熱銷書"讓天賦自由(The Element_How Finding Your Passion Changes Everything)的作者Ken Robinson接連在2009初版，2010年第一版第30次，2011年發行10萬冊，及2013年又出版相同系列新書"發現天賦之旅"(Finding Your Element)。
由這些熱銷的數字背後不難看出其實人們是急於找尋心中的自我。當生命的旅途有發生不如意事時，人們會進行反思人生的意義，並試圖告訴自已其實不需要太在乎社會所設下的規範。
我無法針對以上書中觀點立下結論，例如去回答人生的目的為何? 但我卻可以發現以上的這些社會情況只會發生在人類遇到困惑的時候，會想要找尋一種"說法"來讓生命找到出路。姑且不論這種"說法"的正確性為何，是否能通過歷史長時間的考驗，但至少他能為人類帶來短暫的出口。
更進一步的說，透過研究熱銷書的種類，數字，趨勢，可以用來分析人類內心深處所缺乏的原素，可作為社會現象研究及行銷研究的有用資訊。
聰明學統計的13又½堂課：每個數據背後都有戲，搞懂才能做出正確判斷
"數據(Data)"本身就已經極簡化整個待描述事件及過程，並且試圖用合理地、可說明人地理由讓使人相信這些行為所產生的"數據"是具代表性的。可惜，事實往往並非如此，大多數的數據都仍未能充份地解懌一項行為，且在未經合理的分析前，總是沒有用處，甚至會誤導人們。(通常的原因是其中充滿太多的outliers)
統計本身的迷人之處在於其透過分析的技巧，可讓這些似是而非的"數據"變的更容易解讀，以進而作出正確的選擇決策。但這中間的成功關鍵則取決於統計分析者的專業能力及品德。統計學者可以因為"自已的無知"或"讀者的無知"，有意或無意地使其分析結果讓人誤判。所以強烈建議每個人都必需有解讀"數據"或者"統計報告"的能力，一些簡單的邏輯判斷即可有助作出正確的決策。在此，我不願意去提及有些因為政治因素而利用統計這項利器來愚弄人民，甚不可取。
作者在文章之末提到了幾項統計軟體，有些軟體隨手可得且可完成大部份你想的到的統計分析，例如Microsoft Excel。如果你的手中有一些資料，而你也想透過這資數據來作出一些屬於你的分析決策的話，不彷一試。
Lock-in，套牢是指消費在購買一項商品後，使用後習慣而產生極大的轉換成本。直到消費者興起了想換產品的念題時，lock-in cycle就又重新啟動。
幾種常見的lock-in策略：
一般而言，賣方會想要讓使用者lock-in，而買方則會避免被lock-in
Seller's strategies to exploit lock-in
Buyer's strategies to avoid lock-lin
所謂的Experience good是指一項商品在使用之前，使用者難以得知其品質，必需在使用之前才能發現商品的價值。
VPRC是V(Value), P(Price), R(Revenue), C(Cost)的縮寫，是在資訊經濟(Information Economics)學術上在分析一項新發明(Innovation)成功上市的可行性。其分析概念類似於SWOT分析，可找出該新發明(產品、服務)的優勢、劣勢。
V(Value)，價值。指的是該新發明與原有品相較之下，是否能為顧客帶來更高的價值。可以用三個面向衡量：
P(Price)，價格，指的是該新發明與原有品相較之下，顧客的"取得成本"是否能減少。可以用三個面向衡量：
R(Revenue)，收入，指的是該新發明與原有品相較之下，企業的營收是否可增加，可以用三個面向衡量：
C(Cost)，成本，指的是該新發明與原有品相較之下，企業的成本是否可以降低，可以用三個面向衡量：
Network externality 網路外部性，也可稱為網部效應(Network Effect)，是指當有愈來愈多人使用一項產品時，此產品就會自然擴散至更多使用者。成功的案例如：Facebook, Skype。
其反例是電話，當沒有人安裝電話時，電話機本身是不具價值的。
XCS (Extend Classify System)主要系為了改善LCS(Learning Classifier System)機制中之缺點，目的在於使各知識法則在相互競爭中可以真正的反應其實力，改善在知識法則競爭過程中之不公平行為，例如：
改善項目：
故XCS利用準確度(p)，錯誤率(e)及Fitness (F)來進行競爭而非單一指標。
應用：LCS (Learning Classifier System) 是一個機器學習(machine learning)的系統，其主要為了解決在動態環境中，對於問題解答品質的改善。
原理：透過讓多個的知識法則之間進行競爭，根據各知識法則在特定環境所產出的結果給予評分。並透過基因演算法讓得分較高的知識法則族群進行交配、複制、突變而產生新知識法則，並將新法則與舊法則一同競爭。如此可讓較優秀的法則勝出。
範例：假設初始有50個知識規則，每一個知識規則各自有100分的點數開始進行競爭，猜對者+1%分，猜錯者扣-1%分。
第一天：有15個知識規格符合第一天的決策環境，猜對的加分(100 + 100x1%=101分)，猜錯的扣分(100-100x1%=99分)
第二天：假設有10個知識規則符合第二天的環境，其中有3個已在第一天猜對，有6個在已第一天猜錯，另外有1個在第一天未作答。則:
第一天猜對，第二天猜對 : 101 + 101x1%
第一天猜對，第二天猜錯: 101 - 101x1%
第一天猜錯，第二天猜對: 99 + 99 x 1%
第一天猜錯，第二天猜錯: 99 - 99 x 1%
第一天末作答，第二天猜對: 100 + 100 x 1%
第一天末作答，第二天猜錯: 100 - 100 x 1%
依此規則進行100天之競賽，並取前20名知識規則進行交配、複製、突變後，所產生之新的知識法則再與原有之知識法則再進行競爭。
系統架構圖：
異常值的偵測可以應用於許多領域上，但也常會遇到以下的挑戰：
一般而言，異常值(Outlier)是指其資料顯著地別於其它的資料物件，且它是因為不同的機製所產生的。雖然有時我們把outlier稱為abnormal data，但並非所有的outlier都要排除。例如在信用卡詐騙偵測(credit card fraud detection)的分析上，客戶的abnormal行為就是分析上重要的特點。
而雜音(nosie)則是因隨機產生的誤差或變數，在資料探勘分析上，通常在異常值偵測(outlier detection)分析前，會先將雜音(nosie)去除。
異常值(Outlier)可大致分為三大類
Global outlier
也稱為 'point anomalies'。是指該資料有顯著地別於其它的資料集合，大多數的outlier detection都是在於尋找這類的異常值。
要有效偵測這類的異常，最重要的議題就是需針對欲分析的主題是要找到一個合適地衡量誤差(deviation)方法。用各種不同的方法轉換後，再用outlier detection的方法進行分類。
Contextual outlier
也稱為conditionl outlier"。"今天的溫度是38度" <-這算是一個異常值(outler)嗎? 這很難有一個肯定的答案，因為仍需看這是在什麼'時間'及'地點'才能決定是否為異常值。所以contextual outlier需根據資料的特定內容(contex)來進行分析
Collective outlier
"每個月缺料10次"<-這是一個異常值(outler)嗎? 也許不是，但如果這10次缺料都發生在同一天，這就是很明顯的異常了。個別的資料並沒有異常，但如果這些資料都發生在特定的子集合上時，則可能為異常。故在異常偵淵上，我們也需要了解背景資料，才能有效分析。
