刚写完公众号文章，这里分享一下&br&&br&&p&&strong&【原创，若要转载，请注明：来自微信公众号&/strong&&strong&“&/strong&&strong&数据挖掘机养成记&/strong&&strong&”&/strong&&strong&】&/strong&&/p&&br&&p&&b&一、如何利用资源&/b&&br&&/p&&br&&p&数据挖掘这个领域可供自学的资源很广泛：MOOC（网络公开课）及课程相关讲义、书籍、博客、paper等等。鉴于学习资源浩如烟海，对资源进行过滤是非常重要的，这里谈谈我对资源利用的几点看法：&/p&&br&&p&&strong&1. 只用经典资源&/strong&&/p&&p&
对于&strong&公开课&/strong&：参考果壳MOOC上学员的评价，coursera的学员讨论区&/p&&p&
对于&strong&书籍&/strong&：主要参考亚马逊（美国/中国）、豆瓣上的书评以及Google Scholar中的引用数，CSDN、当当、京东上的书评也可略做参考&/p&&p&
对于&b&博客&/b&：只看那几个大牛的个人博客或者专业的社区&/p&&p&
对于&strong&论文&/strong&：Google Scholar的引用数是重要指标，但当你要follow一个新领域时，建议先turtorial再自己看新论文、做评价（因为新论文的引用数一般都不高）&/p&&p&&strong&2. 通读和略读的取舍&/strong&
在筛选出经典资源的基础上&/p&&p&
对于&strong&公开课&/strong&：入门级的课程要坚持上完，进阶的课程选择性听一听&/p&&p&
对于&strong&书籍&/strong&：砖头书当参考手册看（如 PRML、模式分类、统计学习理论、数据挖掘导论、数字图像处理、C++ Primer），实践书、小而美的导论书建议通读（如数学之美、统计学习方法、机器学习实战、推荐系统实践、半监督学习导论、applied predictive model、essential C++）&/p&&br&&p&&b&二、我的自学之路&/b&&/p&&br&&p&&strong&13年之前&/strong&&/p&&br&&p&数学类课程，只学过&strong&微积分、线性代数、信号处理&/strong&，零碎地了解和使用过神经网络，不了解机器学习，只听说过模式识别（以为就是人脸识别），也正因为对模式识别的不了解，保研的时候放弃了中科院自动化所和计算所两位牛导伸出的橄榄枝，选择离家更近的浙大，读我自己不太感兴趣的控制理论，研究电路。。。现在想来仍是有些遗憾（但不后悔），所以&strong&准备读研但没确定方向的同学，一定要抓紧时间多了解研究方向，争取选择自己感兴趣的，让遗憾最小化&/strong&&/p&&br&&p&&strong&13年&/strong&&/p&&br&&p&1.入学前的暑假，在&strong&网易公开课上刷了&/strong&&strong&Andrew Ng的《机器学习》&/strong&(对应 stanford CS229，很老的课程，大概是09年的)，那时候coursera还没火，果壳mooc也没创办。这个课程难度比现在coursera上Ng的同名课程要难一些，几乎全是公式推导，而且这门课的SVM是重点，但并未提及神经网络，后来coursera上Ng的课程则是基本删掉了SVM，加进去神经网络（也能理解，因为深度学习火起来了）。当时因为对优化理论、矩阵理论还不够了解，所以留下不少疑惑&/p&&br&&p&2. 同样暑假，自学了C++，几乎是把&strong&《essential C++》&/strong&从头看到尾，然后选了书中一些作业去实现，因为本科一直用C写嵌入式，所以这本书看得比较顺。这本书实乃Lippman的良心之作啊，短小精悍，建议配合他的另一本大部头《C++ primer》一起看，作为辅助阅读。虽然后来一直没怎么用到C++，不过看C++库的时候不至于看不懂了&/p&&br&&p&3. 入学后在&strong&coursera上看了Ng的机器学习&/strong&的神经网络部分，本来想再看下Hinton的《神经网络》，但要看自己研究领域的论文，就放弃了&/p&&br&&p&4. 买了&strong&吴军的《数学之美》&/strong&，科普性质的书，也有推导，深入浅出，引人入胜，非常棒，对搜索和NLP领域的算法有了较多认识&/p&&br&&p&5. 买了&strong&李航的《统计学习方法》&/strong&，纯推导，把几大类经典模型背后的理论刻画得淋漓尽致，看了之后对SVM的VC维理论、EM算法等有了深刻认识&/p&&br&&p&6. 选修了模式识别，教材用的是&strong&Duda的《模式分类》&/strong&，一本砖头书，建议看前三章，主要涉及贝叶斯参数估计，另外LDA、PCA的推导也可以看看，讲的不错&/p&&br&&p&7. 选修了英文版矩阵论，用的教材是老师的讲义，其实国内&strong&戴华的《矩阵论》&/strong&就讲的非常好，国外的推荐看&strong&Roger的《Matrix analysis》&/strong&（大部头，选择性看）&/p&&br&&p&8. 买了&strong&《数据挖掘导论》(作者Ping-Ning Tan，不建议买Jiawei Han的那本)&/strong&，翻了翻，发现里面讲的算法大多已经了解了，讲的比较浅，适合入门，用来建立数据挖掘领域的知识体系结构&/p&&br&&p&&strong&14年&/strong&&/p&&br&&p&1. 跟俩基友水了一下&strong&阿里的推荐算法大赛&/strong&，是真的水，我跟另一个基友半途而废浪掉了，后来就剩队长一人苦苦坚持。。。&/p&&br&&p&2. 选修了优化课程，自己课余读了读&strong&Forst的《Optimization_Theory and Practice》&/strong&，偏应用一点，读完之后对理解LR、SVM等模型的优化方法，帮助非！常！大！&/p&&br&&p&3. 买了&strong&Harrington的《机器学习实战》&/strong&，开始接触python，同时买了&strong&张若愚的《Python科学计算》&/strong&（后来证明没必要买，作者在网上放了网页版，方便索引和查找），Harrington这本书里的代码只调用了两个包：&strong&numpy，scipy&/strong&，还有个&strong&matplotlib&/strong&用来画图，然后造了一些算法的轮子。现在看来&strong&scikit-learn包&/strong&已经包含了几乎所有常见算法，所以这本书看看代码、选几个实现一下就好，没必要从头到尾实现&/p&&br&&p&4. 偶然接触了谱聚类，一发不可收拾，把领域相关的paper几乎扫了一遍，包括Ng2002年那篇、还有个很经典的turtorial，然后follow到了大神&strong&林达华的博客&/strong&，看了他写的谱聚类与图论、马尔科夫链的联系，醍醐灌顶，自己用matlab实现了一下算法&/p&&br&&p&5. 开始躲着老师在支付宝搬砖，一开始蛮无聊的，跟着数据分析师纯写SQL，后来接触了新业务，有向网络的关键节点发现，自然而然联想到之前搞过的谱聚类，于是啃了一本20多页的turtorial，得出结论：有向图的谱聚类不适合用在该业务。。。后来又有个业务，主管建议用半监督学习，于是啃了&strong&Xiaojin Zhu的《Introduction to semi-supervised learning》&/strong&，以及周志华的一些讲义和论文。朱晓进（音译）的这本导论书简单易懂，一下子就让读者catch到了半监督方法的精髓（还有一本偏理论一点的&strong&Chapelle的《Semi-supervised learning》&/strong&可作为扩展阅读）。后来自己在用Python实现算法的过程中，遇到一个不小的障碍，于是follow到了大神&strong&pluskid的博客&/strong&，一下子解决了我的问题&/p&&br&&p&&b&15年&/b&&/p&&br&&p&1. 买了&strong&项亮的《推荐系统实践》&/strong&，大赞，国人难得有这样一本经典问世，虽然有瑕疵，但对于我等初学者来说，非常受益。读完之后对推荐系统用到的模型、整个知识体系都有深刻认识。用网上公开的数据集做了一个toy project&/p&&br&&p&2. 看了下coursera上明尼苏达两位老师的&strong&《Recommender system》&/strong&，简单易懂，很快pass完这门课&/p&&br&&p&3. 把&strong&SVD++、Factorization machine&/strong&相关的paper翻出来看了一遍，发现理论不难，而且早就有成熟的开源库了&/p&&br&&p&4. 最近看到一本好书，&strong&Kuhn的《Applied predictive model》&/strong&，正在看，偏应用，讲了很多trick，在正统的机器学习理论书上不太提及，但是实际非常有用。不过是用R写的，像我这样不会R的童鞋，跳过代码就好了，或者自己用Python实现以下&/p&&br&&p&&strong&额外的补充&/strong&&/p&&br&&p&对上面提到的资源再做一个补充，有些我看过但是忘了何时看的，有些过于基础的我自己不太会看了，还有些是我还没来得及看的&/p&&br&&p&1. &strong&林轩田老师的&/strong&&strong&《机器学习基石》和《机器学习技法》&/strong&，在MOOC上评价相当高&/p&&p&2. &strong&Hinton的《神经网络》&/strong&，我目前做的东西还不涉及深度学习，以后也许会follow&/p&&p&3. &strong&Vapnik的《Statistical Learning Theory》&/strong&，实在是砖头书而且偏理论，国内有张学工老师的译本 &/p&&p&4. &strong&Bishop的《PatternRecognitionandMachineLearning》&/strong&，理由同上&/p&&p&5. &strong&Segaran的《Programming Collective Intelligence》&/strong&，国内译本，叫&strong&《集体智慧编程》&/strong&，蛮好的实践书，Python代码，适合入门，我暂时不需要了&/p&&p&6. 大牛的博客，除了上面说的林达华、pluskid，还有&strong&jerrylead，LeftNotEasy&/strong&，注意，&strong&不要被一个叫“研究者July”的人坑了&/strong&！不懂的搜知乎对他的评价&/p&&p&7. 问答社区，首推 &strong&Stackexchange&/strong&，其次 &strong&Quora&/strong&，还有&strong&知乎&/strong&&/p&&br&&p&&strong&目前的遗憾&/strong&&/p&&br&&p&1. 没有真正坚持过一个比赛，对比赛中常用的trick，比如造特征、模型融合等，不是很熟练&/p&&p&2. 没有真正上线过一个实际项目，所以实践能力还有待提高&/p&&br&&p&最后我想说的是，虽然网上有很多对如何自学机器学习、数据挖掘话题的讨论，但&strong&本文是我基于我自己认识，一字一句写完的，若有雷同之处，希望各位包涵，也希望提出批评指正意见&/strong&，毕竟作为一个自学者和小菜鸟，难免有理解不当之处，希望跟各位多多交流&/p&
刚写完公众号文章，这里分享一下 【原创，若要转载，请注明：来自微信公众号“数据挖掘机养成记”】 一、如何利用资源 数据挖掘这个领域可供自学的资源很广泛：MOOC（网络公开课）及课程相关讲义、书籍、博客、paper等等。鉴于学习资源浩如烟海，对资源进行…
稍微整理了一下收藏夹里的资料，分成了三类。&br&· 带视频的课程，主要由Computer Vision, Parallel Programming, Artificial Intelligence组成&br&· 带PPT的课程，链接里面的Slides和Material都挺丰富的，参考它们的Schedule，可以定一下自己的先修课，学习路线，技术兴趣之类。&br&· 对于一个知识点的讲解，比如Structure from Motion&br&&br&&p&Courses with Video：&/p&&p&1. CAP 5415 – Computer Vision (University
of Central Florida)&/p&&p&&a href=&///?target=http%3A//crcv.ucf.edu/courses/CAP5415/Fall2012/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CRCV | Center for Research in Computer Vision at the University of Central Florida&i class=&icon-external&&&/i&&/a&&/p&&p&2. Introduction to Computer Vision&/p&&p&&a href=&///?target=https%3A///course/introduction-to-computer-vision--ud810& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&/course/intr&/span&&span class=&invisible&&oduction-to-computer-vision--ud810&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&3. Machine Learning for Computer
Vision&/p&&p&&a href=&///?target=http%3A//vision.in.tum.de/teaching/ss2015/mlpractice_ss2015& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&vision.in.tum.de/teachi&/span&&span class=&invisible&&ng/ss2015/mlpractice_ss2015&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&&a href=&///?target=http%3A///machine-learning-for-computer-vision-lecture-1-dr-rudolph-triebel/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&&/span&&span class=&invisible&&/machine-learning-for-computer-vision-lecture-1-dr-rudolph-triebel/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&4. Heterogeneous Parallel
Programming (CUDA)&/p&&p&&a href=&///?target=https%3A//www.coursera.org/course/hetero& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Coursera - Free Online Courses From Top Universities&i class=&icon-external&&&/i&&/a&&/p&&p&5. Intro to Parallel Programming
(CUDA)&/p&&p&&a href=&///?target=https%3A///course/intro-to-parallel-programming--cs344& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&/course/intr&/span&&span class=&invisible&&o-to-parallel-programming--cs344&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&6. High Performance Computing&/p&&p&&a href=&///?target=https%3A///course/high-performance-computing--ud281& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&/course/high&/span&&span class=&invisible&&-performance-computing--ud281&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&7. Coding the Matrix: Linear
Algebra through Computer Science Applications&/p&&p&&a href=&///?target=https%3A//www.coursera.org/course/matrix& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Coursera - Free Online Courses From Top Universities&i class=&icon-external&&&/i&&/a&&/p&&p&8. Machine Learning&/p&&p&&a href=&///?target=https%3A//www.coursera.org/learn/machine-learning& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/learn/mach&/span&&span class=&invisible&&ine-learning&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&9. CS 188 – Intro to AI &/p&&p&&a href=&///?target=https%3A//www.cs.berkeley.edu/%7Erussell/classes/cs188/f14/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CS 188 Fall 2014&i class=&icon-external&&&/i&&/a&&/p&&p&10. Intro to Artificial Intelligence&/p&&p&&a href=&///?target=https%3A///course/intro-to-artificial-intelligence--cs271& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&/course/intr&/span&&span class=&invisible&&o-to-artificial-intelligence--cs271&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&11. Artificial Intelligence for
Robotics&/p&&p&&a href=&///?target=https%3A///course/artificial-intelligence-for-robotics--cs373& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&/course/arti&/span&&span class=&invisible&&ficial-intelligence-for-robotics--cs373&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&br&&p&Courses with PPT:&/p&&p&1. CSE/EE486 Computer Vision I&/p&&p&&a href=&///?target=http%3A//www.cse.psu.edu/%7Ertc12/CSE486/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CSE486 Computer Vision I&i class=&icon-external&&&/i&&/a&&/p&&p&2. COS429 Computer Vision&/p&&p&&a href=&///?target=http%3A//vision.princeton.edu/courses/COS429/2014fa/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&COS429: Computer Vision&i class=&icon-external&&&/i&&/a&&/p&&p&3. 6.819/6.869 Advances in
Computer Vision&/p&&p&&a href=&///?target=http%3A//6.869.csail.mit.edu/fa15/index.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&6.869 Advances in Computer Vision, Fall 2015&i class=&icon-external&&&/i&&/a&&/p&&p&4. CS543/ECE549 Computer Vision&/p&&p&&a href=&///?target=http%3A//slazebni.cs.illinois.edu/spring13/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Computer Vision&i class=&icon-external&&&/i&&/a&&/p&&p&5. CS143 Introduction to Computer
Vision&/p&&p&&a href=&///?target=http%3A//cs.brown.edu/courses/cs143/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CS 143 Introduction to Computer Vision&i class=&icon-external&&&/i&&/a&&/p&&br&&p&Lectures with PPT or other materials&/p&&p&1. SFMedu: A Structure from Motion
System for Education&/p&&p&&a href=&///?target=http%3A//vision.princeton.edu/courses/SFMedu/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Princeton Vision Group&i class=&icon-external&&&/i&&/a&&/p&
稍微整理了一下收藏夹里的资料，分成了三类。 · 带视频的课程，主要由Computer Vision, Parallel Programming, Artificial Intelligence组成 · 带PPT的课程，链接里面的Slides和Material都挺丰富的，参考它们的Schedule，可以定一下自己的先修课，学习路…
这周末去杭州的蘑菇街，网易，阿里进行了『实地考察』，得出了自己的结论和一些想法^^.&br&一、周末行程&br&本周末从合肥到杭州东，首先去了古墩路蘑菇街，然后去了滨江网易，最后去了阿里西溪，其中跟蘑菇街，网易相关部门的技术负责人面聊了以下问题：&br&1.部门技术现状以及支撑的业务。&br&2.部门技术发展方向。&br&3.我来了具体会做什么？&br&4.离毕业还有约一年，我该做哪些准备，以便我入职能快速入手，甚至能够充满创造性地优雅地胜任工作？(因为我毕业前无法来实习)&br&&br&二、关于我的选择&br&1.选择结果&br&蘑菇街-数据平台&br&&br&2.选择理由&br&(1)部门技术发展方向包含加强数据平台的稳定性，易用性，统一性，以及想要与开源社区有交流；对于目前学习欲望强烈的我来说很喜欢。&br&(2)HR带我把公司各层都看了看，工作的气氛，扁平的风格我喜欢。&br&(3)数据平台负责人的风格我喜欢。&br&(4)离西溪湿地，西湖近。&br&&br&3.深层次考虑&br&(1)对比:网易的相关部门的负责人也是相当相当nice，我一直觉得我很幸运，也许能够到他们的那个位置的前提就是良好的亲和力和沟通能力吧，没什么好说的，工作的内容也是很有挑战性有意思，待遇也好；阿里和网易的园区环境也是很赞，没的说；只是个人品质决定了到哪里我都会成长得很好，而让我更兴奋的是更大的空间和可能，对系统的培训和大公司的光环提不起兴趣，于是选蘑菇街。&br&(2)定位:走这么一趟，我觉得对自己的定位，以及对要走的路更加清晰了，我是一个数学转计算机的人，单纯得对用计算机解决问题感到兴奋，无论是之前的ACM，数学建模，到现在系统的构建，这个过程锻炼出了较好的学习能力，自我管理和规划能力，上乘的自律和沟通能力，属于不是凤毛麟角的顶尖实力选手，但是是一个对计算充满热爱，具有一定天赋的潜力派选手，需要蘑菇街这种快速成长的公司给我巨大的推力，一起成长；我对大数据的追寻，内心告诉我更多的是工程性方面，所以我会往工程性方面发展，而蘑菇街现阶段的发展显然对工程性的依赖会比科学性多，精妙的算法，漂亮的数学是我让我愉悦的兴趣，也不会丢，基于此，我选蘑菇街。&br&&br&三、关于目前答案和自己的一些想法。&br&1.为何要这么早决定，为何不多找几家？&br&(1)不多找的原因:国内只想去深圳或者杭州工作，这是我的自由吧；腾讯没太适合的，杭州就这三家，其他的简历就都没投了；国外就想去Google，Wiki，Amazon，但是时机不成熟，放弃。&br&(2)早决定的原因:一直都不喜欢找工作，早点确定了就能早点回归高效编码，读论文读书读源码的熟悉状态，这样才会让我心安，比我牛逼的人太多，不想浪费时间在找工作上；而且我请假就到这个月底。&br&&br&2.第一份工作是选择大平台还是最合适的自己的？&br&
现在我有自己的答案了，我选择是最合适自己的；我在认真『考察』每家公司之后选择了一个最合适我自己的，这样我以后不会有任何怨言，我会全身心得投入去完美得完成我的工作；很多猎头说第一份工作是大平台的话会有利于下一份工作，我完全赞同，只是我的视角会不同，先不说我也许会在蘑菇街呆很久，假设若干年后我真的要换工作，如果我是一个具有多年大数据平台构建经验，上等学习能力，沟通协调能力，自我规划管理能力，具有相关领域影响力，等等的人，下一个公司的雇主会不要我嘛？我自信在现有基础上若干年之后能成长成为这样一个人；没有大公司的光环简历会被刷？科大的校友这么团结，若小弟以后要换工作，找个内推，应该不会很难吧--!。&br&
做出选择需要结合自己的性格，对自己的定位，对未来自己的规划来。大公司很大概率是很好的，有个答主说的很好，他们的关系有点像清北，985，211的关系；周边的人平均实力会有不同，大公司很大概率会更快成长成一个牛逼的人；我也不知道，我的选择会对我以后有什么影响，我知道的是，我不会后悔自己的选择，一直都是；希望大家都能做出『最好』的选择。&br&&br&3.积累和分享&br&(1)我很少玩知乎，第一次提问，很多答案给了我很多建议，我之所以会去实地考察公司的相关部门，就是因为&a href=&/people/UncleSpecial& class=&internal&&Uncle Special&/a& 的建议，我之所以会进一步对自己定位，是因为&a href=&/people/cristina.jiang& class=&internal&&克里斯蒂娜酱&/a&的建议，还有很多其他建议，在此真心谢谢你们；我之前一直是一个不怎么玩社交网络的人，全身心得投入各种知识的吸收中，现在觉得把自己良好的学习能力以及执行能力与多种多样的意见结合起来，会思考得更加全面，自己的维度会更高，分享真的是一件充满意义的事情。&br&(2)&a href=&/people/Michael282694& class=&internal&&Michael282694&/a& 与 &a href=&/people/xiao-jing-mo& class=&internal&&萧井陌&/a& 的出现让我真正得思考『积累与分享』的事情；我并不知道知乎上面有哪些『有名』的人，但是这两个肯定是，他们的关注者很多，答题很多；答题是一种输出，他们能够有这么多的输出，必定是有很大的积累，他们通过自己的积累帮助了很多人解答问题，进而收获了许多许多关注，这些关注也会进一步促进他们答题的欲望，也会更有动力去涉猎和积累，我觉得这种『积累----&分享-----&产生影响力----&促进分享的激情-------&驱使进一步积累和广泛涉猎』的循环是我缺少的，我目前还停留在积累上面，我希望像他们学习，能够做出更多的分享，产生影响力，让自己融入到互联网中，但是高质量的分享真的需要大量的积累，我得继续加油啦，因此我很佩服知乎上面的『名人』，他们真的很厉害，也会很快乐。&br&(3).我已经迈出第一步了，有些同学私信我问题比如如何学习数据挖掘以及大数据平台(Hadoop生态系统)；找工作过程中的问题； 我似乎给了他们一些很有帮助的回答，这是分享的第一步，任重而道远。我在这里的回答，是不是也是分享的一种形式？&br&&br&--------------------------------------数据挖掘与大数据学习经历-----------------------------------------&br&因为很多人私信这方面的事情，所以放在这里会让更多的人看到。&br&我主要分享两方面的学习经历，一个是分布式处理平台，一个是机器学习。&br&【1】分布式处理平台学习经历&br&一.基础&br&由于数据平台都是分布式的，而且Hadoop生态系统基本都是基于Java的，所以你得具有操作系统基础，Java多线程，Java网络编程基础，有一些设计模式的基础更好，基本的算法和数据结构就不用说了。&br&二.我的学习过程&br&1.学习内容:因为整个大数据的处理，抽象出来无非是数据的输入，数据的处理，数据的存储，数据的服务；我因为对各个环节的很感兴趣，所以就都进行了学习。&br&（1）输入：Kafka/Flume&br&（2）处理：Hadoop MapReduce/Spark/Spark Streaming/Storm&br&（3）存储：Hbase/Cassandra/Hazelcast/Mysql&br&2.学习过程&br&（1）官网上面的Tutorial以及各种介绍会先看一遍，主要是看这个工具是做什么的，怎么用，与同类产品相比，特点是什么？&br&（2）实际使用，自己要做的项目，或者自己的玩具项目里面用这些工具，掌握熟练基本用法。&br&（3）对做什么，怎么用有了自己的理解后，就关注其特点，比如Kafka的Consumer group的概念，Spark的内存计算的概念，这时候就要思考为什么会有这些特点，于是就需要读这些系统的论文，了解他们的设计原理，最后读源码，看看设计与源码有哪些出入，为什么会有这种trade-off，这对以后自己设计和实现都有指导意义。（google search: &system name& + & & + filetype:pdf可搜索到相应论文。）&br&（4）上面的过程走过了之后，就用一本最好的相关系统的书籍（Amazon Books 分类底下搜索system name ，选择最新评价最高，当然也要看简介是否适合你）来系统化梳理自己获得的知识，与作者产生共鸣，着重其系统优化部分，因为你懂原理看了源码，对优化的原因就会很清楚。&br&
上面(1)~(4)基本就是我学习一个系统的过程，当然最痛苦的过程没有展示给你，那就是需要不断的深度优先学习，比如我看Spark的时候，当我看完论文之后我想看源码，但是源码是Scala写的，我就必须去学习Scala，底层的通信是用Akka实现的，我又得去学习Akka，遇到不会的就立马去学，如果不喜欢，不专注的话是相当有恐惧心理和厌烦的，如果你想学好，请克服这一点；由于最新的资料都是英文，如果想学好，请一定培养自己娴熟的英文阅读能力。&br&PS：如果对底层感兴趣的话，想学习分布式计算的话，我自己是按这个road map 走的:&br&&a href=&///?target=https%3A///What-are-some-good-resources-for-learning-about-distributed-computing-Why& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&What are some good resources for learning about distributed computing? Why?&i class=&icon-external&&&/i&&/a&&br&&br&【2】机器学习经历&br&一、基础&br&基本的高等数学，线性代数，概率论和统计，因为我以前就是数学专业，没什么好说的，把自己学过的教材花时间复习一遍就好。&br&二、我的学习过程&br&1.课堂学习&br&研一的时候我修了数据挖掘课程，使用的教材是《数据挖掘导论》，就是认真跟着老师把每一个算法学号，课程实验认真做。&br&2.课外学习&br&一本《数据挖掘导论》显然不够满足我的胃口，课下的时间我主要辅以《统计学习方法》+《机器学习实战》来学习，当然也啃掉了Andrew Ng那20集机器学习视频，不过我看的似乎是很老版本的，有机会我会再去看一遍新版视频。&br&3.自己搜集的链接(未来依据的资料)&br&[机器学习如何入门]&a href=&/question/& class=&internal&&机器学习该怎么入门？ - 机器学习&/a&&br&[机器学习学习路线]&a href=&///?target=https%3A///machine-learning-roadmap-your-self-study-guide-to-machine-learning/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&&/span&&span class=&invisible&&/machine-learning-roadmap-your-self-study-guide-to-machine-learning/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&[数据挖掘系统教程]&a href=&/question/& class=&internal&&数据挖掘的系统教程是怎样的，包含哪些教材？ - 书籍推荐&/a&&br&[数据挖掘好的教程]&a href=&/question/?rf=& class=&internal&&在数据分析、挖掘方面，有哪些好书值得推荐？ - 书籍推荐&/a&&br&[如何成为一名数据科学家]&a href=&///?target=https%3A///How-can-I-become-a-data-scientist& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&How can I become a data scientist?&i class=&icon-external&&&/i&&/a&&br&资料很多，根据自己的情况好好梳理一下，建立自己的学习计划&br&&br&上面大概就是我的学习过程，最重要的实践我就不展开赘述了，我很幸运都有或大或小的项目驱动，如果没有的话，就去找相关方向的实习或参加相关的比赛（kaggle + 阿里比赛）。&br&&br&加油！
这周末去杭州的蘑菇街，网易，阿里进行了『实地考察』，得出了自己的结论和一些想法^^. 一、周末行程 本周末从合肥到杭州东，首先去了古墩路蘑菇街，然后去了滨江网易，最后去了阿里西溪，其中跟蘑菇街，网易相关部门的技术负责人面聊了以下问题： 1.部门技…
&p&&b&谢邀。此文虽长9000字整 ! 全手码，预计花费您10分钟左右才能阅读完，建议不跳读。值得收藏。这是知乎朋友的热情啊，一个小时之内，就看到了收藏是点赞的三倍！！！哈哈，为什么! ! !&/b& &/p&&br&&p&&b&①时间&/b&&/p&&p&如果你想要在某个知识领域成为the best of the best，你必须要花至少10000小时实实在在的练习和学习。&b&然而，Josh Kaufman却推翻了这些观念，提出了你只需要20小时就能不错的掌握一个全新的知识和技能。&/b&
如果我们能在最初的20小时内熬过初学阶段的不适感和挫败感，我们其实能很轻松地掌握一个全新的领域。哈！20个小时＝2个沉睡的夜晚＝1周娱乐时间的总合，听起来的确很不错。
嗯，我的意思是用20小时学习一门大学教材。&/p&&br&&p&&b&②案例&/b& &/p&&br&&p&高效利用时间的&b&案例&/b&：&b&学更多更多的知识，做更多更多的事情。简直是知识、精神双饱满！！&/b&&a href=&///?target=http%3A///blog/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&斯考特·杨（Scott Young）&i class=&icon-external&&&/i&&/a&12个月之内，&b&自学&/b&完成了传说中的&a href=&///?target=http%3A//www.eecs.mit.edu/academics-admissions/undergraduate-programs/course-6-3-computer-science-and-engineering& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&MIT计算机科学课程表&i class=&icon-external&&&/i&&/a&的全部33门课，从线性代数到计算理论。按照他的进度，读完一门课程大概只需要&b&1.5&/b&个星期。&b&这是我见过的大学生里在学习方面活得最充实的人。&/b&
我曾经对他的学习方法做过超认真的整理：&a href=&/question//answer/& class=&internal&&怎样做才能不虚度大学的时光？ - 白诗诗的回答&/a&&/p&&p&
关于他的学习方法，&a href=&/people/warfalcon& class=&internal&&warfalcon&/a& 评价如是：&/p&&br&&blockquote&评价a:&b&每天学习10小时，10天左右就要考试一次，并通过，这个学习效率非常高，更不用说重复了33次。在学习一门新的知识时短时间集中注意力不难&/b&，但持续一段时间之后，如果做不到很好的&b&放松&/b&，只要持续二、三个月左右就会达到一个瓶颈，理解能力和心理状态无法继续，这个&b&瓶颈&/b&会重复出现，就象考研时很多人前几个月都能坚持下去，但到6、8月之后就无法坚持。&b&重复三次左右会面临一个临界点，度过这后就很容易继续了。&/b&
评价b:刻意练习没有“寓教于乐”这个概念。&b&曾经有个著名小提琴家说过，如果你是练习手指，你可以练一整天；可是如果你是练习脑子，你每天能练两个小时就不错了。高手的练习每次最多1到1.5小时，每天最多4到5小时。没人受得了更多。&/b&一般女球迷可能认为贝克汉姆那样的球星很可爱，她们可能不知道的是很少有球员能完成贝克汉姆的训练强度，因为太苦了。&/blockquote&&br&&p&&b&③可实施性&/b&&/p&&br&&p&&b&“在学习一门新的知识时，短时间集中注意力不难” + “（刻意练习）高手的练习每次最多1到1.5小时，每天最多4到5小时。没人受得了更多”→→→→结合我们20小时学一门教材的目标，可以得出一个结论：&u&我们进行的不是严格意义刻意练习，我们的强度也没有那个国外小子那么高，而且一轮下来只要20小时，即便是用刻意练习的方式进行，也是可以接受的&/u&。学完一科，我们可以进行休整放松，不用严打紧逼。而且就我个人而言，一天高效学习时间安排在八个小时左右，是可以执行的。&/b&&/p&&p&&b&&u&但是，要保证利用好八个小时的高效时间&/u&。&/b&&/p&&br&&br&&p&&b&④如果保证利用好自己的高效时间？
学习仪式感：&/b&&/p&&p&&b&人，藉由这种仪式带来的仪式感，来给自己一种强烈的自我暗示---------这种自我暗示能够使自我变革，把自己的专注力、反应能力、运动能力迅速提升。&/b&&/p&&br&&p&为了保证高效时段得到利用，我把每一次学习当成月考甚至高考一样的对待。
为了高考你会提前准备什么？
物质准备:吃饱穿暖
精神准备:考前睡眠充足
知识储备:复习再复习
在高考之前，脑海里，我们已经把在考场上的表现重复了多遍。&/p&&p&再来看看，我是怎么为一次高效学习进行仪式感建立的:
&u&物质&/u&:水、巧克力、计算器、文具。在正式学习之前，我会在桌上一字排开，以防临时需要某些东西时手忙脚乱去到处翻。&/p&&br&&p&&u&精神&/u&:在前一天晚上，我就想好第二天又要进行高效学习了，所以我会安心睡去，而且如果你已经在前一天高效学好的话，会在一种满足感和新的期待中睡去。
&u&时间&/u&:比如，八点是我的正式学习时间，我会保证八点之前提前赶到那里，坐在椅子上调整出最舒服的学习姿态。
&b&提取半个小时&/b&到达学习现场，我会做以下工作:&/p&&p&&b&仪式第一步:启动
1.把准备好的物品摆在桌上。
2.深呼吸一口气，然后做眼保健操。
3.闭着眼按摩太阳穴一个八拍。&/b&
注:&b&眼保健操的第三个八拍和第四个八拍互换&/b&，多年的眼保健操经验告诉我，原本第四个八拍（轮刮眼眶）做完之后，眼睛睁开是会一片模糊感，眼液汪汪，十分不舒服。（ps.重新排版此文的时候我才发现，对于眼保健操我也是蛮有见解的嘛！！！哈哈哈&b&。)&/b&&/p&&br&&br&&p&&b&仪式第二步:预热&/b&&/p&&p&翻看即将在要来到的两个小时之内需要学习的内容，心里有个大概。我会多浏览几遍某些重要的概念以及例题，但是我不会把这个活动当做是我的正式学习的过程，就好像你考试之前翻书，多看几遍重难点考点只是为了考试更好的发挥，而不能把这个过程计入考试本身一样。我现在做的活动，只是为了等一下正式学习更好的强化效果。&/p&&br&&p&&b&仪式最后一步:静心&/b&&/p&&p&在八点之前的一分钟，我会盖上书本。静静等着一分钟的流逝，八点钟一到，就带着喜悦感平静地翻开书本。因为有了那么多前戏的酝酿，你都不知道我多么的期待这么一次高效的学习的来临啊。&/p&&br&&br&&p&大学学习的方法千差万别，比如，&b&有人有能耐能泡老师透到题，或者被老师泡也能泡到题，这种做法我认为是最高效的，有了考试题目就只需要锁定知识点夺取高分。这种做法我十分欣赏，&/b&但只有一点我不喜欢，那就是逃避了学习过程，没错，我也要考高分，但我只想踏踏实实的通过正常的学习完成这个过程。不过，我的踏踏实实要是和很多人一样一章一节的看下去，那就是侮辱我自己了，因为那样我会看不到最后，就止不住困倒在书上了。&/p&&br&&p&我个人的方法就是对这个踏实过程的一次优化，让自己在持续反馈之中达成&u&纯20小时高效学习一门学科&/u&的目的。&/p&&br&&p&&b&第三步：正式高效率学习&/b&&/p&&br&&p&&b&步骤如下:&/b&&/p&&p&&b&第A步:&/b&&/p&&br&&p&&b&第一遍阅读
1.&u&看目录&/u&知道这一章重点在哪一节，这一节大概用来解决什么问题
2.看章后习题，&u&圈出术语&/u&--------这个术语基本上就是本章的知识点了
3.根据术语去书中&u&划概念和术语解释&/u&--------如果有些术语不能理解，请使用网络百度术语名词解释
4.术语理解后带着术语去理解书中的&u&图表和例题以及案例&/u&&/b&&/p&&br&&p&&b&⑤为什么不首先直接去阅读文字呢？&/b&&/p&&br&&p&对此，我还当真有些个人的强烈认知:理工科的书在我看来是不能谈「理解」这个词的，&u&尤其是工科的书，&/u&我认为就是一份份的说明书，讲机械那就是机械的说明书，讲制图那就是制图的说明书，这些说明书和商品说明书没有本质区别，只是它们通过系统化的学术语言衔接成书、成册——但本质上一本说明书的集合。洗衣机说明书有什么作用？那就是告诉购买者如何操作、如何保养、注意事项。&u&平时我们会嘲笑某些人看不懂说明书，其实不是对方理解力有问题&/u&，而是我们市面上多少说明书简直垃圾，写的不够明确、简洁，导致阅读者操作困难。&/p&&br&&p&同样，我也认为我们的教科书并不都是一本本优秀的说明书合集，因为它们的书写内容是由个人写就，说明的操作细节根据他个人的智识水平书写，他并不曾统计所写的每一句话是不是让读者看起来更加容易形象的理解。&u&我是说，不好的说明书才需要额外的理解，好的说明书只需要我们按着步骤流程一步一步操作就可以达到目的，只有书写不明的说明书才考验读者额外的理解能力。&/u&&/p&&br&&br&&p&从某个意义上来说，你学习某一本书，如果看不进去，可能不是你理解有问题，你应该换一本书。我们什么时候讲理解能力？中文阅读理解，英文阅读理解，文学作品，“我爱你，你懂我心吗？”，那是中文，英文。感性表达的时候需要你的理解，文人思维表达的时候需要你的理解，读哈姆雷特的时候需要你的理解，需要一千个读者有一千个哈姆雷特的理解。&u&讲机械机构的时候如果你说不理解，那多半是书本表达的问题&/u&，不是你理解力有问题。可以长高宽表达的东西，你说你理解它干嘛？难道某个机械结构脉脉含情的给你传达某种信号，需要你理解她的弦外之音！？
以上是对教科书的微词。&u&我意思是这样的，大学本科教材有可能的话去换几本看看，可能有比较容易“理解”的书呢？&/u&中国大学教材烂，这也是为什么国外大学教材受欢迎的原因。
&u&但是，对于多数人而言，外文教材好啊好啊，其实都是喊在嘴巴上，看我这篇文章你都嫌长，你绕个远道去看外文教材？&/u&网上的公开课也比中国教授讲的好呀，推荐者万万众，实践者几几人！&u&更何况，多数人外文的书是看不懂的，那么，就踏踏实实的看你们学校的教材，照样可以学好，此时才显得我的这个&b&建议&/b&之有含量&/u&。&/p&&br&&p&&b&（在重新排版的时候，我请额外圈出一句话：&u&推荐者万万众，实践者几几人！&/u&——这句话太好了，且做我的名言2号。）&/b&
这个&b&建议&/b&是这样：&/p&&p&看书看不进，就牢牢抓住书本的&b&例题、案例、图表&/b&。因为&u&例题讲具体情境、图表具有可视化、案例就是讲具体的运用&/u&——&b&这些都比理解文字描述容易的多&/b&。而且，例题里面包含了对关键知识点的运用，案例和图表其实都是为了辅助你理解正文文字内容的。所以，&u&只要我们配合最少量的文字看懂了案例、图表，就达到了对知识的了解&/u&，&u&接着我们再去看例题就知道了知识运用场景&/u&，之后，&u&我们再反复地做题目，从而达到了对知识点的掌握&/u&。&/p&&br&&br&&p&这里还给你明确指明了什么叫了解、知道、掌握，课本往往会有学习要求，比如本节达到“掌握”的程度，而第二节只要“了解”就够了。那什么是“了解”、“知道”、“掌握”呢？光看这几个词汇，你是不是感觉在学习过程中，还是难以把握好“理解”等词汇的&b&度&/b&？&/p&&br&&p&从刚刚前段的描述中，其实已经给你活生生明确了呀:&/p&&br&&p&1.“配合&u&最少量的文字&/u&看懂了&u&案例、图表&/u&，就达到了对知识的&b&了解&/b&”。&/p&&p&2.“接着我们再去看&u&例题&/u&就&b&知道&/b&了知识运用的场景”。当然，这里的知道是对于“知识运用场景”的知道，如果是“知道某种知识”，那我给的定义是:当我提起某专有术语名词、某理论的时候，你能想得起来有那么一回事。比如我说到隔壁小王出轨了，你说“哦，那个小王八啊，我&b&知道&/b&”------那你就真的知道了，也许对于这种男女之事，你知道的还要更多，可能已经达到了掌握甚至熟练运用的程度。在这个男女例子的场景中，你表现的是一个好学生的角色——主动掌握的东西不由自主地就比“课标要求”的多得多。&/p&&p&3.“我们再&u&反复地做题目&/u&，从而达到了对知识点的&b&掌握”&/b&。&/p&&p&4.如果我们用所学知识去&u&解释问题&/u&、或者直接体现在&u&实际操作&/u&中，那就是&u&运用&/u&了。&/p&&br&&p&以上就是我们需要尽量弱化教材文字阅读的原因。&/p&&br&&p&学习请以&u&一章为单位&/u&，因为拉长战线会拉长反馈周期，对于学习实际效果不利。如述进行完以上的步骤，读完一章后，可以轻松休息片刻。在&a href=&/question//answer/& class=&internal&&哪些实用的小方法、小技巧、好习惯能让人每天进步？ - 白诗诗的回答&/a&中，我提到，我会在这种休息间隙做&b&俯卧撑：&/b&&/p&&br&&blockquote&&b&有没有人认为健身必要但同时觉得浪费时间？&/b&工作间歇、课间休息期间，眼看四下无人，哗哗哗，30个俯卧撑一两分钟内已经完毕，我擦，不仅&b&劳逸结合&/b&，三头肌一个月内暴结实！！！&/blockquote&&p&放心：男孩子的话，这30个俯卧撑放心做好了。虽然方法是我提供的，但是我不向你要30个俯卧撑的版权！&/p&&br&&br&&p&&b&⑥这是我要提的另一个重点:能量分为身体能量和情绪能量。&/b&&/p&&br&&p&&u&学习过程中，比如在图书馆学习，我见到很多人在学习过程中是没有补充能量&/u&的，当然也有人吃些小吃和零食，但这个和我所说的能量没有屁毛的关系呀，多数人正式的能量补充时间是中午时段的午餐，&u&在我看来，对于一个有志于高效学习的学习者，只有午餐一个常规性能量补充时段，显然是严重不够的&/u&。&/p&&br&&p&&b&能量补充&/b&:&/p&&br&&p&1.&b&身体能量&/b&。&u&精深练习的人最多达到1个小时1.5个小时，这是很累的，也就是说，会消耗大量的能量。所以，你得需要及时补充能量&/u&。两个小时的高效学习期间，分为两段，一段五十分钟左右，中间休息，这个时候就可以补充能量。所以，巧克力就派上用场了。人和人千差万别，原因之一就在于人与人吃的方式不一样。&u&身体的直接能量是&b&葡萄糖&/b&，它把葡萄糖当资金一样运用&/u&。当身体能量不足时，首先剥夺的是心智能量，这时补充一些&b&糖类&/b&（&u&功能性饮料、奶昔、蜜水、果汁都是很好的能量来源&/u&），就会精力高涨，恢复冒险精神以及能够进行更加冷静的思考。&u&所以，巧克力是我个人选择&/u&。为了防止做广告，我绝不会告诉你是只是高力士牌而已……&/p&&br&&p&2.&b&情绪能量&/b&。很多人不知道情绪也是一种能量吧？一对夫妻，两个在公司都拼命工作，但一回到家里就经常吵架，是他们脾气不好喽？另外有对夫妻，下班很早，夫妻两个经常甜蜜去逛街么么哒，他们的脾气就好了？可是，这时候我告诉你，他们其实就是同一对夫妻，你又怎想？&/p&&br&&p&为什么这样？这是-------&u&因为拼命工作不仅仅需要物质能量，而且繁杂的工作在白天还消耗了他们大量的情绪能量&/u&，老板多给你任务，你心里不满意，你能表现吗?是不是没有表现出来呀？对呀，你没有表现出来，你压抑了心中的不满。压抑这个不满的情绪用什么？答案的确是物质能量-----因为身体时时刻刻都要消耗它，但是还不够，因为还有一个事实：&b&压制某一刻某一时的不满情绪，其实主要消耗的是情绪能量&/b&。那这样导致情绪能力下降，导致自控力下降，回家失控可不就吵起喽？&/p&&br&&p&&u&是的，情绪能量需要补充&/u&。&/p&&br&&br&&p&平时还有这样的例子，比如我决定跑步，开始信心满满要跑一个月，结果没有几天就懈怠了，不是累了，而是情绪上感到疲劳了，产生厌倦感了。&/p&&br&&p&这时候，&b&解决情绪疲劳，有一个方法:那就是放松&/b&。&/p&&p&听音乐吧，听好听的音乐，在这里，我要提一个建议：&u&在经济条件能承受的范围内，尽量买一根质量超好的耳机。羞涩的说，我有一根了，音效超级棒！同样，有可能就买一台超棒的音箱……这是和丁元英学习的&/u&。（《遥远的救世主》的男主，电视剧是个人超级推荐的，个人认为是一部比原著好看的老电视剧。）&/p&&br&&p&前面我也说了，还可以做运动。我看到某些办公室里面有健身器材，相当羡慕，不过作为学生，我只能四下下无人，那一段看来还得再引用一遍，反正是我自己的版权：&/p&&blockquote&&b&俯卧撑
有没有人认为健身必要但同时觉得浪费时间？&/b&工作间歇、课间休息期间，眼看四下无人，哗哗哗，30个俯卧撑一两分钟内已经完毕，我擦，不仅劳逸结合，三头肌一个月内暴结实！&/blockquote&&p&俯卧撑随便做，不收费！&/p&&br&&br&&p&解决&b&厌倦感&/b&，我也有一个办法：&/p&&br&&p&那就是，&u&完成规定任务量之后，在某一个热情高涨的时候索性中断学习&/u&。这边的需要&b&强调&/b&一下，&u&是完成规定任务量之后------中断这个动作是发生在整个学习的后期，而不是你学得一高兴就中断，你要是这么蠢，只能嫁给我了！！&/u&！
村上春树跑步几十年，我最喜欢他的一点，是他会在跑步感觉良好的时候主动结束，这样他就会对第二天的跑步充满期待。&u&因为人们对一些事情，总是能够清晰的记得事件的&b&开头&/b&和&b&结尾部分&/b&，在此基础上，我还要重点提醒的是，当时间一长，我们能记住关于一件事物的主要部分其实是&b&事物留给我们的感觉&/b&而不是事件本身&/u&。村上春树以充满愉悦感的时候作为结束点，跑步对他来说自然会是一种“愉悦感”能隔天连续的体验。这是很智慧的。&/p&&br&&p&更多的例子我不想举例了，比如长篇写作者中有许多作家也往往用这样的方法，比如写到高潮达到部分主动停下来，因为高潮情绪很强烈，在第二天接着创作是，就容易找回感觉，从而继续写下去。&/p&&br&&p&&b&事物的原因是一致的。所以，请你在晚上时段，即最后一个高效学习时段之后，接着再学习一段时间，正当感到愉悦、感到收获满满、感觉到学习仍然高效的时候&/b&——&b&立刻中断你的学习&/b&，收拾书本滚回家找对象玩耍吧。这么做的原因在于：&/p&&br&&p&理论上，你一天的高效学习已经接近极限了，这只不过是高效学习的余温而已，所谓的高效更可能是感觉上的高效，再继续进行下去只会让热情从峰值递减。&u&如果你在对学习感到糟糕的时候结束一天的学习，我想说，你真是愚蠢，总是竭尽全力的消耗完自己&/u&。你的确是拼命学到乏力的程度了，没错，确实可以承认你真的很拼很努力。如果学习只是一次性交易的话，你这种努力就值得嘉奖；可惜，学习它是一个长期的过程。&u&每一次，当你学到无力时才恋恋不舍地结束&/u&，你用“精疲力竭”给一天的学习画上了句号，很令人感动。&u&但是，你可知道，你每一天学习的最后体验点就是&/u&&b&&u&“累”&/u&！&/b&今天你是通过竭尽全力的方式学到很多东西，可是，&u&当“明天”来临的时候，你对于“今天”关于学习的最后印象只会是“&b&累&/b&”。“后天”、“大后天”......每一天都以“累”的感觉最为结尾点-----那么这个“累”就是你带给每一个“明天”的学习痛苦感。这种”&b&累&/b&“的感觉会累积变浓，因为每一天关于学习最后的那个感觉都会留下来，积累在你潜意识情绪认知里面。你因为一次次过度学习，从而导致了一次对学习的厌恶感的积累。——可笑你得不偿失！&/u&
而这正是多数人的做法:趁着精力十足拼命学习，学得无休无止，直到精疲力竭才罢休。哇塞，今天他妈的好有成就感，我学了满满一天，好有收获！——看到没，这种人很快会懈怠下来，你看到他第二天，第三天可能就去看电影去玩耍了，他说，那是劳逸结合，他说有学就要有玩……从我独特的角度来看，&u&此人每次如此耗尽一天“彻底”学习的后果是，在他潜意识印象中，会不断累积对学习的厌恶感，因为他总是在学习达到疲劳低谷点的时候才结束，自然有一种“学习使人疲累”的累积印象，所以，他的那种学习方法不长久&/u&，因为一个人如果不是经过科学合理的调节，自然而然做到一个“精力旺盛”+“想要学习”的每一天，那是很少见的。当然，有时候他也会精力状态，但没有合理利用起来，居然还被他一次性刷爆了！
&u&再者，他所谓的“收获满满”如果有一天遭受到打击，比如，现实证明他所学一无是处的时候，他心中就会倍加懊悔&/u&，懊悔当初那些拼命学习的付出是否值得，而这个&u&懊悔的对象无疑是「学习」&/u&，他以为无用的学习使得他之所学无用武之地，&u&在抱怨学错知识内容的同时不可避免的是他也会对「学习」行为本身产生一度的怀疑&/u&，你看，一个人对学习的厌恶，对学习的恐惧，就是如此积累而来的。现在，你说，一个人对学习的厌恶是自然由来的吗？人是不爱学习的吗？人是可以热爱学习的，但是需要方法，需要遵从人的心理特点。&u&当我说到这里的时候，请你听从我的建议:无论是什么学习，如果有这件事情来说对你重要，也有必要，但是你却讨厌它，那么请你在讨厌的时候立马去学习它，学到你喜欢它的时候立刻中断它。因为人都是追求快乐的，你学到情绪快乐的时候就中断，你的情绪就会带领你再来领略一次那种似曾相识的快乐，即便你的情绪不会主动带你来，也不要紧，因为你至少不会在心理上抗拒了&/u&。&/p&&br&&p&&u&当你看到以上的观念的时候，可以点赞加感谢甚至加关注了，因为我第一次在这里说这个东西，有幸，你也看到了。所以，是缘分，我谢谢我自己，这是一个多么好的观念呀，不敢说你在别的地方有没有见过，但是，在我的认知范围内，把这个观念用于学习，真是一种创造&/u&！&/p&&br&&br&&p&&b&第B步:回顾&/b&
看完一章之后，这一步简直轻松，一页一页翻过去，对主要知识点、概念，脑子里有一个回顾，知道这一章有讲什么内容。
&b&第C步:做题&/b&&/p&&p&&b&a计划&/b&.找例题，做例题。不看答案，能做多少就做多少，做完对答案，紧接着完整抄一遍标准答案→→去章后看看有没有会做的题目，有会做的就做下去→→没有就跳回来看第二个例题，方法一样→→如此循环往复&/p&&p&以上流程，如果五个例题抄完仍然没有头绪，那么太好了，说明你还没有理解教材，或者你的基础不扎实，这个就更好解决了:进行b计划
b计划&/b&:遇到这种阶段性的困难，只能加强对教材的针对性理解。在例题解答答案步骤中圈出那些重复出现的关键词以及章后题目含有的术语，再进一步去阅读相关知识点的概念、案例、图表。接着回来做题。如果不行，更加简单了:进行c计划
c计划&/b&:能让你进行到b步骤的书，我有理由相信那应该是类似《固体物理》一类的教材了，其他弱弱的学科如电工等等等等，基本上不会让你做了五个例题、抄了五个例题，你连一点头绪都没有。所以，你的操作如下:放下书本，去热爱生活吧。
&b&另外，我在送你一个礼物:&/b&当一本教材用如上的方式进行完毕，请你及时从网上寻找一份有详细答案的试卷做一次测试！
如果成绩达不到你心中的目标，请自觉决定安排时间重新学习、巩固、提高。这是对于自己有高要求的学霸说的。
&b&这个测试建议实际上对渣渣具有更多现实意义:如果在测试中不及格，你需要重新加强课本的学习。以此，拯救了一大片期末会挂科的渣渣们。你总不至于在看到这个特意提醒的时候，还清醒而且坚定的要和期末考做一锤子买卖吧！？&/b&
要讲的话讲完了，前前后后花了好多是时间修改文字。另外在补充一下我按这个方法进行时的一般作息:
1.我一般6点30分醒来，写晨间日记。上面会写“a.心态准备:我现在心情有点糟糕，还想睡觉，但是八点需要良好的心态来进行正式高效学习，所以，我必须振奋起来，加油！”“b.行动准备:为了确保八点正式高效的学习，我应该吃好早餐，天不冷的话，应该小跑一会儿，太冷的话，那就神伸懒腰好了，总之，要让心情愉悦起来”、“物质准备:应该去买水、巧克力……”写着写着，就清醒了过来。我不确定刚刚起床要不要再床上像猫一样的坐着不动停留几秒，听说有利健康，不错，很有利健康，我的尝试是这样的：为什么坐着？躺在不是更舒服吗？——没错，我又睡了几个小时！-----这就是好处吧吧吧。&/p&&br&&p&反正就是此类日记记录每天重复差不多的唠叨，长时间的进行，我发现，这对于我来说，最大的作用应该是暗示的作用——或者说，我有意于使它培养出一种条件反射，我喜欢这样，因为我喜欢——简单的勾勒，不是很长，我把笔记本放在床头，一起来，就里面写第一个字，“2015年……”之后就自然起来了，&b&朋友，记住一条简单的惯性定律:静止的倾向于静止，运动的倾向于运动。不知道一件事情怎么开始才合适？先去做10分钟。不知道怎么和女孩搭讪？立马过去说一声:“你好！……”后面的你自然会接着说。动起来，运动的倾向于运动。我真喜欢这句话。&/b&&/p&&p&2.我也有睡过头的时候。我看到有人因为一次计划的中断他就放弃了整个项目，我觉得他实在是愚蠢啊。比如我昨天打算早起学习的，可是济南雾太浓（刚刚接到济南大雾黄色预警，不妙啊），我以为是天没亮，结果晚起了两个小时。我难道不学了？对的，很多人正是这样做的。如果他在睡过头到中午才起来，他就很懊恼，麻痹，一天就这样悔了，算了，算了，今天下午还是好好玩吧，明天一定要早起！——这真是愚蠢啊，你没想到吧？第二天还是一样哎！长时间这样，效果很不好，你知道吗？当最后任务期限要截止的时候，你就焦躁不安了，你开始感叹时间他妈太快，自己不知不觉又荒废了这么多时间！……一连的情绪爆炸……哎。
&u&晚起了，就接着计划一天可利用的时间就行了嘛……有什么大不了？&/u& &u&同样，长期的计划要是因为不得已有一天两天的中断也没有关系，接着进行就行了嘛！……有什么大不了？非要让一时的缺失造成长期的隐患？！&/u&
3.能量值爆发期。
每个人的高能学习时间段可能不一样。但是我要强调一个词「预计」。观察自己长期的活动状态，我认为，预计自己能量爆发态出现在上午8~10，下午2~5点，晚上6：30~10点，一共八个半小时，所以，我会为了这八个小时坐着很多额外准备，比如，中午午睡就是必要工作；下午5点40左右，我可能会眯一会，这也是必要的工作；休息间隙用牛逼的耳机听喜欢的音乐，是必要的工作；个人爱好，俯卧撑也是必要工作；巧克力也是……总之，都是为了保证这八个半小时的高效利用而准备（实际上达不到8个半，8~10点休息10分钟，下午2~5点休息10*2，晚上6：30到10点，10*2，因此学习纯时间是7小时40分钟）。
因为里面提到下午5点40左右的小睡，那个时候并不困，是为了防止晚上三个半小时产生疲劳而提前进行的小睡眠的。&b&在疲劳来临之前休息放松是最好的缓解疲劳的方法，你没有听说过吗？你听说过，所以，我再一次提醒你而已。&/b&
ps.别以为这样学习苦逼，其实我是在极大愉悦度中进行的，伴随着强烈的仪式感，每一天都像朝圣之行。&/p&&br&&p&没有太多错别字，我不想修改太多次了，实在很耗费时间，但是如果你看到这里，我提醒你的是：&b&划线内容才是关键。&/b&&/p&&br&&p&（ps.在3月22号，达到吉利的88888赞之后，我才腼腆的放上自己的公众号吧——&/p&&br&&p&搜——「白诗诗」或者「baishishi100」即可。&/p&&br&&p&希望在日——本人发现被知乎流量被限制之后，可以带走一点读者吧，哎。）&/p&&br&&p&最后是我的名言：&/p&&br&&p&&b&为了学习，我今天有特意去买了一盒巧克力，预计前途是一片光明。&/b&&/p&&br&&br&&p&&b&++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++&/b&&/p&&p&&b&这么有才的人当然需要做广告了，我被邀请太多，如果有以下相似问题，希望你们看过我答案后再邀请：&/b&&/p&&p&&b&哦，别忘了去微信公众号搜索---“白诗诗”，为什么呢，因为我也转移阵地了。&/b&&/p&&p&&b&以上是我最值得一看的答案：&/b&&/p&&p&&b&1.&/b&&a href=&/question//answer/& class=&internal&&怎么背书最有效率？ - 知乎&/a&&/p&&p&2.&/p&&a href=&/question//answer/& class=&internal&&如何成为记忆高手？ - 知乎&/a&&p&3.&/p&&a href=&/question//answer/& class=&internal&&应届大学毕业生面试中有哪些“黑技巧”可以提高面试成功几率？ - 白诗诗的回答&/a&&p&4.&a href=&/p/& class=&internal&&我所依赖的记忆方法 - 知乎专栏&/a&&/p&&p&5.&a href=&/p/& class=&internal&&给高中小朋友的一些学习方法 - 知乎专栏&/a&&/p&&p&6.&a href=&/p/& class=&internal&&那我就靠这篇文章卖钱了 - 知乎专栏&/a&&/p&&p&&b&好吧，只贴好几个相关的。随便看。&/b&&/p&&p&&b&最后为了凑字数，让我隆重的再说一次我的名言：&/b&&/p&&br&&br&&p&&b&为了学习，我今天有特意去买了一盒巧克力，预计前途是一片光明。&/b&&/p&&br&&p&&b&9000字&/b&&/p&&p&&a href=&///?target=http%3A///r/60Snv5vEFsZprd-c9xH5& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/r/60Snv5v&/span&&span class=&invisible&&EFsZprd-c9xH5&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a& (二维码自动识别)&/p&&p&为了方便大家关注，我特地去做了一个二维码！&/p&
谢邀。此文虽长9000字整 ! 全手码，预计花费您10分钟左右才能阅读完，建议不跳读。值得收藏。这是知乎朋友的热情啊，一个小时之内，就看到了收藏是点赞的三倍！！！哈哈，为什么! ! ! ①时间如果你想要在某个知识领域成为the best of the best，你必须要花…
&img src=&/0886d3dfe6fca5e4e524fbe6aede25b2_b.png& data-rawwidth=&1239& data-rawheight=&1440& class=&origin_image zh-lightbox-thumb& width=&1239& data-original=&/0886d3dfe6fca5e4e524fbe6aede25b2_r.png&&&img src=&/a3d1c7c1f8cfa70b9f8e64d1_b.png& data-rawwidth=&1578& data-rawheight=&1429& class=&origin_image zh-lightbox-thumb& width=&1578& data-original=&/a3d1c7c1f8cfa70b9f8e64d1_r.png&&&img src=&/cfed75af3c8499c_b.png& data-rawwidth=&1713& data-rawheight=&1412& class=&origin_image zh-lightbox-thumb& width=&1713& data-original=&/cfed75af3c8499c_r.png&&&br&&img src=&/f9fefd0d2f_b.png& data-rawwidth=&1546& data-rawheight=&1423& class=&origin_image zh-lightbox-thumb& width=&1546& data-original=&/f9fefd0d2f_r.png&&&br&&img src=&/cc10ace9dd7c8f1ca7c9c903fab6ee47_b.png& data-rawwidth=&1433& data-rawheight=&1424& class=&origin_image zh-lightbox-thumb& width=&1433& data-original=&/cc10ace9dd7c8f1ca7c9c903fab6ee47_r.png&&&br&&img src=&/f2d2b12ec44de38078b7_b.png& data-rawwidth=&1444& data-rawheight=&1423& class=&origin_image zh-lightbox-thumb& width=&1444& data-original=&/f2d2b12ec44de38078b7_r.png&&&br&&br&&br&&p&----------------------------------------为什么看不懂大学数学-------------------------------&/p&&p&
因为中国的教材太差。&/p&&br&&p&
一个国家的教学水平，整体反应在教材的水平上；一个大学的教学水平，也反应在教材水平上。全国除顶尖985学校之外，其余学校的数学水平都很不理想，绝大多数学校的数学课程都是直接从苏联数学继承过来的，三十年几乎没有任何改变，实在太差了。看了美国的教材，终于明白为什么国内学生考研数学平均分不及格，不是题目太难，而是教材太差，真的太差。可以说国内985比211好了一点点，但是常青藤系列比国内985好了一个几何量。同济版《高数》、浙大《概率统计》、同济《线代》这三套经典教材其实存在着巨大不足。他们表面听起来很高大，实际上继承了苏联空洞抽象的模式，以至于内容设置非常不合理，如果是属于应用型的《微积分》，国内的《高数》明显偏难，而且联系实际的题目太少；但是如果属于分析型的《微积分》，那内容又略显得简单和臃肿。以至于绝大部分学生毕业后基本完全忘记《高数》到底是什么，我不是说学生不认真学习或者老师差，而是教材，教材，教材，真的太差了。因为《微积分》是学习《概率统计》和《线性代数》的必备条件，因此直接导致整体考研数学成绩非常差，而实际上目前考研的数学题目都是非常基础的，是教材上例题的加强版，合理的学习安排下，应该能考到120分左右。但因为教材的巨大诱导性，让学生产生了严重的恐惧心理和不满情绪，这又反作用了对数学的害怕和反感，真是一件很悲哀的事情。&/p&&br&&p&--------------------------------------对《同济高数》的意见-------------------------------&/p&&p&
实际上，《同济高数》是非常抽象的，而且脱离实际的。从目录来看，似乎完整的覆盖了整个《CALCULUS》体系，但是在几乎所有的关键点上，同济的编者并没有用心处理，或者说，至少没有从学生的角度去思考。可以说一切知识都是：“点到为止，泛而不精”。全书语言都过于机械数字化，当然内容都是正确的，也没有明显错误，但正是这种”中庸精神“，少了一份灵气，少了一份让学生加深理解的辅助材料。要复制公式谁不会，我可以用几页A4纸把所有公式都写出来，难道这样就代表整个《微积分》了吗？往往是在公式之外的地方，在书本留白的边缘，在最细节的地方，最难的地方，最抽象的地方，最需要 descriptive statement 的地方才能看出一个作者的功力是否深厚，学问是否到家。“举重若轻”，是对一个学者的最高的赞誉和评价，可惜国内教材和教授们在这个方面，还有很长的路要走呢。&/p&&p&
《同济高数》用很准确的语言把极限“D-E”定义摆出来，但是没有说明这个定义的来龙去脉，因此很多学生都看不懂，甚至相当一部分学生都无法准确发音 delta - epislon，更别说理解到“为什么要用D-E来代表极限？不能用其他符号吗？”。而实际上 D-E 在古希腊字母中仅仅表示字母表的第四个和第五个字母，没有任何特殊的含义，主要是ABC 都被欧几里得霸占在几何学里，没办法用了，被迫无奈 采用了 D-E 。而在美国教材中，原作者用了一大段很简单的语言和几幅图片，将极限进行了解释“Limit is an active approaching process, it is not a still real-valued number nor variable, no matter how close you are, you will never reach that target ”。极限这个概念在牛顿---莱布尼茨的时代还没有出现，因为极限涉及到的数学原理其实很复杂，仅仅是“连续性”和“光滑性”这两个看起来很简单的名词，就让整整一个世纪的数学家废寝忘食，夜以继日，才得出结论。而至于我们今天看到的D-E定义，更是牛顿死后近两百年才被德国数学家威尔斯特拉斯提出，因此美版教材普遍都不要求“证明”，只要求“了解”极限的意识形态。《同济高数》对于一元微积分几乎完全没有实例，而对于极端重要的sinhx，coshx，更是只有寥寥几页纸，并且还带了一个星号，给人一种“欲练此功，必先自宫”的恐惧，sinhx, coshx 就是由 E^X 跟它的反函数E^(-X)进行线性组合得到的，简单吧？但是同济直接忽略了 y=e^x 的教学，实际上 y=e^x 是微积分中最简单，也是最重要的函数族。正因为这个特点，对它们的求导/求积就非常简单，特别是后期学习无穷级数，泰勒展开式，向量微积分，开普勒三大定理，概率的MGF，都时时刻刻体现出 y=e^x 的巨大威力。&/p&&p&更严重的问题是，同济和浙大的编者，都用了反人类的思维方法来开展教学。比如对y=x^n的求导教学，同济是直接拿定义出来，先把它证明了，再举例告诉学生这个定理可以直接使用。台下的学生一脸问好……难道大家不会觉得这是跟正常思维相反吗？美版教材就是先带领我们学会y=1的求导，然后y=x的求导，然后y=x^2的求导，然后y=x^3的求导，然后作者Stewart循循善诱地问同学说&now do you see any pattern among these process ? Can you GUESS what maybe the derivative of y=x^5 ? And what about y=x^n?&最后他才会摆出严密的定义，并证明。此时，学生也在过程之中学会了&b&“由特殊到一般，再由一般到特殊”&/b&这样一个非常重要的数学思维。相对应的求积也一样，先计算y=1的积分，然后y=x的积分，然后y=x^2的积分，然后y=x^3的积分，最后再问学生&now do you see any pattern among these process ? Can you GUESS what maybe the antiderivative of y=x^8, and what about y=x^n?&
Stewart从来不会直接甩出一堆晦涩的证明，而是先从几个简单的例子，引导学生去 GUESS 这样的结论是否具有一般性，并且证明自己的GUESS 是对的还是错的。Stewart 所用的例子都很简单，并没有太多的技巧和套路，但是这样的效果却非常好，由浅入深的帮助学生 &explore the unknown&，这才是一名优秀的老师所应有的态度和水平。多年后，或许你会忘记多元积分的公式，你也会忘记Laplace， Fourier，Taylor的公式，但只要你还记得推理的方法，你就很容易在几分钟内完成这一个过程。李开复曾经说到“&b&忘掉你所学的一切公式和定理，如果你还能利用自己的理解去推理出来，那就说明你的学问已经到家了&/b&。” 对这句话，本人无比赞同。&/p&&p&美版教材同时附带了大量的一元微积分习题，只列举简单的入门习题：&/p&&p&
（1）固定的鱼塘里放入一定数量的鱼苗，在足够营养下，鱼苗不会无限增长，而是指数增长，利用微积分知识，就可以求的相应的增长数量。
（2）博尔特在一次110米栏比赛中，总用时12秒，那么问你，他在4.5秒的时候，具体的瞬间速度是多少？同样前提条件下，博尔特在8.5秒的时候，已经总共跑了多少米？最后就会问，有什么方式把上面两个不相干的问题联系起来？
（3）某降血压的药物，给高血压病人吃了后，检测得血压下降的速度与药物浓度有直接关系，利用微积分就可以求得，吃多少的药物，才是有效的安全范围。
（4）化学反应中，某元素反应时间跟元素浓度呈正比关系，但是明显不是普通的线性关系，利用微积分，就可以求的某时间的浓度，或者完全反应所需的时间。
（5）发射地球同步卫星，需要多少做功，某瞬间需要多大的速度，如何确定速度跟做功之间的关系，在简易条件下如何检验相对论的正确性。
（6）水面的波浪从中心点向外扩张，呈 sinhx 的轨迹；而悬链线的受力情况，却是呈coshx的轨迹，试用微积分知识进行简单说明。
（7）流体通过某管道时，其靠近管壁的流体速度会因为阻力二减慢，中心部分由于阻力较小而速度加快，试用微积分知识来解释为什么。&/p&&p&
当然还有大量的变速的位移，变力做工，经济学的边际效应，价格弹性，资产定价模型（CAPM, WACC），旋转体的体积，等等都是《同济高数》所缺少的实际应用。正是因为这些栩栩如生的例子，学生才能深刻理解到微积分对于现代生活的巨大改变和意义。否则，假如仅仅是把纯粹的数字翻来翻去，求导/求积，学生都会了，那然后呢？难道学了微积分就是来做一个人工计算器吗？
国内教材总是直接叫学生套用某某公式解题目，而忽略了公式之外的逻辑理解和推到能力，美版教材就基本相反，很强调对基本公式的推到和归纳能力，而降低对公式本身的依耐性。这是两种截然不同教育理念的冲突。&/p&&p&
国内教材就像（&b&授人与鱼&/b&），给你一堆公式和定理，让你照着用。美版教材就像（&b&授人与渔&/b&）给你一种发现公式和定理的思维，让你学会自己归纳总结。它首先就会告诉我们：《微分学》研究“instantaneous, incremental and related changes” 的问题；而《积分学》研究“output from irregular input ”的问题。《微积分》的本质就是研究&active variable&的问题，教材特别多次强调“the significant difference between calculus and algebra and geometry is that calculus is dealing with ACTIVE/MOVING variable and algebra/geometry is working on still variable”.&/p&&br&&br&&br&&p&----------------------------对同济《线性代数》，浙大《概率统计》的意见-----------------&/p&&p&
这两套教材也是被国人视为瑰宝，敬而远之，但是相当大量的学生反映：“《概率统计》由于比较具体，还勉强看得懂。但是《现代》实在太抽象，所以很多学生反应无法理解”。因为这两套教材也十分抽象和理论化，缺少很重要的PREFACE，让学生在学习之前能对本学科有一个 FRAMEWORK 上的把握和掌控，基本上看完了也不知所云。美版教材无论如何都会有这些东西，并且开篇就告诉你《线代》研究的对象是“vector, especially COLUMN vector”，并不是所谓的“matrix”或者“determinant”或者“eigenvalue”，并在一开始就对向量进行了细致的教学，从加法、减法，二维图示，三维图示，到dot product，到cross product，到matrix，到determinant，最后才是水到渠成地引入matrix as linear transformation。非理工科的学生，学到这里就差不多了，后面vector space 和 orthogonallity ,比较抽象，难度也大，可以有选择地放弃。至于最重要的rank , nuliity , dimension ,同济并没有说清楚。如果是一维的，那就是两个向量共线；二维的，那就是两个向量形成一个四边形；三维的，那就是三个向量形成一个体积；四维以上的，照样是体积，但是一般不讨论。而所有的“行列式”、“矩阵”、“秩”、“通解”、“特解”、“特征向量”，“特征值”，等等名词，都是rref 后围绕COLUMN vector 展开的运算而已。但是由于《同济线代》根本没有这些基础知识做铺垫，导致学生基本看不懂教材的内容。就相当于：让学生去建造一栋摩天大楼，但是不让你打地基，直接就在平地施工建造第一层。实际上非理工类本科阶段的《线性代数》是非常简单的，是最基础的加减乘而已，但是（很多）学生却说不清楚 column space
和 row space 的区别，这就直接导致后期学习捉襟见肘，举步维艰。&/p&&p&
浙大的《概率统计》相对来说比同济优秀太多了，但还是存在非常致命的缺点。首先，是体系太混乱，竟然对于discrete/continuous RV 的最基础术语(pmf, pdf,cdf)都欠缺完整。其次，是教学太浅显，所有的实例都是一笔带过，对于大名鼎鼎的Poisson（&img src=&///equation?tex=%5Clambda+& alt=&\lambda & eeimg=&1&&），和 Exponential (&img src=&///equation?tex=%5Clambda+& alt=&\lambda & eeimg=&1&&) 甚至都没有说明白之间的微妙关系，简直不如维基百科。美版的《概率与统计》对一维的变量分布进行了非常细致的教学，五种discrete/continuous RV ，及其相关的mean，variance，median, skewness。每一种分布都配了至少五道例题，每到例题都有详细的解答思路和完整的mathmatical induction，几乎占据了一半的教材内容，并附带有非常丰富的课后练习。而对于更加复杂的二维变量，及其mean，cor-variance，co-relation, 教材反而用了较少的版面，因为二维不过是两个一维变量围成的一个面积而已，其他并无明显差异，只要先扎扎实实学好一维的，二维的问题就变得很简单。美版教材特别说明了几个问题“Poisson distribution looks very complicated at first, but it is actually the discrete version of Exponential distribution, which is very easy to calculate. But Exponential distribution, together with its brother Erlang distribution, is also a simplified version of Gamma distribution. But the most interesting finding is that the Chi-squared distribution is a special case of Gamma distribution as well as a special case of Norma distribution, which means to some extent, all the important distributions can be related to Normal distribution ! ” 其实越是学到后面，越会发现“向量”的重要性，它即出现在《线代》，也出现在《概率》，更出现在《高等微积分》中，可以说“向量”，是连接“可感知世界”与“不可感知世界”的桥梁，是数学的“核武器”。&/p&&br&&br&&br&&p&看完美国教材只有一个感受：&b&真正好的教育是将复杂的东西简化，强化基础概念和实际应用，弱化具体计算和逻辑证明，最终让普通学生也可掌握相对深奥的理论知识，并迅速转入实际应用。国内的教育正好相反：强化具体计算和逻辑证明，却弱化了基础概念和实际应用，最终生产了许多解题高手，但他们完全不懂这些数学“有什么用？”。&/b&&/p&&br&&br&&br&&p&----------------------------------------教材推荐------------------------------------------&/p&&p&
以下教材是全英文的，对英语有较高的要求。当然，优秀的教材有很多，我只列举自己看过，并且给予好评的三本基础教材。他们难度适中，编写合理，循循渐进，很适合基础较差的经管类、或者理工科的大学生。如果是初学者，请一定按照“微积分---概率论---线性代数”的流程来学习，因为“求导/求积”的运算是后期概率运算的基础。但是在《概率统计》和《线代》中，后面几章难度大，并且跟其他学科联系较少，所以一般学生看看即可，不需深入。由于《微积分》彻底催化了物理学和化学，因此顺带推荐三套优秀的理科教材。如果把《微积分》学好，再去学物理学或者化学，那几乎是摧枯拉朽、风卷残云一般的容易。我是人大毕业的，看到母校引进并且出版了如此优秀的数学基础教材，感到非常高兴和自豪。可见，不仅仅是我一个人，而是更多专家学者，都深深感到了中美高等教育的巨大差距。感谢母校提供的双语教材，高瞻远瞩，可谓居功至伟。（点击文字，打开京东连接。）&/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《微积分&i class=&icon-external&&&/i&&/a&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&》&i class=&icon-external&&&/i&&/a&
&/p&&p&&a href=&///?target=https%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《概率论与数理统计&i class=&icon-external&&&/i&&/a&》 &/p&&p&&a href=&///?target=https%3A///.html%3Fdist%3Djd& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《线性代数&i class=&icon-external&&&/i&&/a& &/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《基础物理学》&i class=&icon-external&&&/i&&/a&
&/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《大学物理》&i class=&icon-external&&&/i&&/a&
&/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《基础化学》&i class=&icon-external&&&/i&&/a& &/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《大学化学》&i class=&icon-external&&&/i&&/a& &/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《基础生物学》&i class=&icon-external&&&/i&&/a& &/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《大学生物学》&i class=&icon-external&&&/i&&/a& &/p&&br&&p&同时推荐一套相对来说比较“偏门的”书，是因为这些书虽然对考试没用，但是对于理解本学科，具有巨大的意义。对于特别重要的核心内容有深刻的解释，从时间轨迹来说明科学家是如何把生活中的“现象”，高度提炼成为具体的“公式”，并用这些公式来改变了整个世界。推荐给有志于深入学习的学生看一看，虽然数字论证比较晦涩，但是可以不看数学证明，仅看发展过程，当作小说读一遍也会受益匪浅。&/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《数学史》&i class=&icon-external&&&/i&&/a& &/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《化学简史》&i class=&icon-external&&&/i&&/a& &/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《物理学史》&i class=&icon-external&&&/i&&/a& &/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《科学史》&i class=&icon-external&&&/i&&/a& &/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《科学发现者：物理原理与问题》&i class=&icon-external&&&/i&&/a& &/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《科学发现者：化学概念与应用》&i class=&icon-external&&&/i&&/a& &/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《科学发现者：生物生命的动力》&i class=&icon-external&&&/i&&/a& &/p&&p&&a href=&///?target=http%3A///.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《科学发现者：地理环境与宇宙》&i class=&icon-external&&&/i&&/a& &/p&&br&&br&&br&&p&----------------------------------------------结语--------------------------------------------&/p&&p&
这么多点赞，确实让我很感动，但更多的是压力。由于能力有限，小生不可能几句话就总结大学数学，不可能让你们短期内成为学霸，因为《大学数学》作为一门高度完整严谨的学科，终究要靠埋头苦读和日夜刷题才能学到真功夫。永远都不要指望看几篇文章，看几个小时的视频，报一个培训班，就可以提高数学能力。小生衷心地希望这篇短文能改变你们对数学的偏见和仇恨，为你们提供一个可以前进的方向，让高数不再那么高不可攀，让所有人都感受到数学之艺术和威力。倘若将学习比作练武的话，那么教材就是练功秘籍，老师就是练功师傅。优秀的秘籍和师傅能让你事半功倍、文武双全，而劣质的秘籍和师傅则让你走火入魔、身败名裂。好了，写到这也差不多了。秘籍已经给你们提供在上面，但路始终在自己脚下，最终修炼成为丐帮帮主，亦或星宿老仙，就看各位自己了。&/p&&br&&p&英雄们，再会。&/p&&br&&br&&br&&p&-------------------------------------------题外话--------------------------------------------&/p&&p&收到很多人的私信，表达感谢，问我工作，身份，微信号，评论权限。我这个人其实很懒，不喜欢解释太多关于自己的东西，更不喜欢开公众号做运营，现在网络太发达，我还是想做一个平凡人，有自己小小的世界，我害怕称为网红。至于关闭评论，是因为知乎风气很不好，太多废话和吵架，为了保证全文质量，所以关闭。&/p&&br&&p&其实呢，大学数学，在毕业后的工作里，并没有太多实际的用途。几乎所有的计算和设计，都交给了计算机处理。但是在学习数学的过程中所得到的“严密的推理”和“精确的结构”和“顽强的意志”，这三样东西将会在你们的职业生涯发挥巨大的无形价值，无论你的职业，专业，性别，年纪，当你以后遇到困难和挫折，静下来想一想，当年数学都可以掌握，难道还会惧怕眼前的苟且吗？&/p&&br&&p&说到底，数学给你带来的，其实是众神之上的“信心”。&/p&
----------------------------------------为什么看不懂大学数学------------------------------- 因为中国的教材太差。 一个国家的教学水平，整体反应在教材的水平上；一个大学的教学水平，也反应在教材水平上。全国除顶尖985学校之外，其余学校的数学水平…
&p&&b&&/b&&/p&&p&收藏6654，点赞才1649。。。&/p&&p&阿菇心里苦啊。。。收藏同时点个赞呗TvT&/p&&br&&p&优质的计算机课程很多，这里以个人学习经验为根据，分平台来细说，选了两家英文，两家中文的。如无具体说明，课程均为免费。&/p&&br&&p&&b&英文&/b&&/p&&p&&b&一、Coursera&/b&&b&：&/b&&br&&/p&&p&&b&1&/b&&b&、《编译原理》&/b&&/p&&p&&a href=&///?target=https%3A//www.coursera.org/course/compilers& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/course/com&/span&&span class=&invisible&&pilers&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&名声在外的课程，内容讲得很清楚，但作为毫无计算基础的一个文科生我学到后面有点吃力，最后我是没学完。相反，有理工科背景的朋友们评价说，课程性价比简直爆表，最后都作出了一个完整的编译器，分分钟虐翻文科生，汗。。。建议有基础的理工科同学去修读。&/p&&p&&b&2&/b&&b&、《机器学习》&/b&&/p&&p&&a href=&///?target=https%3A//www.coursera.org/learn/machine-learning& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/learn/mach&/span&&span class=&invisible&&ine-learning&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&img src=&/620a1fbc91a60fdc566e4_b.jpg& data-rawwidth=&634& data-rawheight=&230& class=&origin_image zh-lightbox-thumb& width=&634& data-original=&/620a1fbc91a60fdc566e4_r.jpg&&&br&&p&Coursera创始人的课程，老师也是机器学习这方面的大牛，对想要了解和初步掌握机器学习的人来说是不二的选择。课程配有需要动手做的实践作业，学习的孩纸最好有MATLAB基础。这门课的难度得辩证着来看，计算机专业的同学觉得是浅尝辄止，深度不够，而如果只有文科学习背景的可能会有点吃力。&/p&&p&&b&3&/b&&b&、《编程语言》&/b&&/p&&p&&a h