章的重要程度與被其他論文引用的次數建立聯絡，這也是一種集體智慧的表現；就像是賣東西，大家都給好評的話,這個物品就越可能是你想要的,因為這個物品是經過成百上千買過的人評價的。
google搜尋引擎對網頁排序時就使用了“被引用次數”的評價標準,並且起名叫”PageRank演算法”。
-
京東、淘寶、亞馬遜的推薦
開啟這些網站時，它們會向你推薦各種你可能買的商品。這些推薦越符合你的心意，你就越可能買這件商品，這樣賣家就能賺到錢，而製作這個交易平臺的人也能借此分到利潤。
這些網站背後提供推薦的演算法叫做推薦系統。推薦系統可以利用很多顧客對同一個物品的喜好資料(比如通過獲取評論的方式)，向沒有買過這件物品的人提供推薦；
這些提供推薦的做法和google有什麼共同之處呢？
它們都使用了先進的演算法，採集來自不同人群的資料加以組合，進而得出新的結論，並創造出新的商機。
wikipedia和google又有什麼區別？
wikipedia的成功取決與提供內容的使用者，不是軟體中的智慧演算法；而google的成功卻是用演算法將不同使用者的資料組合在一起。這兩種顯然都是集體智慧的表現，但本書主要傾向於演算法。
演算法會收集使用者的資料，對資料進行計算分析，以智慧化的方式對資訊加以處理，並從中創造出可以增強使用者體驗的新資訊。
從資料中學習正是機器學習的強項，故本書的很多方法都是基於機器學習的，下面開始介紹機器學習。
機器學習
機器學習是將一組資料傳遞給演算法，由演算法推算出這些資料之間的關係模型。由資料經過演算法處理得到關係模型的過程叫做“訓練”。
藉助學習到的關係模型，當給予一個它沒見過的新資料時，演算法會根據訓練階段學習到的關係模型對它進行預測。
你會發現這些演算法和統計學的知識有很大關係。
比如說，你收到很多簡訊，資訊內容都包含“一元搶蘋果手機”，我們可以很快識別簡訊內容和‘是否是垃圾簡訊’之間的關係模式，即帶有“一元搶蘋果手機”的簡訊就是垃圾簡訊，應該直接刪掉。
我們將多條這樣的簡訊標記為垃圾簡訊之後，機器學習演算法應該自己學會其中的關係模式。當遇到新簡訊，其中包含“一元搶蘋果手機”，機器學習演算法應該能得出‘這是一條垃圾簡訊’的結論。
為什麼需要機器學習？
有些任務直接編碼較為複雜，我們不能處理所有的細微之處和簡單編碼，因此，機器學習很有必要。相反，我們向機器學習演算法提供大量資料，讓演算法不斷探索資料並構建模型來解決問題。比如：在新的雜亂照明場景內，從新的角度識別三維物體；編寫一個計算信用卡交易詐騙概率的程式。
機器學習方法如下：它沒有為每個特定的任務編寫相應的程式，而是收集大量事例，為給定輸入指定正確輸出。演算法利用這些事例產生程式。該程式與手寫程式不同，可能包含數百萬的資料量，也適用於新事例以及訓練過的資料。若資料改變，程式在新資料上訓練且被更新。大量的計算比支付手寫程式要便宜的多。