Mobility Patterns, Big Data and Transport Analytics: Tools and Applications for Modeling Constantinos Antoniou (Editor)

Mobility Patterns, Big Data and Transport Analytics: Tools and Applications for Modeling Constantinos Antoniou (Editor)
Mobility Patterns, Big Data and Transport Analytics: Tools and Applications for Modeling Constantinos Antoniou (Editor)
Mobility Patterns, Big Data and Transport Analytics: Tools and Applications for Modeling Constantinos Antoniou (Editor)

1. Visit ebookmass.com to download the full version and
explore more ebook or textbook
Mobility Patterns, Big Data and Transport
Analytics: Tools and Applications for Modeling
Constantinos Antoniou (Editor)
_____ Click the link below to download _____
https://ebookmass.com/product/mobility-patterns-big-data-
and-transport-analytics-tools-and-applications-for-modeling-
constantinos-antoniou-editor/
Explore and download more ebook or textbook at ebookmass.com

2. Here are some recommended products that we believe you will be
interested in. You can click the link to download.
Demand for Emerging Transportation Systems: Modeling
Adoption, Satisfaction, and Mobility Patterns 1st Edition
Constantinos Antoniou
https://ebookmass.com/product/demand-for-emerging-transportation-
systems-modeling-adoption-satisfaction-and-mobility-patterns-1st-
edition-constantinos-antoniou/
Meta-analytics. Consensus approaches and system patterns
for data analysis Simske S
https://ebookmass.com/product/meta-analytics-consensus-approaches-and-
system-patterns-for-data-analysis-simske-s/
Big Data Management and Analytics Brij B Gupta & Mamta
https://ebookmass.com/product/big-data-management-and-analytics-brij-
b-gupta-mamta/
Data Science in Theory and Practice: Techniques for Big
Data Analytics and Complex Data Sets Maria C. Mariani
https://ebookmass.com/product/data-science-in-theory-and-practice-
techniques-for-big-data-analytics-and-complex-data-sets-maria-c-
mariani/

3. Big Data and Mobility as a Service 1st Edition Haoran
Zhang
https://ebookmass.com/product/big-data-and-mobility-as-a-service-1st-
edition-haoran-zhang/
Highway Safety Analytics and Modeling: Techniques and
Methods for Analyzing Crash Data Dominique Lord
https://ebookmass.com/product/highway-safety-analytics-and-modeling-
techniques-and-methods-for-analyzing-crash-data-dominique-lord/
Data Mining for Business Analytics: Concepts, Techniques
and Applications in Python eBook
https://ebookmass.com/product/data-mining-for-business-analytics-
concepts-techniques-and-applications-in-python-ebook/
BIG DATA ANALYTICS: Introduction to Hadoop, Spark, and
Machine-Learning Raj Kamal
https://ebookmass.com/product/big-data-analytics-introduction-to-
hadoop-spark-and-machine-learning-raj-kamal/
Machine Intelligence, Big Data Analytics, and IoT in Image
Processing Ashok Kumar
https://ebookmass.com/product/machine-intelligence-big-data-analytics-
and-iot-in-image-processing-ashok-kumar/

6. Mobility Patterns, Big Data
and Transport Analytics
Tools and Applications for Modeling

7. MobilityPatterns,Big
DataandTransport
Analytics
Tools and Applications for Modeling
Edited by
Constantinos Antoniou
Technical University of Munich
Munich, Germany
Loukas Dimitriou
University of Cyprus
Nicosia, Cyprus
Francisco Pereira
Technical University of Denmark
Kongens Lyngby, Denmark

8. Elsevier
Radarweg 29, PO Box 211, 1000 AE Amsterdam, Netherlands
The Boulevard, Langford Lane, Kidlington, Oxford OX5 1GB, United Kingdom
50 Hampshire Street, 5th Floor, Cambridge, MA 02139, United States
©2019 Elsevier Inc. All rights reserved.
No part of this publication may be reproduced or transmitted in any form or by any means, electronic
or mechanical, including photocopying, recording, or any information storage and retrieval system,
without permission in writing from the publisher. Details on how to seek permission, further
information about the Publisher’s permissions policies and our arrangements with organizations
such as the Copyright Clearance Center and the Copyright Licensing Agency, can be found at our
website:www.elsevier.com/permissions.
This book and the individual contributions contained in it are protected under copyright by the
Publisher (other than as may be noted herein).
Notices
Knowledge and best practice in this field are constantly changing. As new research and experience
broaden our understanding, changes in research methods, professional practices, or medical
treatment may become necessary.
Practitioners and researchers must always rely on their own experience and knowledge in evaluating
and using any information, methods, compounds, or experiments described herein. In using such
information or methods they should be mindful of their own safety and the safety of others, including
parties for whom they have a professional responsibility.
To the fullest extent of the law, neither the Publisher nor the authors, contributors, or editors, assume
any liability for any injury and/or damage to persons or property as a matter of products liability,
negligence or otherwise, or from any use or operation of any methods, products, instructions, or
ideas contained in the material herein.
Library of Congress Cataloging-in-Publication Data
A catalog record for this book is available from the Library of Congress
British Library Cataloguing-in-Publication Data
A catalogue record for this book is available from the British Library
ISBN: 978-0-12-812970-8
For information on all Elsevier publications visit our
website athttps://www.elsevier.com/books-and-journals
Publisher:Joe Hayton
Acquisition Editor:Tom Stover
Editorial Project Manager:Naomi Robertson
Production Project Manager:Vijayaraj Purushothaman
Cover Designer:Mark Rogers
Typeset by SPi Global, India

9. Dedication
Constantinos Antoniou:
To my family, especially my loving parents,
Babi and Marika.
Loukas Dimitriou:
To Diana.
Francisco Pereira:
To David, Alice, and Ana.

10. Contributors
Numbers in parentheses indicate the pages on which the authors’ contributions begin.
Mohamed Abdel-Aty(297), Department of Civil, Environmental and Construction
Engineering, Orlando, FL, United States
Constantinos Antoniou(1, 107, 263), Department of Civil, Geo and Environmental
Engineering, Technical University of Munich, Munich, Germany
Stanislav S. Borysov(9), Department of Management Engineering, Technical
University of Denmark (DTU), Lyngby, Denmark
Symeon E. Christodoulou(365), Department of Civil and Environmental Engineering,
University of Cyprus, Nicosia, Cyprus
Franc¸ois Combes(173), IFSTTAR/AME/SPLOTT, Paris, France
Adam Davis(201), Department of Geography and GeoTrans Lab, University of
California, Santa Barbara, Santa Barbara, CA, United States
Loukas Dimitriou(1, 297, 345), Laboratory for Transport Engineering, Department of
Civil and Environmental Engineering, University of Cyprus, Nicosia, Cyprus
Song Gao(31), University of Wisconsin, Madison, WI, United States
Vassilis Gikas(381), National Technical University of Athens, Athens, Greece
Vana Gkania(345), Laboratory for Transport Engineering, Department of Civil and
Environmental Engineering, University of Cyprus, Nicosia, Cyprus
Konstadinos G. Goulias(201), Department of Geography and GeoTrans Lab,
University of California, Santa Barbara, Santa Barbara, CA, United States
George Hadjidemetriou(365), Department of Civil and Environmental Engineering,
University of Cyprus, Nicosia, Cyprus
Kristian Henrickson(73), Department of Civil and Environmental Engineering,
University of Washington, Seattle, WA, United States
Yingjie Hu(31), University of Tennessee, Knoxville, TN, United States
Krzysztof Janowicz(31), University of California, Santa Barbara, CA, United States
Bin Jiang(55), Faculty of Engineering and Sustainable Development, Division of
GIScience, University of G€avle, G€avle, Sweden
Samaneh Beheshti Kashi(173), University of Bremen, Bremen, Germany
Allison Kealy(381), RMIT University, Melbourne, VIC, Australia
Aseem Kinra(173), Copenhagen Business School, Copenhagen, Denmark
xv

11. Haris N. Koutsopoulos(229, 263), Department of Civil and Environmental
Engineering, Northeastern University, Boston, MA, United States
Charalambos Kyriakou(365), Department of Civil and Environmental Engineering,
University of Cyprus, Nicosia, Cyprus
Jae Hyun Lee(201), Department of Geography and GeoTrans Lab, University of
California, Santa Barbara, Santa Barbara, CA, United States
Zhenliang Ma(229), Department of Civil and Environmental Engineering,
Northeastern University, Boston, MA, United States
Elizabeth McBride(201), Department of Geography and GeoTrans Lab, University of
California, Santa Barbara, Santa Barbara, CA, United States
Grant McKenzie(31), University of Maryland, College Park, MD, United States
Peyman Noursalehi(229), Department of Civil and Environmental Engineering,
Northeastern University, Boston, MA, United States
Vasileia Papathanasopoulou(263), National Technical University of Athens, Athens,
Greece
Inon Peled(145), Department of Management Engineering, Technical University of
Denmark (DTU), Lyngby, Denmark
Francisco C^amara Pereira(1, 9, 73, 145, 173), Department of Management
Engineering, Technical University of Denmark (DTU), Lyngby, Denmark
Zheng Ren(55), Faculty of Engineering and Sustainable Development, Division of
GIScience, University of G€avle, G€avle, Sweden
Guenther Retscher(381), Technical University of Vienna, Vienna, Austria
Filipe Rodrigues(73, 145), Department of Management Engineering, Technical
University of Denmark (DTU), Lyngby, Denmark
Werner Rothengatter(173), Karlsruhe Institute of Technology, Karlsruhe, Germany
Katerina Stylianou(297), Laboratory for Transport Engineering, Department of Civil
and Environmental Engineering, University of Cyprus, Nicosia, Cyprus
Michalis Xyntarakis(107), Cambridge Systematics, Medford, MA, United States
Rui Zhu(31), University of California, Santa Barbara, CA, United States
Yiwen Zhu(229), Department of Civil and Environmental Engineering, Northeastern
University, Boston, MA, United States
xvi
Contributors

12. About the Editors
Constantinos Antoniouis a full professor:
Chair of Transportation Systems Engineering
at the Technical University of Munich
(TUM), Germany. He holds a Diploma in Civil
Engineering from NTUA (1995), an MS in
Transportation (1997), and a PhD in Transpor-
tation Systems (2004), both from MIT. His
research focuses on big data analytics, model-
ing and simulation of transportation systems,
intelligent transport systems (ITS), calibration
and optimization applications, road safety, and
sustainable transport systems. In his more
than 20 years of experience he has held key
positions in a number of research projects in
Europe, the United States, and Asia, while
he has also participated in a number of consult-
ing projects. He has received numerous awards, including the 2011 IEEE ITS
Outstanding Application Award. He has authored more than 300 scientific publi-
cations, including more than 100 papers in international, peer-reviewed journals
(including Transportation Research Parts A and C, Transport Policy, Accident
Analysis and Prevention, and Transport Geography), 210 in international confer-
ence proceedings, 2 books, and 17 book chapters. He is a member of several pro-
fessional and scientific organizations’ editorial boards (he is a member of the
Editorial Board of Transportation Research—Part C, Accident Analysis and Pre-
vention, the Journal of Intelligent Transportation Systems, Smart Cities and asso-
ciate editor of the EURO Journal of Transportation and Logistics, IET Intelligent
Transportation Systems and Transportation Letters); committees (such as TRB
committees AHB45—Traffic Flow Theory and Characteristics, and ABJ70—
Artificial Intelligence and Advanced Computing Applications, the Steering Com-
mittee of hEART—The European Association for Research in Transportation,
FGSV committee 3.10 “Theoretical fundamentals of road traffic"); and a frequent
reviewer for a large number of scientific journals, scientific conferences, research
proposals, and scholarships.
xvii

13. Loukas Dimitriouis an assistant profes-
sor in the Department of Civil and Environ-
mental Engineering, University of Cyprus
(UCY), Cyprus, and founder and head of
the LαB for Transport Engineering, UCY.
His research interests focus on the applica-
tion of advanced computational intelligence
methods, concepts, and techniques for under-
standing the complex phenomena involved
in realistic transport systems and also in
developing design and control strategies to
optimize their performance. The methodo-
logical paradigms that he utilizes, combine
elements from Data Science, behavioral
analytics, complex systems modeling, and
advanced optimization, which are then
applied in traditional fields of transport, such as demand modeling, travel
behavior and systems organization, optimization and control. He has authored
more than 120 publications in peer-reviewed journals, proceedings of confer-
ences, and book chapters, while he is a regular reviewer in almost 50 interna-
tional journals. He is also an active member of many international scientific
organizations and committees.
Francisco Pereirahas been a full profes-
sor at the Technical University of Denmark
(DTU), Kongens Lyngby, Denmark, since
August 2015, where he leads the Machine
Learning for Mobility (MLM) group. He
holds a masters (2000) and PhD (2005)
degree in Computer Science and Artificial
Intelligence, from the University of Coimbra
(UC), Portugal. Previously, he was an assis-
tant professor at UC, Department of Com-
puter Engineering, and then senior research
scientist at the MIT ITS Lab, with particular
focus on the Singapore-MIT Alliance for
Research and Technology, Future Urban
Mobility project (SMART/FM).
His methodological research combines Machine Learning and Transporta-
tion Research, and his preferred applications generally relate to transportation
research problems, such as real-time traffic prediction, behavior modeling,
advanced data collection technologies, and transport modeling. He has contrib-
uted to top journals and conferences in both Machine Learning (e.g., IEEE
Transactions on Pattern Analysis and Machine Intelligence, or AAAI) and
xviiiAbout the Editors

14. Transportation (e.g., Transport Research Part C, ISTTT), and thus lives con-
stantly with his feet in both worlds, which he believes constantly gives him a
different perspective, despite the hard challenges. He is currently associate edi-
tor of Engineering Applications of AI (EAAI, Elsevier), a committee member of
TRB ADB40 (travel demand forecasting), and has been guest editor in Trans-
port Part C. He has been a Marie Curie fellow twice (2011 and 2015), and won
several international awards, such as the Singapore Challenge 2013 (for a white
paper on the future of transportation) and the TRB Pyke Johnson Award (for
smartphone-based travel survey research).
About the Editorsxix

15. Visit https://ebookmass.com today to explore
a vast collection of ebooks across various
genres, available in popular formats like
PDF, EPUB, and MOBI, fully compatible with
all devices. Enjoy a seamless reading
experience and effortlessly download high-
quality materials in just a few simple steps.
Plus, don’t miss out on exciting offers that
let you access a wealth of knowledge at the
best prices!

16. Chapter 1
BigDataandTransportAnalytics:
An Introduction
Constantinos Antoniou*,LoukasDimitriou
†
and Francisco C^amara Pereira
‡
*
Department of Civil, Geo and Environmental Engineering, Technical University of Munich,
Munich, Germany,
†
Laboratory for Transport Engineering, Department of Civil and Environmental
Engineering, University of Cyprus, Nicosia, Cyprus,
‡
Department of Management Engineering,
Technical University of Denmark (DTU), Lyngby, Denmark
Chapter Outline
1 Introduction 1
2 Book Structure 3
Special Acknowledgments 4
References 5
Further Reading 5
1 INTRODUCTION
The aim of this book is to contribute to the question of how the transportation
profession and research community can benefit from the new era of Big Data
and Data Science, the opportunities that arise, the new threats that are emerging
and how old and new challenges can be addressed by the enormous quantities of
information that are foreseen to be available.
The current era can be characterized by three main components:
1.an unprecedented availability of (structured and unstructured) information,
collected through traditional sources/sensors, but also by the extensive
wealth of nontraditional sources, like internet-of-things and crowdsourcing;
2.a vast expansion of computational means (hardware and—most
significantly—paradigms) exceeding Moore’s law (Moore, 1965); and
3.the development of new powerful computational methods able to treat the
challenges of extensive information, able to be executed only by powerful
computational means (interconnected and cloud integrated).
These three elements triggered a tremendous boost in inspiration and incentives
for new developments for business and industrial applications, in the associated
research community, as well as in social and governmental organizations over-
all. The stage has changed.
Mobility Patterns, Big Data and Transport Analytics.https://doi.org/10.1016/B978-0-12-812970-8.00001-4
©2019 Elsevier Inc. All rights reserved.
1

17. This constitutes the new vibrant scientific area of Data Science, adding a
new data-driven analytical paradigm that combines the existing traditional
three, viz., the empirical, the theoretical, and the computational. As any new-
comer, Data Science has been received by many with some reluctance
(Pigliucci, 2009;Milne and Watling, 2017), but by others as a path to new
(and easy) revelations.
Famously, Chris Anderson declared that this is the “End of Theory,”
1
fol-
lowing the long tradition of human ambition for conquering knowledge and
future, starting from the biblical “Tree of Knowledge,” to statements of prolific
figures of science like (purportedly) Charles Holland Duell’s “Everything that
can be invented has been invented,” Lord Kelvin’s “There is nothing new to be
discovered in physics now; All that remains is more and more precise
measurement” and David Hilbert’s “We must know; We will know!,” until
all of them to be defeated (e.g.,G€odel, 1931).
However,Anderson’s (2008)statement that “Correlation supersedes causa-
tion, and science can advance even without coherent models, unified theories,
or really any mechanistic explanation at all,” naively taken, may lead to the mis-
conception that the fundamental use of models (hypothesis testing and explan-
atory analysis) is obsolete. Of course, this is not the essence of data analysis,
though data-centric analysis has an impact on the experimental design, the type
of information that is used for a particular research purpose, and the type of con-
firmatory criteria used for evaluating results. These differences in data use (in
data availability and volume) and model building (in models’ typology and fun-
damental assumptions) signify a turning point in scientific reasoning, requiring
new theoretical and practical developments for treating the new scientific
threats, as well as a preparation of the new generation of scientists, able to
appropriately handle the new “tool(s)” that will increasingly become available.
Focusing in the field of transportation systems analysis, Data Science
endeavors suit well, in their characteristics, which
—succinctly—include:
–Complex and Large scale, composed by multiple distinctive units, arranged
in multiple sequences, layers or parallel operations;
–Spatially distributed, establishing connectivity and service among remote
locations by a synthesis of supply means (transport infrastructure and
transport modes);
–Multiple-agents engagement, involved in cooperative, noncooperative, and
competitive relationships among them and the transport infrastructure;
–Dynamic/Transient, since transport is by definition a dynamic phenomenon
of movement in space and time; and
–Stochastic, since the transport operations stand for the manifestation of the
decision-making process of agents (travelers, shippers, carriers, etc.) with
different characteristics, properties, opportunities, “flavors” and criteria,
1. Wired, 06.23.08.
2Chapter1Big Data and Transport Analytics: An Introduction

18. while decisions are made in a fluctuating environment in terms of the phys-
ical, economic, and other elements.
The above fundamental characteristics of the transportation systems comprise
sources of complexity, reflected as inaccuracies (or failures) of the typical/tra-
ditional analytical paradigms, especially when applied in real-world circum-
stances. The use of Big Data, treated within the new analytical field of Data
Science, in our view stands for a promising new era for understanding and man-
aging existing and future transportation phenomena.
The effective exploitation of the Big Data and Data Science “promises”
depends on the rate of endorsement of emerging methods and applications
by the relevant scientific and industrial community. It should be highlighted that
the general public (such as the end-users and the markets) anticipate new devel-
opments, with the community of “early-adopters” growing rapidly.
But what are the characteristics of the relevant contemporary (and future)
transportation scientist? How should the new generation of transportation sci-
entists be equipped? Is it all about data handling/processing/analysis? The view
that can be identified throughout this book reflects the idea that the strong sci-
entific background on the field, topic, or system is a compulsory prerequisite for
testing or adopting data-centric applications. This is far from the so-called
Black-Box approaches and the jeopardies involved in such cases or applica-
tions. Advanced data analysis and Data Science concepts stand for an additional
tool of the transportation professional, who should be formally prepared (pos-
sibly by dedicated programs) for embracing them. However, this should not be
viewed as a shortcut to avoid the fundamentals.
Finally, the idea for this book was conceived during a Summer School that
was organized by the Editors and held on these topics in June 2016 in the pre-
mises of the University of Cyprus, Lab for Transport Engineering, with the par-
ticipation of most of the (co)authors. During the Summer School, the
multidisciplinary combination of both the instructors, and the attendees,
became immediately evident. This pluralism of ideas, approaches, and concepts
is reflected here. We are confident that the readers will benefit from the contents
of this book and will enjoy this guided trip through the different topics, models,
and applications aiming to cover some of the most important fields of the trans-
portation profession, where Big Data applications have matured enough.
2 BOOK STRUCTURE
The book is structured, instead of the form of a textbook, to provide a guided trip
of the reader from introductory concepts about the use of Big Data and Data
Science methods in transportation, to the presentation of indicative (though
mature) applications. In this way, the reader may gain a helpful insight on
how concepts may be treated with new methods, such as to develop innovative
applications. We think that this innovation-oriented process may be more
Big Data and Transport Analytics: An IntroductionChapter
13

19. inspiring and has timely importance rather than the presentation of a “strict”
closed-form/self-contained textbook of specific applications on some topics
of mobility. For achieving this, the book is divided into four Sections; the intro-
ductory, the methodological, the applications, and outlook (Fig. 1).
In the current introductory part (this chapter), the general view of the book
on the use and value of data-centric analysis is provided. Then, at the second
part of the book, a review and presentation of fundamentals on machine-
learning methods is provided (Chapter 2), while a discussion about the combi-
nation of theory-driven and data-driven methods is offered in Chapter 3. Then,
the stage of mobility analysis, human activities, and the living structure within
the geographical space is offered inChapter 4. Issues regarding data preparation
(Chapter 5) and data visualization (Chapter 6) are providing important prepa-
ration on prospective transportation data-analytics professionals and
researchers. The preparatory part of the book comprises the theoretical under-
pinnings on the integration of model-based machine-learning approaches in
transportation (Chapter 7) and the use of nontraditional textual data for analyz-
ing mobility (Chapter 8). After having read the methodological part, the reader
will be equipped with essential methodological tools in order to be able to better
follow the applications-oriented part. In detail, indicative applications of non-
traditional examples using data-analytic approaches are selected, facilitating
the understanding of how new methods have been adopted in order to analyze
transportation demand and systems (Chapters 9, 10 and 15; Chapter 11), road
safety (Chapter 12), mobility patterns (Chapter 13), and transport infrastructure
(Chapter 14). By the end of the book’s third part the reader will have gained
knowledge on applications of currently state-of-the-art methods in various ele-
ments of the transportation field and hopefully inspirations for extending or
improving the use of Big Data and Data Science methods in the field. The fourth
and final part of book provides an outlook on the use of advanced data analytics
methods in transport, aiming to offer a useful foresight to potential transport
professionals, developers, and researchers.
SPECIAL ACKNOWLEDGMENTS
The Editors of this book would like to gratefully acknowledge the patient and
helpful support of the Editorial Managers (especially Mr. Tom Stover, Acqui-
sitions Editor, Transport and Ms. Naomi Robertson) throughout the develop-
ment process, as they provided their valuable experience and organization
facilities for putting together and concluding this work.
FIG. 1Flowchart of the book structure.
4Chapter1Big Data and Transport Analytics: An Introduction

20. Furthermore, the Editors would like to express their sincere and deep grat-
itude to all distinguished authors that contributed to this effort and agreed to
share their academic and professional experience with the scientific community
through this volume. Without their invaluable contribution, this book would not
be possible.
REFERENCES
C. Anderson, 2008. The End of Theory: The Data Deluge Makes the Scientific Method Obsolete.
G€odel, K., 1931.€Uber formal unentscheidbare S€atze der Principia Mathematica und verwandter
Systeme, I. Monatsh. Math. Phys. 38, 173–198.
Milne, D., Watling, D., 2017. Big data and understanding change in the context of planning transport
systems. J. Transp. Geogr.https://doi.org/10.1016/j.jtrangeo.2017.11.004.
Moore, G., 1965. Cramming more components onto integrated circuits. Electronics. 38 (8).
Pigliucci, M., 2009. The end of theory in science? EMBO Rep. 10 (6), 534.Science and Society,
Opinions.
FURTHER READING
D. Hilbert, 1930. Address to the Society of German Scientists and Physicians, in K€onigsberg.
Big Data and Transport Analytics: An IntroductionChapter
15

22. Chapter 2
MachineLearningFundamentals
Francisco C^amara Pereira and Stanislav S. Borysov
Department of Management Engineering, Technical University of Denmark (DTU), Lyngby,
Denmark
Chapter Outline
1 Introduction 9
2 A Little Bit of History 11
3 Deep Neural Networks and
Optimization 19
4 Bayesian Models 23
5 Basics of Machine Learning
Experiments 24
6 Concluding Remarks 27
References 28
Further Reading 29
1 INTRODUCTION
At the time of writing this chapter, with so much buzz around concepts such as
artificial intelligence,big data,deep learning, andprobabilistic graphical
models(PGMs), machine learning has gained a bit of a mystical fog around
it. This excitement has more recently led to a series of dystopian visions that,
among others, literally suggest the end of the world (e.g.,Kurzweil, 2005;
Bostrom, 2014)! We will delve into some of these aspects, below on the histor-
ical perspective, but first we want to demystify machine learning as a general
discipline.
Machine learning combines statistics, optimization, and computer science.
The statistics that we mention here isexactlythe same discipline that has been
taught for several centuries. No more, no less. In its vast majority, machine
learning models also consist of functions that directly or indirectly end up as
y¼fx,βðÞ+E:
In other words, we want to estimate (or predict) the value of a response var-
iable,y, through a functionf(x,β), wherexis a vector with our observed (input)
variables, andβis a vector with the parameters of our model. Since, in practice,
our data (contained inx) is not perfect, there is always a bit of noise and/or
unobserved data, which is usually represented by the error term,E. Because
Mobility Patterns, Big Data and Transport Analytics.https://doi.org/10.1016/B978-0-12-812970-8.00002-6
©2019 Elsevier Inc. All rights reserved.
9

23. we cannot really know the true value ofE, it is itself arandom variable.Of
course, as a consequence,yis a random variable as well.
It is almost sure that you are familiar with the most basic form off, the linear
model:
fx,βðÞ¼β
0+β
1x1+β
2x2+…+β
nxn:
So, if you have a dataset with pairs of (x,y), the task is to estimate the values
ofβthat best reproduce the linear relationship. You do this using optimization,
sometimes called the “training” process, which is minimization of the differ-
ence between the true values ofyand model’s predictions, also known as a loss
function. By now, you are bored? Great, let us now imagine thatf(x) is instead
defined as
fx,βðÞ¼f
KfK1…f1x,β
1ðÞ…ðÞ ,β
K1ðÞ ,β
KðÞ ,
where each functionf
ktransforms its input and gives its result to the following
one. Or, before doing that, it processes its data in a distributed fashion, for exam-
ple,f
K1(x1,…,x j),fK2(xj+1,…,x k),…,f KL(xk+1,…,x r), where we haveLsubfunc-
tions, each processing a sub-part of the data. Imagine you have really a lot
(thousands!) of such functions. Congrats, you just discovered a deep neural net-
work (DNN) (or, in fact, many other types of models, including PGMs, another
popular one these days). Of course, it can become much more complicated, but
the principle is precisely the same. You have a sequence of functions, each one
with its own set of parameters (sometimes shared among many different func-
tions) where the output of one is the input of the other. Due to the large number,
the estimation of these parameters may require a large amount of data and
computation. And that is where it becomes distinct from classical statistics.
In fact, there are several ways to categorize Machine Learning tasks. The
most common way depends on whether the target variable (ouryabove) is pre-
sent in the problem itself, leading tosupervisedandunsupervisedlearning par-
adigms.Supervised learningimplies presence of the target variable we would
like to predict so the model receives a feedback from the “teacher” how its pre-
diction is close to the ground truth. It also includes semi-supervised learning
(when the target values are partially missing), active learning (number of pos-
sible target values is limited so the model should decide which data samples to
use first), and reinforcement learning (yis given in a form of reward for a set of
actions performed by the algorithm).
Sometimes, the target variable is not present, you only have data pointsx,
and thus the problem formulation becomes slightly different. In such a case, the
objective typically becomes to find patterns in the data orclustersof data points
thatseemto fit together. This is an example ofunsupervised learning. From a
statistical point of view, it is an example of generative learning of the data’s
joint distributionp(x), while most well-known supervised learning algorithms
are regarded as discriminative, that is, we estimate the conditional distribution
p(yjx). Some supervised learning algorithms exist, though, that are also gener-
ative (i.e., we estimatep(y,x)), which is the case of PGMs.
10PART
IMethodological

24. Depending on their output, machine learning models can be classified as
regression (the target variable is continuous), classification (the target variable
is categorical), and others like clustering (often unsupervised), probability den-
sity estimation, and dimensionality reduction (e.g., the Principal Component
Analysis algorithm).
Although it would be almost impossible to provide a complete overview of
this highly dynamic field, this chapter will present the several major forms of
what is known today asmachine learningand provide some tips about where to
go next, if the reader wants to be part of this revolution, or simply understand
more what it is about. But first, it is worthwhile to give a historical perspective.
2 A LITTLE BIT OF HISTORY
Machine learning was born as one branch within the major field of artificial
Intelligence, which also includes others such as Knowledge Representation,
Perception, Creativity (Russel and Norvig, 2009;Boden, 2006). The term
“machine learning” was coined by Arthur Samuel, as early as 1952, who created
the first program that could play and learn the checkers game (Samuel, 1959).
The “learning” process here corresponded to incrementally updating a database
with moves (board positions) and their score, according to probability for later
success in winning or losing the game. As the computer played more, it
improved its ability to win the game. This is probably the earliest version of
reinforcement learning,
1
today an established sub-field for scenarios where
the whole data set is only incrementally available and/or the label of each data
point is not directly observable (e.g., the value of a game move may only be
observable later in the game or even at its very end in the binary form of
“win” or “lose”).
During the 1960s and 1970s, many researchers were enchanted by the con-
cept of a machine that is pure logic, and the memory and computer processing
limitations were extremely tight, comparing with nowadays. More than that,
the belief that human intelligence could all be represented through logic
(a “computationalist” point of view) was widespread and exciting. This natu-
rally led to an emphasis on rule-based systems, representing knowledge through
logic (e.g., logical rules, facts, symbols) and natural language processing.
In parallel, other researchers believed that we should study more the neuro-
biology of our brain and replicate it (a “connectionist” point of view), in what
became known as artificial neural networks (ANN). The first well-known
example is theperceptron(Rosenblatt, 1957), which applies a threshold rule
to a linear function to discriminate a binary output. It is depicted inFig. 1.
1. There are records of an earlier program to have reinforcement learning capabilities, the
“shopping machine”, by Anthony G. Oettinger in 1951. The task was to answer the question “in
what shop may articlejbe found?”, and the algorithm could simulate trips to eight different shops
(Moor, 2003).
Machine Learning FundamentalsChapter
211

25. The perceptron was quite popular for a time as it can represent some logical
gates (AND and OR), but not all (X-OR). Due to the latter limitation, such a sim-
ple ANN is limited to linearly separable problems (Fig. 2, left), whereas real prob-
lems quite often are inherently nonlinear in their nature (Fig. 2, right). This strong
criticism pointed out byMinsky and Papert (1969)led to a decade with virtually
no research on Neural Networks (NN), also known as the “first AI winter.”
The third relevant research thread from the 1960s and 1970s relates to the
“nearest neighbor” concept.Cover and Hart (1967)published the “Nearest
neighbor pattern classification,” which effectively marks the creation of the
“pattern recognition” field and the birth of the well-knownK-nearest neighbor
algorithm (K-NN). Its underlying principle is simple: If we have a problem to
solve (e.g., given an input vectorx, classify it into a class, so the target variabley
becomes categorical), we can look forKmostsimilarsituations in our database.
Of course, the key research question is how to definesimilarity, which boils
down to the comparison ofxvectors. The typical option is the Euclidean dis-
tance, but there are a lot of other metrics which are much more suitable given
the nature of the data at hand (e.g., categorical, textual, temporal). Another
challenge inK-NN is to defineK. What would be the best number of similar
examples from the data to use in the algorithm? This introduces a concept
of ahyperparameter, which should be defined a priori, in contrast to the
parametersβ, which are to be determined during the training. Of course, in those
x
1
x
2
x
n
x
…
y
w
1
w
2
w
n
w
…
b
f(x)
FIG. 1Perceptron.
Linearly separable
?
Nonlinearly separable
FIG. 2Linear separation. There are two classes (+ and o), and we want a rule (aclassifier) that
discriminates between them.
12PART
IMethodological

26. Visit https://ebookmass.com today to explore
a vast collection of ebooks across various
genres, available in popular formats like
PDF, EPUB, and MOBI, fully compatible with
all devices. Enjoy a seamless reading
experience and effortlessly download high-
quality materials in just a few simple steps.
Plus, don’t miss out on exciting offers that
let you access a wealth of knowledge at the
best prices!

27. Other documents randomly have
different content

28. X.
Metoodi.
Mitä metoodiin tulee, niin mitäpä muuta vielä voi sanoa kuin että
missä on tahtoa, siinä on taitoa. Mutta ellei ole tahtoa, olemme
hukassa. On nimittäin olemassa sekin mahdollisuus meidän pienelle
hupsulle valtakunnallemme, ehkä koko maailmalle, ja koska
semmoiset mahdollisuudet synnyttävät epätoivoa, täytyy meidän
pitää kiinni siitä otaksumisesta, että meillä on vielä kyllin tarmoa ei
ainoastaan elämään, vaan elämään paremmin. Siitä ehkä seuraa,
että meidän täytyy perustaa valtio-osasto kehitystä varten ja
valmistaa sen päällikölle sija ministeristössä sekä määrätä tuloja,
joilla ylläpidetään valtion suoranaisia kokeiluja, sekä annetaan
palkkioita yksityisille henkilöille kehoituksena onnistuneista
tuloksista. Se voi ehkä myöskin merkitä samaa kuin osakeyhtiö
ihmisrodun parantamista varten. Mutta nykyjään se paljoa
luultavammin merkitsee samaa kuin sellaisten ehdotusten
kauhistunut leimaaminen siveettömiksi ja epäpuhtaiksi, mutta
samalla ihmistahdon yleinen salainen työntäminen tuohon kauhua
herättävään suuntaan, niin että kaikenlaiset laitokset ja julkiset
vallanpitäjät jos jonkinlaisten tekosyitten nojalla hapuilevat yli-

29. ihmistä kohti. Herra Graham Wallas, Lontoon kouluhallinnon
puheenjohtaja, on jo uskaltanut viitata siihen että nykyinen
politiikka, jonka mukaan opettajattaret oletetaan hedelmättömiksi,
voi kyllä olla mukavaa kouluhallinnon kannalta katsoen, mutta sietää
kritiikkiä ihmisrodun kasvattamiskannalta nähden. Tämä on yhtä
hyvä esimerkki kuin mikä muu tahansa siitä kuinka liike yli-ihmistä
kohti jatkuu, huolimatta kaikesta tekopyhyydestämme. Yksi asia on
ainakin aluksi selvä. Jos nainen voi huolellisesti valitsemalla isän
lapselleen synnyttää kansalaisen, jolla on hyvät aistimet, terveet
elimet ja kunnollinen ruuansulatus, pitäisi hänelle tietysti suoda
riittävä palkkio tuosta luonnollisesta palveluksesta, jotta hän
suostuisi toisenkin kerran tekemään samoin. Olkoonpa niin että hän
itse kustantaa yrityksensä, tai lapsen isä, tai laskuja tekevä
kapitalisti, tai paikkakunnallinen hallinto, joka säätää että naiselle
pitää erityisissä olosuhteissa suoda vuoden virkavapaus täydellä
palkalla, tai keskushallitus — tuo kaikki on vallan samantekevä,
kunhan tulos on tyydyttävä.
On surullinen asia, että koska suurimmalla osalla aviopuolisoja
nykyisissä oloissa ei ole kyllin ravintoa, ei pääomaa, ei luottoa eikä
tieteellisiä eikä käytännöllisiä tietoja, joutuisivat he siinä tapauksessa
että valtio suostuisi maksamaan synnytyksistä samoin kuin se
nykyjään maksaa kuolemasta, osakeyhtiöitten haltuun, jotka
koettaisivat hankkia osinkoja aivan niinkuin tavallisessa
teollisuudessakin. Ihmissynnytysosakeyhtiökin (jota hurskaasti voisi
nimittää parannetuksi löytölasten kodiksi tai muuksi semmoiseksi)
voisi vallan hyvin, kunnollisesti johdettuna ja järjestettynä, tuottaa
parempia tuloksia kuin nykyinen riippuvaisuutemme sekalaisista
avioliitoista. Voidaan vastustaa sitä sanomalla että kun tavallinen
urakoitsija toimittaa tavaroita hallitukselle ja hallitus hylkää ne ala-
arvoisina, hylätty tavara joko myydään polkuhinnasta tai joutuu

30. muutoin roskatavaran joukkoon, mutta jos tavarana sattuisi olemaan
ihmisolentoja, pitäisi heidät joko laskea valloilleen tai viedä
lähimpään vaivaistaloon. Mutta siinähän ei ole mitään uutta että
yksityinen yritteliäisyys työntää ihmishylkyjä joko halvoille
työmarkkinoille tai vaivaistaloon, ja tuon uuden teollisuuden hylyt
olisivat varmaankin paremmin hoidetuita kuin tavallisen köyhyyden
tuotteet. Meidän nykyisessä onnen kaupalla kulkevassa sekasorrossa
kaikkien ihmistuotteiden täytyisi tulla heitetyiksi markkinoille,
olivatpa ne onnistuneita tai onnistumattomia; mutta
onnistumattomat eivät tuottaisi yhtiölle palkintoa ja aikaansaisivat
siis suoranaista tappiota. Käytännöllinen vaikeus kauppa-alalla tässä
asiassa olisi se, että ensimäiset kokeet veisivät paljon aikaa ja rahaa
ja olisivat kovin epävarmoja. Puhtaasti kauppapääoma ei koskettaisi
sellaista urhoollista yritystä sen ensimäisillä kokeiluasteilla, ja joka
tapauksessa semmoiseen tärkeään uuteen yritykseen vaadittavaa
mielenlujuutta ei voisi odottaa pörssiltä. Se on valtiomiesten
käsiteltävä, sellaisten valtiomiesten, joilla on kyllin laaja luonne
sanoakseen meidän demokraateille ja plutokraateille että
valtioviisaus ei näyttäydy siinä että imarrellaan heidän hulluuksiaan
taikka koetellaan sovelluttaa heidän laitakaupunki-käsitystään
omaisuudesta viiden maanosan asioihin. Siihen seikkaan tulee ryhtyä
joko valtio tai joku laitos, joka on kyllin voimakas pakoittamaan
valtiota suomaan sille kunnioituksensa.
Tämmöisen kokeen uutuus tulisi kumminkin olemaan yksinomaa
sen laajuudessa. Yhdessä huomattavassa tapauksessa, nimittäin kun
on kysymys kuninkaallisista henkilöistä, valtio jo valitsee vanhemmat
yksinomaa valtiollisilla perusteilla. Ja ylimystön seassa, vaikka
herttua-arvon perijä on laillisesti vapaa naimaan paimentytön,
yhteiskunnallinen pakko, joka rajoittaa hänen vaalinsa valtiollisesti ja
yhteiskunnallisesti samanarvoisiin naisiin, on niin valtava, että hän

31. itse asiassa ei ole sen enemmän vapaa menemään naimisiin
paimentytön kanssa kuin Yrjö IV:n oli sallittu ottaa vaimokseen rouva
Fitzherbert, ja herttuan sekä paimentytön avioliitto olisi mahdollinen
ainoastaan seurauksena jälkimäisen tavattomasta luonteen
lujuudesta, joka vaikuttaisi edellisen tavattomaan luonteen
heikkouteen. Kysykööt ne, jotka pitävät koko järjellisen
kehittämisjärjestelmän aatetta mielettömänä ja siveettömänä, miksi
Yrjö IV:n ei sallittu valita omaa vaimoaan, vaikka kuka suutari
tahansa sai naida kenen halusi. Siitä syystä vain että valtiollisesti oli
samantekevä kenen suutari nai, mutta hyvin tärkeätä kenen
kuningas nai. Se tapa, jolla kaikki kuninkaan personallisten
oikeuksien huomioonottaminen, sydämen vaatimukset, avioliittovalan
pyhyys ja romantillinen siveellisyys pannaan väistymään tuon
valtiollisen vaatimuksen tieltä, osoittaa kuinka hyvin voidaan olla
välittämättä kaikista noista näennäisesti kylläkin vastustamattomista
ennakkoluuloista, kun ne joutuvat ristiriitaan semmoisten
vaatimusten kanssa, jotka koskevat hallitsijaimme rotua. Samaa
opettaa meille sotilaan kohtalo. Hänen avioliittoansa, jos sitä
ollenkaan sallitaan, valvotaan itsevaltiaan tavoin, ottamalla
huomioon yksinomaa sotilaallisen sopivaisuuden näkökohtia.
No niin, nykyaikana ei enää hallitse kuningas, vaan suutari. Sotia
hallitsijasukujen välillä ei enää pelätä, eikä liioin panna arvoa
liittoihin hallitsijasukujen kesken. Kuninkaallisten perheitten avioliitot
muuttuvat nopeasti vähemmän valtiollisiksi ja enemmän
kansanomaisiksi, kodikkaiksi ja romantillisiksi. Toiselta puolen
tietoisuus suutarin avioliiton yhteiskunnallisesta merkityksestä on
yhä kasvamassa. Me olemme tehneet yleiseksi kysymykseksi hänen
vaimonsa terveydentilan kuukautta jälkeen synnytyksen. Me olemme
ottaneet hänen lastensa henkisen kehityksen pois hänen käsistään ja
panneet sen valtion kouluopettajan käsiin. Kohta tulemme tekemään

32. heidän ruumiillisen ravitsemisensa riippumattomaksi hänestä. Mutta
he ovat vielä roskaväkeä, ja valtion heittäminen roskaväen haltuun
on kansallista itsemurhaa, koska roskaväki ei osaa hallita eikä liioin
anna kenenkään muun hallita, paitsi sen, joka tarjoo enin leipää ja
huvituksia. Ei ole olemassa yhtään valtiollista innostelijaa, joka
kahdenkymmenen vuoden käytännöllisen, demokraattisen
kokemuksen jälkeen vielä uskoisi valitsijain valtiolliseen
kykeneväisyyteen, taikka niitten valitsemien johtomiesten kykyyn.
Aristokratian hävittäminen on tehnyt yli-ihmisen välttämättömäksi.
Englantilaiset vihaavat vapautta ja yhdenvertaisuutta liian paljon
voidakseen ymmärtää niitä. Mutta jokainen englantilainen toivoo
itselleen sukuluettelon. Ja hän on oikeassa. Kuningas Demos on
synnytettävä niinkuin muutkin kuninkaat, ja täytymisen kanssa ei voi
väitellä. Yksityisen kynäniekan on turhaa puhua sen enempää niin
suuresta asiasta pienessä kirjasessa. Konferenssi asiaa käsittelemään
on seuraava välttämätön askel. Siihen tulevat ottamaan osaa
sellaiset miehet ja naiset, jotka eivät usko enää elävänsä
iankaikkisesti, ja hakevat siksi kuolematonta työtä, johon he voivat
panna parhaan osan itsestään, ennenkuin heidän ruumiinsa
heitetään tuohon suureen tomunhävittäjään, krematorio-uuniin.

33. OHJEITA
VALLANKUMOUKSELLISILLE.
Ohjeita Vallankumouksellisille.
Kultainen sääntö.
Elä tee toisille sitä mitä toivoisit toisten tekevän sinulle. Maku voi
olla erilainen.
Elä koskaan vastusta kiusausta: Koeta kaikkia, pidä kiinni
paraasta.
Elä rakasta lähimmäistäsi niinkuin itseäsi. Jos olet hyvässä sovussa
itsesi kanssa, olisi se nenäkästä, jos olet pahoissa välin itsesi kanssa,
olisi se vääryyttä.
Kultainen sääntö on se, ettei ole mitään kultaisia sääntöjä.
Epäjumalanpalvelusta.
Hallitustaito on epäjumalanpalveluksen järjestämistä.
Byrokratian muodostavat viranomaiset, aristokratian epäjumalat ja
demokratian epäjumalanpalvelijat.

34. Väestö ei voi ymmärtää byrokratiaa, se voi ainoastaan jumaloida
kansallisia epäjumalia.
Raakalainen kumartelee puusta ja kivestä tehtyjä epäjumalia.
Sivistynyt mies kumartelee lihasta ja verestä tehtyjä epäjumalia.
Rajoitettu kuningasvalta on keksintö, joka yhdistää puisen
epäjumalan jäykkyyden ja liha-ja-veri -epäjumalan
todenmuotoisuuden.
Kun puinen epäjumala ei vastaa talonpojan rukoukseen, antaa
talonpoika sille selkään. Kun liha- ja veri -epäjumala ei tyydytä
sivistynyttä miestä, katkaisee sivistynyt mies siltä pään.
Se joka surmaa kuninkaan ja se joka antaa henkensä kuninkaan
edestä ovat yhtä suuressa määrässä epäjumalanpalvelijoita.
Kuninkaallisuus.
Kuninkaat eivät synny, he ovat keinotekoisen hallusinatsionin
tekemiä. Kun onnettomuudet keskeyttävät tuollaisen tapahtuman
kulkua tärkeänä ikäkautena, kuten esim. Kaarle II:ssa, paranee
hallusinatsionin esine, eikä koskaan enää täydellisesti saa takaisin
kuninkaallisuuttaan.
Hovi on hallitsijain renkitupa.
Vulgäärisyys kuninkaassa hivelee kansan enemmistön sydäntä.
Valtaistuimen kasvattama ryömiväisyys on se hinta, jonka me
maksamme valtaistuimen tuottamasta valtiollisesta mukavuudesta.

35. Demokraattisuus.
Jos pienempi henki voisi mitata suurempaa henkeä niinkuin
metrikeppi voi mitata pyramiidin, yleinen äänioikeus voisi lopullisesti
päättää kaikki. Asian ollessa tällä lailla valtiollinen ongelma jää
selittämättä.
Demokratia asettaa kykenemättömien monilukuisten valitsemisen
turmeltuneitten harvojen määräämisen sijaan.
Demokraattiset tasavallat voivat yhtä vähän olla ilman kansallisia
epäjumalia kuin monarkkiiat ilman valtion virkamiehiä.
Hallituksella on ainoastaan yksi pulma suoritettava: luotettavan
antropometrisen metoodin keksiminen.
Vapaus ja yhdenvertaisuus.
Se joka luulee valtiollista vapautta vapaudeksi ja valtiollista tasa-
arvoisuutta yhtäläisyydeksi, ei ole koskaan ajatellut viittä
minuuttiakaan kumpaakaan.
Ei mikään voi olla ehdotonta: siis ei mikään voi olla vapaata.
Vapaus on samaa kuin vastuunalaisuus. Siksi useimmat ihmiset
pelkäävät sitä.
Herttua kysyy ylenkatseellisesti onko tosiaankin hänen
metsävartiansa samanarvoinen kuin kuninkaallinen tähteintutkija,
mutta hän vaatii että kumpikin hirtetään tasa-arvoisesti, jos he
murhaavat hänet.

36. Siellä missä tasa-arvoisuus on tunnustettu, siellä on myöskin
käskynalaisuus.
Tasa-arvoisuus on perusehtona kaikissa osissa yhteiskunnallista
järjestystä.
Ylemmän suhde alempaan on esteenä hyville tavoille.
Kasvatus.
Kun ihminen opettaa jotain, jota hän itse ei osaa, toiselle, jolla ei
ole mitään taipumusta siihen, ja antaa sitten taitotodistuksen, on
jälkimäinen suorittanut gentlemannin kasvatukseen vaadittavan
tietomäärän.
Hullun aivot sulattavat filosofian hulluudeksi, tieteen taikauskoksi
ja taiteen turhantarkkuudeksi. Siitä johtuu yleinen kasvatus.
Parhaiten kasvatettuja lapsia, ovat ne, jotka ovat nähneet
vanhempansa semmoisina kuin he ovat. Tekopyhyys ei ole
vanhempien ensimäinen velvollisuus.
Pahin sikiönsurmaaja on se, joka koettaa muodostaa lapsen
luonnetta.
Yliopistossa jokainen suuri teos lykätään siksi kunnes sen tekijä
saavuttaa puolueetonta arvostelua ja täydellisiä tietoja. Jos hevonen
voisi odottaa niin kauan kenkiään ja maksaisi niistä edeltäkäsin,
olisivat kaikki sepät meillä yliopistomiehiä.
Se joka osaa, tekee. Se joka ei osaa, opettaa. Oppinut mies on
laiskuri, joka kuolettaa aikaa tutkimalla. Varo väärää tietoa, se on

37. vaarallisempaa kuin tietämättömyys.
Toiminta on ainoa tie tietoon. Jokainen hullu uskoo, mitä hänen
opettajansa kertoo hänelle, ja nimittää herkkäuskoisuuttaan tieteeksi
tai moraaliksi juuri yhtä luottavasti kuin hänen isänsä nimitti sitä
taivaalliseksi ilmestykseksi.
Ei kukaan, joka ei osaa omaa kieltään, voi hallita toista kieltä.
Ei kukaan voi olla pelkkä spesialisti, olematta täysi idiootti.
Elä anna lapsillesi siveellistä ja uskonnollista kasvatusta, ellet
ole vallan varma siitä että ne eivät ota sitä liian vakavasti.
Parempi on olla Henrik neljännen ja Nell Gwynnen äiti kuin
Robespierren ja kuningatar Maria Tudorin.
Avioliitto.
Avioliitto on suosiossa siitä syystä että se yhdistää suurimman
määrän kiusausta suurimpaan määrään tilaisuutta.
Avioliitto on ainoa laillinen kontrahti, joka poistaa asianomaisten
väliltä kaikki ne lait, jotka suojaavat sitä erityistä suhdetta, jota
avioliitto tarkoittaa.
Avioliiton päätarkoitus on rodun jatkaminen.
Avioliiton satunnainen tarkoitus on ihmisten lemmentunteitten
tyydyttäminen.
Keinotekoinen hedelmättömyys avioliitossa saattaa mahdolliseksi
sille täyttää satunnaisen tarkoituksensa laimiinlyömällä

38. päätarkoituksensa.
XIX vuosisadan vallankumouksellisin keksintö oli avioliiton
keinotekoinen hedelmättömäksi saattaminen.
Jokainen avioliittojärjestelmä, joka pakoittaa kansan enemmistöä
naimattomuuteen, murretaan väkivaltaisesti — sillä verukkeella että
se muka loukkaa siveellisyyttä.
Monivaimoisuus uudenaikaisissa demokraattisissa oloissa, kuten
Mormonien seassa, hävitetään siksi että vastaan nousevat kaikki ne
ala-arvoiset miehet, jotka siten tuomitaan aviottomuuteen; sillä
äidinvaisto johtaa naista pitämään parempana kymmenettä osaa ensi
luokan miehestä kuin kolmannen luokan miehen koko omistamista.
Monimiehisyyttä ei ole koetettu semmoisissa olosuhteissa.
Kansallisen aviottomuuden vähin määrä (joka saadaan selville, kun
yhteiskunnan miesten lukumäärä jaetaan naisten lukumäärällä ja
osamäärää pidetään sinä vaimojen tai miesten lukumääränä, joka on
suotu jokaiselle hengelle) on Englannissa (jossa osamäärä on 1)
turvattu yksiavioisuuden perustamisella.
Uudenaikainen hempeätunteinen nimitys aviottomuuden
kansalliselle minimi määrälle on puhtaus.
Avioliitto, tai mikä muu yleisen lempivän yksiavioisuuden muoto
tahansa, on onneton suurissa valtioissa, sillä se estää ihmisen
tahallista synnyttämistä valtiollisena olentona.
Rikos ja rangaistus.

39. Kaikki konnamaisuus on koottuna lauseeseen: "Que Messieurs les
Assassins commencent!"
Mies joka on kohonnut Eton'in [kuuluisa koulu, jossa ylimysten
lapsia kasvatetaan, ja jossa ruumiillinen rangaistus on sallittu.
Suoment. muist.] piiskapenkiltä sille istuimelle, mistä hän tuomitsee
ryöstömurhaajan piiskattavaksi, on samanlainen yhteiskunnan tuote
kuin ryöstömurhaajakin, jota isä on potkinut ja äiti tuuppinut, kunnes
hän on kasvanut kyllin vahvaksi kuristaakseen ja ryöstääkseen
rikkaan kansalaisen, jonka rahoja hän himoitsee.
Vankeus on yhtä peruuttamatonta kuin kuolema.
Rikolliset eivät kuole lain käsissä. Ne kuolevat toisten ihmisten
käsissä.
Surmaaja Czolgosz teki presidentti McKinleystä sankarin
surmaamalla hänet. Amerikan Yhdysvallat tekivät Czolgoszista
sankarin samanlaisella menettelyllä.
Surma teloituslavalla on surman kaikkein huonoin muoto, sillä se
tapahtuu yhteiskunnan suostumuksella.
Teko se on, joka opettaa, eikä se nimi, jonka annamme teolle.
Murha ja mestaus eivät ole vastakohtia, jotka sovittavat toisensa,
vaan samanlaisuuksia, jotka synnyttävät samanlaista.
Rikos on ainoastaan vähittäistavara-osasto siitä mitä
tukkukauppanimityksellä sanomme rikoslaiksi.
Kun mies tahtoo murhata tiikerin, nimittää hän sitä urheiluksi. Kun
tiikeri tahtoo murhata miehen sanoo tämä sitä julmuudeksi. Eroitus
rikoksen ja oikeuden välillä ei ole sitä suurempi.

40. Niin kauan kuin meillä on vankiloita, on vallan samantekevää ketkä
meistä asuvat kopeissa.
Levottomin mies vankilassa on vankilan johtaja.
Ei ole välttämätöntä korvata mestattua rikollista, mutta
välttämätöntä on korvata mestattu yhteiskunnallinen järjestelmä.
Arvonimet.
Arvonimet tuottavat kunniaa keskiskertaiselle, hämmästyttävät
yläpuolella olevaa, ja ala-arvoinen häpäisee ne.
Suuret miehet kieltäytyvät vastaanottamasta arvonimiä, sillä he
kadehtivat niitä.
Kunnia.
Ei ole olemassa täydellisesti kunniallisia ihmisiä, mutta jokaisella
tosi miehellä on joku kunnian pääkohta ja muutamia pienempiä
kohtia.
Te ette voi uskoa kunniaan ennenkuin olette hankkineet sitä.
Parempi on pysyä puhtaana ja kirkkaana: te olette itse se ikkuna,
jonka läpi teidän täytyy katsoa maailmaa.
Teidän sananne ei koskaan voi olla yhtä hyvä kuin takuunne, sillä
muistinne ei voi olla niin luotettava kuin kunnianne.
Omaisuus.

41. Omaisuus, sanoi Proudhon, on varkautta. Tämä on ainoa
täydellinen selvä totuus, joka siitä aineesta on sanottu.
Palvelijat.
Kun palvelijoita kohdellaan ihmisolentoina, ei maksaa vaivaa pitää
heitä.
Suhde isännän ja palvelijan välillä on edullinen ainoastaan
semmoiselle isännälle, joka ei epäröi käyttää väärin käskyvaltaansa,
ja semmoiselle palvelijalle, joka ei epäröi käyttää väärin luottoaan.
Täydellinen palvelija tuntee isäntänsä lähestyessä häntä
inhimillisellä tavalla, että hänen olemassaoloaan uhataan, ja
kiiruhtaa muuttamaan paikkaa.
Isännät ja palvelijat ovat kumpikin tyranneja, mutta isännät ovat
riippuvampia asemassaan.
Ihminen nauttii siitä mitä hän käyttää, ei siitä mitä hänen
palvelijansa käyttävät.
Ihminen on ainoa eläin, joka laskee rikkauttaan loisiensa
lukuisuuden ja ylellisyyden mukaan.
Vallasnaisten ja gentlemannien on sallittu pitää ystäviä
koirakopissa, mutta ei kyökissä.
Kotipalvelijain täytyy, tehtyään pilattuja lapsia isännistään,
herättää heissä pelkoa, voidakseen elää heidän kanssaan.
Kuinka lapsia on lyötävä.

42. Jos lyöt lasta, niin pidä huolta siitä että lyöt sitä vihapäissäsi,
vaikkapa siten turmelisit sen koko elämän ajaksi. Tyynellä mielellä
iskettyä lyöntiä ei voi eikä saa antaa anteeksi.
Jos lyöt lasta huviksesi, tulee sinun myöntää se suoraan sekä
leikkiä leikkisi sääntöjen mukaan, niinkuin ketunajaja. Silloin saat
aikaan verraten vähän vahinkoa. Ei kukaan ketunajaja ole niin
hupsu, että hän koettelisi uskotella ajavansa kettua opettaakseen
sitä luopumaan kanoja varastamasta taikka että hän itse kärsii
enemmän kuin kettu kuoleman edessä. Muista että lapsiakin
kurittaessa on valittavana joko urheilijan menestystapa tai lurjuksen
menetystapa.
Uskonto.
Varo sitä miestä, jonka jumala on pilvissä.
Miehen uskon voi päättää, ei hänen uskonnostaan, vaan niistä
edellytyksistä, joitten nojalla hän tavallisesti toimii.
Hyveet ja paheet.
Ei mikään erityinen hyve tai pahe edellytä toisen erityisen hyveen
tai paheen olemassaoloa ihmisessä, yhdistäköönpä mielikuvitus ne
kuinka läheisesti tahansa.
Hyve ei ole siinä että pysyy erillään paheesta, vaan siinä, ettei
halua sitä.

43. Itsensä kieltämys ei ole hyve, se on vain varovaisuuden vaikutus
konnamaisuuteen.
Tottelevaisuus on olevinaan alistumista, aivan niinkuin poliisinpelko
on olevinaan rehellisyyttä.
Tottelemattomuutta, harvinaisinta ja uljainta kaikista hyveistä,
eroitetaan harvoin huolimattomuudesta, joka on vetelin ja tavallisin
kaikista paheista.
Pahe on elämän tuhlaamista. Köyhyys, tottelevaisuus ja
naimattomuus ovat kanooniset paheet.
Säästäväisyys on taito, jolla tehdään enin elämästä.
Säästäväisyydenrakkaus on kaikkien hyveitten juuri.
Suuruus.
Suuruus on vain yksi pienuuden aistimuksista.
Taivaassa enkeli ei ole mitään erinomaista.
Suuruus on toinen nimitys jumalallisuudelle. Molemmat
merkitsevät vallan yksinkertaisesti sitä, mikä on meidän
saavutuspiirimme ulkopuolella.
Jos suuri mies voisi saada meidät ymmärtämään itseään,
hirttäisimme hänet.
Me myönnämme että kun jumaluus, jota palvelimme, teki itsensä
näkyväksi ja tajuttavaksi, ristiinnaulitsimme sen.

44. Matemaatikolle yksitoista on vain lukuyksikkö; bushmanille, joka ei
voi laskea edemmäksi kymmentä sormeaan, se on käsittämätön
lukemattomuus.
Eroitus tyhjimmän jokapäiväisen henkilön ja syvimmän ajattelijan
välillä tuntuu viimeksi mainitusta mitättömän pieneltä ja edellisestä
äärettömältä.
Tyhmän kansan seassa nero käy jumalaksi: jokainen jumaloi
häntä, eikä kukaan täytä hänen tahtoaan.
Kauneus ja onni, taide ja rikkaus.
Kauneus ja onni ovat sivutuotteita.
Mielettömyys on onnen ja kauneuden suoranaista takaa-ajamista.
Rikkaus ja taide ovat väärennettyjä reseptejä onnen ja kauneuden
valmistamiseksi.
Se joka toivoo elinkautista onnea kauniin naisen rinnalla, toivoo
tuntevansa viinin maun pitämällä suunsa aina täynnä viiniä.
Sietämättömin tuska saadaan syntymään pidentämällä kiihkeintä
iloa.
Ihminen, jolla on hammastauti, arvelee kaikkia niitä onnellisiksi,
joilla on terveet hampaat. Köyhä ihminen erehtyy samoin rikkaaseen
nähden.
Jota enemmän ihminen omistaa yli menojensa, sitä enemmän
huolet häntä rasittavat.

45. Se hirmuvalta, joka estää meitä tekemästä tietä kangella ja
lapiolla, on pahempi kuin se, joka estää meitä ajelemasta pitkin tietä
vaunuilla ja parihevosilla.
Rumassa ja onnettomassa maailmassa rikkainkaan mies ei voi
ostaa muuta kuin rumuutta ja onnettomuutta.
Koettaessaan paeta rumuutta ja onnettomuutta, rikas mies
enentää molempia. Jokainen uusi neliömetri West Endiä synnyttää
uuden neliökilometrin East Endiä.
XIX vuosisata oli taitteitten uskon aikakausi. Tulokset ovat
edessämme.
Todellinen herrasmies.
Meidän päiviemme herrasmies on semmoinen henkilö, jolla kyllin
rahaa tehdäkseen sitä mitä jok'ikinen hullu voisi tehdä, jos vain olisi
varoja, s.o. hän voi kuluttaa tuottamatta.
Uudenaikaisen herrasmaisuuden todellinen määritelmä on loisena
olo.
Ei mikään fyysillisen tai siveellisen taidon ylemmyys voi tuottaa
anteeksiantamusta loiselämän synnille.
Uudenaikainen herrasmies on pakosta oman maansa vihollinen.
Sodassakaan hän ei taistele puolustaakseen sitä, vaan estääkseen
omaa ryöstämisvaltaansa joutumasta muukalaisen käsiin. Sellaiset
taistelijat ovat isänmaallisia samassa merkityksessä, kuin kaksi
luupalasta tappelevaa koiraa on eläinystävää.

46. Pohjois-Amerikan indiani oli urheilija-soturi-herrasmiehen perikuva.
Perikleen aikuinen atenalainen oli henkisesti ja taiteellisesti
harjaantuneen herrasmiehen perikuva. Molemmat olivat valtiollisesti
epäonnistuneita. Nykyisellä herrasmiehenä ei ole edellisen
kestäväisyyttä eikä jälkimäisen sivistystä, mutta hänen ruokahalunsa
on yhtä suuri kuin molempien yhteensä. Hän ei tule onnistumaan
siinä missä edelliset ovat epäonnistuneet.
Kohtuullisuus.
Kohtuullisuutta ei koskaan ylistetä itsensä tähden.
Kohtuullisen rehellinen mies, jolla on kohtuullisen uskollinen
vaimo, molemmat kohtuullisen raittiita ja asuen kohtuullisen
terveellisessä talossa: siinä tosi keskisäätyinen yhteys.
Tiedoton itse.
Tiedoton itse on todellinen nero. Hengittämisenne menee harhaan
heti kun tietoinen itsenne sekaantuu siihen.
Lukuunottamatta sitä yhdeksän kuukauden aikaa, joka kuluu
ennenkuin ihminen vetää ensimäisen henkäyksensä, ei kukaan voi
johtaa omia asioitaan niin hyvin kuin puu.
Järki.

47. Järkevä mies mukaantuu maailman oloihin. Järjetön koettaa
itsepäisesti mukaannuttaa maailmaa itseensä. Siitä syystä kaikki
edistys riippuu järjettömistä.
Mies, joka kuuntelee järjen ääntä, on hukassa. Järki orjuuttaa
kaikkia, joiden henki ei ole kyllin voimakas hallitsemaan sitä.
Säädyllisyys.
Säädyllisyys on säädyttömyyden vaitiolon sopimus.
Kokemus.
Ihmisten viisauden määrä ei suhteennu heidän kokemuksensa
määrään, vaan siihen kuinka kykeneviä he ovat kokemaan.
Jos pelkkä kokemus voi opettaa, olisivat Lontoon kivet viisaampia
kuin sen viisain mies.
Ajan kosto.
Ne joita me nimitämme pedoiksi, kostivat meille silloin kun Darwin
osoitti että ne ovat meidän serkkujamme.
Varkaat kostivat silloin kun Marx todisti porvarilliset varkaiksi.
Hyvät aikomukset.
Helvetti on kivitetty hyvillä aikomuksilla, ei pahoilla.

48. Kaikki ihmiset tarkoittavat hyvää.
Luonnolliset oikeudet.
Elämisen oikeutta loukataan, ellei sitä yhtämittaa vaadita.
Faute de mieux.
Lapsuudessani vastustin sitä että erästä neitiä aina sanottiin
kauniiksi neiti A:ksi. Tätini moitti minua sanomalla: "Sinun pitää
muistaa aina että vähimmin ruma sisar on perheen kaunotar."
Ei mikään aikakausi eivätkä mitkään olosuhteet ole ilman
sankareita.
Kansan vähimmin kykenemätön kenraali on sen Caesar, sen
vähimmin
typerä valtiomies on sen Solon, sen vähimmin höperö ajattelija on
sen
Sokrates ja sen vähimmin tyhjänpäiväinen runoilija on sen
Shakespeare.
Armeliaisuus.
Armeliaisuus on himokkaisuuden pettävin laatu.
Ne jotka auttavat köyhyyttä ja sairautta, ovat myötäsyyllisiä
kahteen kaikkein pahimpaan rikokseen.

49. Se joka antaa rahaa, jota hän ei itse ole ansainnut, tuhlaa toisen
ihmisen työtä.
Jokainen todellisesti hyvääsuopa henkilö vihaa almujen antamista
ja kerjäläisyyttä.
Maine.
Elämä tasoittaa kaikki ihmiset, kuolema ilmaisee etevät.
Kuri.
Sotasäädöksiä tarvitsevat ainoastaan upseerit, jotka komentavat
ilman mahtiarvoa. Taivaallinen oikeus ei tarvitse vitsaa.
Naiset kodissa.
Koti on tyttöjen vankila ja vaimojen työpaja.
Sivistys.
Sivistys on sairaus, joka on syntynyt siitä että yhteiskuntia on
rakennettu mädänneistä aineksista.
Ne jotka ihailevat nykyajan sivistystä, arvelevat tavallisesti sen
merkitsevän samaa kuin höyrykone ja sähkölennätin.

50. Ne jotka ymmärtävät höyrykonetta ja sähkölennätintä, kuluttavat
elämänsä koettamalla keksiä niiden sijaan jotain parempaa.
Mielikuvitus ei voi luoda hirveämpää rikollista kuin semmoisen,
joka rakentaisi toisen Lontoon, samanlaisen kuin nykyinen, eikä
suurempaa hyväntekijää kuin semmoisen, joka hävittäisi sen.
Peli.
Suosituin rikkauden jakamistapa on pelipöydän järjestelmä.
Pelipöytä ei ole kannattava laitos kenellekään muulle kuin
pelihuoneen isännälle. Siitä huolimatta pelihimo on yleinen, mutta
pelihuoneen pitämistä ei himoita.
Peli lupaa köyhille sitä mitä omaisuus tuottaa rikkaille. Siitä syystä
piispat eivät uskalla tuomita sitä perinpohjaisesti.
Yhteiskunnallinen kysymys.
Elkää kuluttako aikaanne yhteiskunnallisiin kysymyksiin. Se mikä
vaivaa köyhiä, on köyhyys. Se mikä vaivaa rikkaita on hyödyttömyys.
Hajanaisia lauselmia.
Meille on opetettu että kun Jehova loi maailman, näki hän että
kaikki oli sangen hyvä. Mitähän hän nyt sanoisi?

51. Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade
Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.
Let us accompany you on the journey of exploring knowledge and
personal growth!
ebookmass.com