Биография томаса байеса. Жизнь и научная деятельность Т. Байеса. Преподобный Томас Байес

Томас Байес родился в 1702 году в Лондоне, в семье одного из первых шести пресвитерианских священников Англии. По существовавшим среди кальвинистов правилам, как сын духовного лица Байес получил сугубо домашнее образование, рано проявил очень большие способности к математике, однако пошел по стопам отца и в 1720-е годы стал священником пресвитерианского прихода в городке Танбридж Уэллс, что примерно в 50 километрах от Лондона. На духовной службе Байес оставался здесь вплоть до 1752 года, после отставки продолжал жить в Танбридж Уэллсе, здесь же и закончил свою жизнь еще 9 лет спустя, 17 апреля 1761 года.

Среди современных ему английских ученых Байес был человеком весьма известным и в 1742 году был избран «в академики» (как сказали бы сейчас), т. е. в члены Лондонского Королевского общества, даже несмотря на тот факт, что священником не было опубликовано ни одной работы по математике. Более того, при жизни Байеса под его именем не вышло, строго говоря, вообще ни одной научной работы. Единственная работа отца Байеса, опубликованная им под своим именем (в 1731 году), носила сугубо теологический характер и имела характерное для той эпохи предлинное название «Благость господня, или попытка доказать, что конечной целью божественного провидения и направления является счастье его созданий».

Помимо же этого, в 1736 году Байесом анонимно была опубликована статья «Введение в теорию флюксий или В защиту математиков от нападок автора The Analyst (Комментатора)». Здесь Байес защищал ньютоновскую теорию дифференциального исчисления от атаки Джорджа Беркли (несколько позже получившего сан епископа в Клойне), пытавшегося с метафизических позиций раскритиковать «неправильные», на его взгляд, логические основания мощнейшей математической теории.

Что же касается фундаментального исследования Байеса в области теории вероятностей, то оно было изложено им в «Эссе о решении проблем в теории случайных событий». Эту работу математика лишь после его смерти обнаружил друг Ричард Прайс, который и переслал статью в академию. В 1764 году это «Эссе» было опубликовано в «Трудах Лондонского Королевского общества», откуда и берет начало его мировая слава.

Теорема Байеса, имеющая ныне сильнейшее влияние на разработки компаний, создающих программное обеспечение, имеет дело с расчетом вероятности верности гипотезы в условиях, когда на основе наблюдений известна лишь некоторая частичная информация о событиях. Другими словами, по формуле Байеса можно более точно пересчитывать вероятность, беря в учет как ранее известную информацию, так и данные новых наблюдений. Главная, видимо, особенность теоремы Байеса в том, что для ее практического применения обычно требуется огромное количество вычислений-пересчетов, а потому расцвет методов байесовых оценок пришелся аккурат на революцию в компьютерных и сетевых инфотехнологиях. Конечно, эффективные методы статистических оценок интенсивно применяли и ранее, особенно военные в каких-нибудь экспертных или криптоаналитических системах, но по-настоящему широкая популярность и даже «мода на Байеса» пришли в 1990-е годы.

Пионером здесь стала британская интернет-компания Autonomy, для интеллектуального поиска информации созданная математиком (и ныне миллиардером) Майком Линчем. Программное обеспечение Autonomy, построенное на базе байесовых оценок, позволяет компьютерам «понимать» содержание неструктурированной информации, такой как текстовые участки веб-страниц или электронная почта. Например, с помощью байесовского аппарата по контексту достаточно элементарно подбирается нужная информация о реке Амазонке, а не о мифических племенах воинственных женщин или об онлайновом супермагазине с тем же названием Amazon. Просто по той причине, что контекст документа будет включать упоминания о джунглях, деревьях и Южной Америке.

Лежащая в основе Autonomy технология DRE (Dynamic Reasoning Engine) по сути дела сводит воедино вероятностные методы Томаса Байеса и труды Клода Шеннона по теории информации. Формулы Байеса связаны с вычислением вероятностных связей между многими переменными и определением их взаимовлияния. Используя эту технику и компьютерные мощности, удается выявлять связи между различными элементами информации. Поняв основной смысл текста (или другого информационного носителя), система Autonomy приступает к следующему шагу и использует теорию Шеннона, согласно которой чем менее часто встречается информация, тем она более информативна.

Майк Линч с редкостным апломбом любит заявлять, что «лишь 10 человек в мире знают, как все это (байесовы оценки) применять, причем треть таких людей работает на меня». Вряд ли стоит воспринимать слова математика-предпринимателя всерьез, скорее это так – работа на публику и раздувание щек, что называется, бизнеса ради. Байесовский математический аппарат разработан сейчас весьма мощно, и технологии на его основе применяются во множестве других компаний.

Например, корпорация Oracle использует теорию Байеса в своем новом ПО для баз данных, где с ее помощью выявляются характерные тенденции в сложных массивах данных, а также вносится столь популярная ныне «персонализация» в маркетинговые кампании. В корпорации Microsoft этот же статистический аппарат заложен в программы выявления неполадок в новой ОС WinXP, а еще ранее – был использован при создании для пакета MS Office столь доставшего всех своими ненужными советами «мистера Скрепки» (Mr Clippy). Этого надоедливого мультяшного субъекта, как известно, впоследствии задвинули подальше, дабы не раздражать без нужды клиентов. Впрочем, научному авторитету Томаса Байеса суетливый «Скрепыш» вряд ли нанес хоть какой-то урон.

И уж коли речь зашла о дискредитации ученого, то, быть может, наихудшую услугу ему оказывают разухабистые пиаровские тексты компании Autonomy, вещающие об «эксцентричном англичанине Томасе Байесе, который с одинаковым успехом занимался как доказательством существования бога, так и разработкой наиболее эффективных алгоритмов для игры в кости». По свидетельству историков, подобные заявления, мягко говоря, не соответствуют известным фактам из жизни этого человека.

Что же известно, так это на редкость мудрый подход Байеса к эффективности точных наук и к возможности их гармоничного сочетания с глубоким религиозным чувством.

Мозг и душа [Как нервная деятельность формирует наш внутренний мир] Фрит Крис

Преподобный Томас Байес

Как же тогда мы можем видоизменить теорию информации, чтобы она учитывала различия в опыте и ожиданиях наблюдателей? Нам нужно сохранить нашу идею, что информативность сообщения (или изображения) определяется его новизной и неожиданностью. Но теперь ее нужно дополнить новой идеей, что сообщение может для одного человека быть неожиданнее, чем для другого. Объективно новое и неожиданное сообщение можно определить как сообщение, меняющее наше представление о мире и, следовательно, наше поведение.

Сегодня вечером я собирался пойти на семинар по нейроэстетике, но его отменили. Вместо этого я могу пойти в бар. Там я встречаю профессора английского языка. На нее это сообщение никак не повлияло. Она никогда не ходит на нейробиологические семинары.

Мы можем также сказать, что информативность сообщения определяется степенью, в которой оно меняет наши убеждения об окружающем мире. Чтобы узнать, какой объем информации содержится в сообщении, передаваемом получателю, нужно узнать, каковы были убеждения получателя до поступления этого сообщения. Тогда мы сможем увидеть, насколько эти убеждения изменились после того, как сообщение было получено. Но можем ли мы определить такие априорные убеждения и происходящие в них изменения?

Решение этой проблемы нашел человек, который будет, наверное, самым необычным из всех ученых, попавших на страницы этой книги. Преподобный Томас Байес (1702-1761) был пресвитерианским священником и за всю свою жизнь не опубликовал ни одной научной работы, хотя и стал в 1742 году членом Лондонского королевского общества. Только через два года после его смерти его классическая работа была наконец опубликована в "Философских трудах Королевского общества". После этого она больше ста лет пребывала в забвении. Только в двадцатых годах XX века слава Байеса начала расти. Для Рональда Фишера, бывшего тогда президентом Королевского статистического общества, Байес был настоящим кумиром, и в результате усердного лоббирования со стороны статистиков его в конце концов включили в "Национальный биографический словарь". И все же он оставался почти неизвестным за пределами круга тех, кто профессионально занимался статистикой. И даже те, кто слышал о байесовской статистике, часто считали, что ей не хватает должной объективности.

Рис. 5.5. Могила преподобного Томаса Байеса.

Томас Байес похоронен на кладбище Банхилл-Филдс в центре Лондона. В XVIII веке на этом кладбище хоронили нонконформистов, но теперь это общественный парк. Могила была отреставрирована в 1969 году, на средства "статистиков со всего мира".

Но в последние 10 лет Томас Байес стал суперзвездой. В сети есть множество сайтов, где объясняется теорема Байеса и сообщается: "Главное, что Байес крут, а кто не знает Байеса, тот не крут". А если вы не верите тому, что говорят в интернете, то, быть может, вас убедит New York Times за 20 января 2004 года?

"В научной среде байесовская революция вот-вот станет преобладающей точкой зрения, что 10 лет назад казалось немыслимым", – говорит Брэдли Карлин, профессор здравоохранения из Университета Миннесоты.

Из-за чего же возник весь этот ажиотаж?

Вот как формулируется теорема Байеса:

p(A|X) = p(X|A)·p(A)/p(X) .

Возьмем некоторое явление (А ), о котором мы хотим узнать, и наблюдение (X ), которое дает нам какие-то сведения об A . Теорема Байеса говорит нам, насколько увеличится наше знание об A в свете новых сведений X . Нам незачем вникать в детали этого уравнения. Главное – что это уравнение дает нам именно ту математическую формулу убеждений, которую мы искали. Убеждению в данном случае соответствует математическое понятие вероятности. Вероятность позволяет измерить, в какой степени я убежден в чем-то. Если я в чем-то совершенно уверен (например, в том, что утром взойдет солнце), вероятность равна единице [в форме уравнения это можно выразить так: p (взойдет солнце) = 1]. А если я совершенно уверен, что что-то никогда не случится, вероятность равна нулю [p (Крис Фрит выиграет конкурс "Евровидение") = 0]. Большинство наших убеждений не так тверды и занимают промежуточное положение между нулем и единицей [p (поезд, на котором я езжу на работу, опоздает) = 0,5]. И эти промежуточные убеждения постоянно изменяются по мере того, как мы получаем новые сведения. Прежде чем ехать на работу, я уточню положение поездов Лондонского метро в интернете, и эти новые сведения изменят мое убеждение о вероятности опоздания поезда (хотя и ненамного...).

Теорема Байеса показывает, насколько именно изменится мое убеждение относительно A в свете новых сведений X . В приведенном выше уравнении p(A) – мое первоначальное или априорное, убеждение об A до поступления новых сведений X , p(X|A) – вероятность получения сведений X в случае, если A действительно будет иметь место, а p(A|X) – мое последующее, или апостериорное, убеждение об A с учетом новых сведений X . Все это станет понятнее на конкретном примере.

Вас, вероятно, удивило, почему это Брэдли Карлин, профессор здравоохранения из Университета Миннесоты, так интересуется теоремой Байеса. Дело в том, что здравоохранение – одна из тех многих областей, где теорема Байеса находит свое применение.

Рассмотрим проблему рака груди. Обратимся к частному случаю, связанному с эффективностью массовых обследований. Мы знаем (это наше априорное убеждение), что к 40 годам у 1% женщин развивается рак груди (p(A) = 0,01). Кроме того, у нас есть хороший метод выявления рака груди – маммография (этот метод дает нам новые сведения). Результат маммографии будет положительным у 80% женщин с раком груди (p(X|A) = 0,8) и лишь у 9,6% женщин без рака груди (p(X|~A) = 0,096). Таковы вероятности получения наших сведений в случае, если наше убеждение истинно. Судя по этим цифрам, кажется очевидным, что регулярные обследования на предмет наличия рака груди – вещь хорошая. Итак, если мы обследуем всех женщин, то какова будет среди тех, у кого обследование даст положительный результат, доля тех, у кого действительно будет рак груди, то есть каково будет значение p(A|X) ?

Учитывая, что этот метод кажется хорошим, каково будет ваше убеждение относительно женщины, для которой только что получен положительный результат маммографического обследования на рак груди? Большинство людей сказали бы, что у нее, скорее всего, рак груди. Но применение теоремы Байеса показывает, что это мнение ошибочно. Мы можем легко убедиться в этом, если на время забудем о вероятностях. Вместо этого давайте рассмотрим 10 000 женщин в возрасте 40 лет и старше.

Еще до обследования эти 10 000 женщин можно мысленно разделить на две группы:

Группа 1: 100 женщин с раком груди;

Группа 2: 9900 женщин без рака груди.

Группа 1 – этот тот 1% женщин, у которых развился рак: p(A)

После обследования женщин можно разделить на четыре группы:

Группа А: 80 женщин с раком груди и положительной маммографией;

Группа Б: 20 женщин с раком груди, но с отрицательной маммографией.

Группа В: 950 женщин без рака груди, но с положительной маммографией;

Группа Г: 8 950 женщин без рака груди и с отрицательной маммографией.

Группа А – это те 80% женщин с раком груди, у которых его выявляет маммография: p(X|A)

Группа В – это те 9,6% женщин, у которых нет рака груди, но результат маммографии положительный: p(X|~A) .

Итак, результат обследования оказался положительным у 950 женщин, у которых нет рака груди, и только у 80 женщин, у которых есть рак груди. Чтобы ответить на вопрос "Какова доля женщин с раком груди среди тех, у кого результат маммографии положительный?", мы разделим число женщин в группе А на суммарное число женщин в группах А и В (то есть на общее число женщин с положительной маммографией). Это даст нам ответ 7,8%. Иными словами, более 90% женщин, у которых маммография дает положительный результат, в действительности не больны раком груди. Несмотря на то что маммография – хороший метод выявления рака груди, теорема Байеса говорит нам, что получаемые с ее помощью сведения сравнительно малоинформативны. Проблема возникает оттого, что мы обследуем сразу всех женщин в возрасте 40 лет и старше. Для женщин этой большой группы априорное ожидание рака весьма невелико. Теорема Байеса показывает, что результаты маммографии будут намного информативнее, если обследовать "группы риска", например женщин, у которых в семье были случаи рака груди.

24 ТОМАС НАГЕЛЬ Каково быть летучей мышью? Самосознание - вот то, что делает проблему тело-разум практически неразрешимой. Может быть, именно поэтому в последнее время эта проблема часто оставляется без внимания. Предлагаемые же решения выглядят явно ошибочными.

Из книги Новейшая книга фактов. Том 1. Астрономия и астрофизика. География и другие науки о Земле. Биология и медицина автора Кондрашов Анатолий Павлович

Как ответил президент США Томас Джефферсон двум ученым из Коннектикута, в 1807 году сообщившим ему, что они наблюдали падение метеорита? Когда двое ученых из Коннектикута в 1807 году сообщили, что наблюдали падение метеорита, президент Томас Джефферсон заявил, что он скорее

, Кент , Англия

Страна:

Великобритания

Научная сфера: Место работы: Учёная степень: