何玉琪老师之前有一个叫 no Free lunch，没有免费的午餐定理。说的就是各种算法在普遍意义上它没有优劣之分的。实际上一个算法好，那是因为跟他问题的结构匹配的好，而Alpha Go能做得好，是因为它正好找到了匹配围棋这样的一个结构。

工业的基础

工业的历史实际上比数据科学要早得多。

所有物理学的大厦，后来化学、生物这些科学都是构建在这些科学定律的基础上，然后整个科学大厦，又构成了我们现代工业的基础。所有的机器，生产过程，产品，都是基于物理、生物、化学的这些定律所构建的。

工业数据分析的特点

数据思维是从观察入手，先有数据，然后从里面总结pattern，找到它的规律，得到模型，然后进一步来预测。

但是我们在工业界常用的是右边演绎法的思维模式。先有理论，然后再把理论衍生出各种各样的推论，再由这些推论去指导，做各种各样的机器、实验，最终反过来验证一个做法是否对，如果不对，再去检验前面这些理论，前提假设，有哪些不合适的地方，进一步来改进。

左边归纳法，是数据科学是这样的一种模式，右边是演绎法，是工业常见的一种思维模式，但这两者真的是一个冲突的问题吗？

举例：开普勒行星运动三定律的发现，是在他老师大量的行星运动观测的数据基础上（开普勒很幸运地得到了著名丹麦天文学家第谷·布拉赫20多年所观察与收集的非常精确的天文资料），总结出来第一椭圆定律，第二面积定律，第三调和定律。

实际上开普勒所总结的三定律，就是现在数据科学所做的，在大量的观测数据里面，总结一些规律，总结一些模型，而到了牛顿手头，把它升华成一个自然法则，然后才让它具有了更好的普适性。

一门科学发现的过程，是归纳法和演绎法交融的。

很多科学的新发现，新定律的提出，都是基于现实中发现一些新问题，然后通过数据归纳出来一些现象，再进一步提出假设，去验证理论。

所以归纳法和演绎法的两种思维，都是科学方法论的一部分。只是比如互联网金融大数据，不涉及到机理，更多用的是归纳法来总结数据的规律。而在工业界，有成熟的物理学、化学定律来保证工业系统的正确性。

但是工业大数据的价值恰恰是在两者的边界上，现在物理化学机理解释不够完善的地方，从微妙的异常数据现象里，怎么去发现问题，怎么去结合工业机理，去解答问题。

案例1：工业数据分析中的辛普森悖论

来看一个抽象的例子，在工业现场非常常见，叫辛普森悖论。