豆丁微信公众号
君，已阅读到文档的结尾了呢~~
广告剩余8秒
文档加载中
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
阶梯形圆形水池分析的传递矩阵法
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='http://www.docin.com/DocinViewer--144.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口机器学习和人工智能（简称ML/AI）将对经济学产生深远影响。&br&&br&&b&ML/AI在实际应用中的成功，会倒逼经济学在工程性上与时俱进。&/b&&br&&br&商学院在这点上走在了经济系的前面。很大程度上是因为商学院的评价体系和价值取向更容易鼓励实际应用问题导向的研究。金融、会计领域的顶级期刊上已经有很多利用文本挖掘、自然语言处理、语音识别等技术来从文本、音频等非结构化数据中提取信息，来预测上市公司财务舞弊、预测股价的研究。当然，这些发表在顶级期刊上的论文自然也是能够联系到经济理论、金融会计理论的基本问题上来的（例如资本市场有效性、媒体对市场的影响、会计披露对市场的影响等等）。文献综述可以看这两篇：Textual Analysis in Accounting and Finance: A Survey (&a href=&//link.zhihu.com/?target=https%3A//papers.ssrn.com/sol3/papers.cfm%3Fabstract_id%3D2504147& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&papers.ssrn.com/sol3/pa&/span&&span class=&invisible&&pers.cfm?abstract_id=2504147&/span&&span class=&ellipsis&&&/span&&/a&) 以及 Speech Analysis in Financial Markets (&a href=&//link.zhihu.com/?target=http%3A//www.nowpublishers.com/article/Details/ACC-024& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&nowpublishers.com/artic&/span&&span class=&invisible&&le/Details/ACC-024&/span&&span class=&ellipsis&&&/span&&/a&).&br&&br&当真正有重要的应用问题需要解决的时候，才更容易催生务实的价值取向：不管黑猫白猫，逮到耗子才是好猫。搜索引擎关键词广告竞价拍卖的巨大商业价值催生了一批非常高质量的交叉学科研究和学术社区。ACM Economics and Computation是非常有声誉的顶级学术会议。举一个发表在ACM EC的具体的研究：Econometrics for Learning Agents (&a href=&//link.zhihu.com/?target=http%3A//sticerd.lse.ac.uk/seminarpapers/em.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&sticerd.lse.ac.uk/semin&/span&&span class=&invisible&&arpapers/em.pdf&/span&&span class=&ellipsis&&&/span&&/a&). 这篇论文研究的对象是一个非常经典的拍卖实证问题：如何从卖拍的报价数据推断竞拍者对拍卖标的的真实估值。但是作者并不依赖拍卖结果是纳什均衡的假设，而假设竞拍者是不断地在学习最好的竞拍策略。这对于搜索引擎关键词竞价拍卖这个高频率并且拍卖利益巨大应用场景是很贴切的。&br&&br&&b&对于“机器学习不讲因果关系只会肤浅地预测”的刻板印象&/b&，我建议研读一下2013年Journal of Machine Learning Research上的论文：Counterfactual Reasoning and Learning Systems: The Example of Computational Advertising (&a href=&//link.zhihu.com/?target=http%3A//jmlr.org/papers/volume14/bottou13a/bottou13a.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&jmlr.org/papers/volume1&/span&&span class=&invisible&&4/bottou13a/bottou13a.pdf&/span&&span class=&ellipsis&&&/span&&/a&). 因果问题对于一个实际的机器学习系统非常重要。&br&&br&先挖个坑，等赞到100再补充。
机器学习和人工智能（简称ML/AI）将对经济学产生深远影响。 ML/AI在实际应用中的成功，会倒逼经济学在工程性上与时俱进。 商学院在这点上走在了经济系的前面。很大程度上是因为商学院的评价体系和价值取向更容易鼓励实际应用问题导向的研究。金融、会计领域…
&p&前方高能干货预警&/p&&p&【你应该知道的关于学习、社交和自我的心理学小知识】&/p&&p&&br&&/p&&p&愿这些知识对你们有用?&/p&&p&&br&&/p&&p&&br&&/p&&p&一、&b&学习&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-3bf8cddda23_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&307& data-rawheight=&164& class=&content_image& width=&307&&&/figure&&p&&br&&/p&&ol&&li&&b&假装自己要学习之后给他人授课，用自己的话复述一遍知识点&/b&，这样你对知识的理解会更好。&/li&&li&要学习一种技能，最慢的方法是只用语言教授，中等速度的方法是单纯模仿，最快的方法是语言和示范并用。&/li&&li&&b&工作前花几分钟清理你的桌面&/b&，会让你之后的注意力提高。&/li&&li&对于拖延，事实上，你&b&只要能够克服工作开始的前几分钟，后面就会好得多。&/b&&/li&&li&&b&番茄工作法&/b&对拖延也很有帮助，只是&b&最好计时不要用手机&/b&。&/li&&li&&b&相信自己会学得很好&/b&的&b&信念&/b&到头来真的会让你学得更好（自我实现预言）。&/li&&/ol&&blockquote&大五人格中，只有&b&责任心与大学学习成绩有显著的相关性&/b&(r=0.24)。“大五人格”是当前学界最广为接受的人格分类法，其将人格分为五个大类：&b&开放性Openness&/b&，&b&责任心&/b&（或尽责型）&b&Conscientiousness&/b&，&b&外倾性Extraversion&/b&，&b&宜人性Agreeableness&/b&和&b&情绪稳定性&/b&（或神经质）&b&Neuroticism&/b&（“OCEAN”人格的海洋）&/blockquote&&p&7.&b&睡眠对记忆和理解的提升具有显著的效果&/b&，&u&长期睡眠不足可能会永久性降低智商&/u&（划重点）。&/p&&blockquote&这里的“睡眠不足”对于不同年龄阶段的人来说可能不一样，比如有的人每天就只需要睡6个小时就精神饱满，有的人则需要9个小时。有研究发现，每晚比正常睡眠少睡一个小时，第二天智商就会暂时性地下降，而这种下降是可以累积的。并且，这种影响对于儿童的智力发育的影响尤为严重。&/blockquote&&p&8.&b&技能熟练度与问题难度很多时候决定了人们在面对问题时的情绪&/b&，技能熟练度和问题难度匹配最高时会感到“心流”（Flow），这是一种全身心融入到所做的事中，完全忘我的感觉。&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-702fd699faf28a9efcd36_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&350& data-rawheight=&341& class=&content_image& width=&350&&&/figure&&p&（Picture From：&a href=&//link.zhihu.com/?target=http%3A//en.wikipedia.org& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&en.wikipedia.org&/span&&span class=&invisible&&&/span&&/a&）&/p&&p&9.每天你的大脑都会生成新的神经元和突触，不用的就会退化，而使用得多的神经元会被覆盖髓磷脂，这会大大加快电信号的传输速度，让你回忆得更快，这就是为什么我们需要&b&预习和复习&/b&（背乘法口诀表和背英语单词本质上也是这个原理，增强神经信号传导速度）。&/p&&p&&i&针对评论区的疑问&/i&：教科书上大脑无法生成新神经元的论断早已被推翻。虽然生成速度随着年龄下降，但成年人的海马体（与记忆紧密相关）每天依然可以生成超过700个神经元。&/p&&p&10.事实上，总体而言，&b&与智商之类的认知能力测试相比，情商测验的得分与工作绩效之间的相关性并没有高多少&/b&（r=0.44与r=0.18~0.47），即使是涉及大量情绪劳动的工作而言也是如此（r=0.37对r=0.24~0.59）。情商对于工作绩效而言可能并没有&b&那么&/b&重要。&/p&&blockquote&r值指的是线性相关度，r=+1为完全线性正相关。情商测试的r值有较大范围是因为学界对“情商”有不同的定义和使用不同的量表测量。&/blockquote&&p&11.很多时候，外在的奖励一旦失去，很可能你就不会再想去做一些事了（比如付钱给人玩游戏，失去奖励之后就很难再继续），但&b&内在动机却可以让你更好地保持兴趣和努力（而这也是为什么有些人能达成伟大成就的原因）&/b&。&/p&&p&以帮忙举例，你付钱请我帮忙，送礼物请我帮忙，和我自愿想来帮忙，三者的效果是不一样的。这里的关键是人们如何认知“&i&自己为什么做这件事&/i&”（为了钱/为了关系/为了自己的价值观）。&/p&&p&12.有趣的是，“&b&回想”学过的内容&/b&（不一定非要想起来）本身就能提高你对知识的记忆度（当然，想起来了更好。）。因为这是一种“测验”，而&b&单纯的看书并没有训练你的大脑&/b&。&/p&&p&同样，单纯地在书上划线、画圈、做思维导图，对于记忆来说也是没用的，只是帮助你区分重点而已。大脑只有不断的主动努力重复，才能完全掌握一项技能或知识。&/p&&p&13.2014年的一项国外研究发现，&b&小学到初中的学习成绩与未来薪酬基本无关&/b&，但从&b&高中&/b&开始，GPA每提高一点，男性年收入相应增加12%，女性增加14%。&/p&&p&14.一项在江苏的调查发现，&b&中国大学生智商的平均得分为135左右&/b&（一般认为智商140以上就是“天才”，&b&其实也许你的智商比你想象的高&/b&。）&/p&&p&当然，高智商并不是解决复杂问题的充分条件。事实上，&b&持续而热情的努力（Grit）&/b&对成功的贡献比智商要大得多。&/p&&p&15.一项威斯康辛大学的研究发现，&b&住校的大学生GPA显著高于非住校生&/b&，住校能帮你提高0.2到0.5的GPA（总分为4）。&/p&&p&16.在2012年Ficano的研究发现，在&b&大一大二时，一个学霸室友可以极大提高你的成绩&/b&（影响相当于自己努力因素的27%），但这种影响到大四时几乎可以忽略，还有，室友只对男性学生的成绩有影响。&/p&&p&17.《自然》援引多项儿童和青少年的近视研究研究，&b&近视与每周阅读时间、用电脑时间都无关&/b&，而唯一显著相关因素是&b&户外活动时间。&/b&（预防近视，就出去多走走）&/p&&p&这可能是因为眼睛在发育时对光线是敏感的，而好的光照可以帮助眼睛分泌相关激素促进成长。&/p&&p&18.实际上你的短时记忆模块可能只有4个，但是，&b&通过形象生动，带有夸张剧情的故事或角色，能让大脑记住更多&/b&。（大脑喜欢特别的东西，也喜欢听故事）&/p&&p&这也是记忆比赛冠军传授的秘诀。所以，想要记住一连串东西（比如…本文？），编个生动而搞怪的故事吧！&/p&&p&&b&二、社交&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/50/v2-fe28af5bef1fe8077df60_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&634& data-rawheight=&521& class=&origin_image zh-lightbox-thumb& width=&634& data-original=&https://pic1.zhimg.com/50/v2-fe28af5bef1fe8077df60_r.jpg&&&/figure&&p&&br&&/p&&ol&&li&&b&吸引力的三大（主要）要素&/b&：&b&空间接近&/b&(Proximity)，&b&相似性&/b&(Similarity)和&b&熟悉度&/b&(Familiarity)。想增加吸引力？去和TA离得近一些、有共同的爱好、多了解彼此的故事。&/li&&li&值得注意的是，&b&外貌&/b&并不会长期持久性地增加吸引力，其主要对&b&第一印象&/b&起作用。&/li&&/ol&&p&对相识超过&b&9个月&/b&后才结为情侣的人，外貌对彼此的影响很低。&/p&&p&3.关于爱情的要素。Sternberg的&b&爱情三角论&/b&：&b&性吸引力，承诺和熟悉&/b&。缺少任意一个都不会是令人满意的爱情。&/p&&p&缺性，友谊；缺承诺，空洞而脆弱的爱情；缺熟悉，长期炮友。&/p&&p&你的关系中有这三者吗？&/p&&p&4.女生穿&b&红色的衣物、饰品&/b&时会显得更有吸引力，男生则不明显。&/p&&p&进化心理学对此的解释是，红色既代表着危险，也代表着“奔放”，让人感到冲动。&/p&&p&5.小时候你&b&与父母的依恋&/b&关系很大程度上决定了你成年后与伴侣或亲密者的依恋关系和相处风格。&/p&&blockquote&“历史的重演”很大程度上有这方面的原因：&b&没有被好好对待过的人，不知道怎么好好对待他人&/b&&/blockquote&&p&依恋的本质是两个问题：&/p&&p&世界是&b&安全&/b&的吗？&/p&&p&我是有&b&价值&/b&的吗？&/p&&p&任何一个问题的否定答案，都可能对人际关系和自我认知造成很大的影响。&/p&&p&6.&b&依恋&/b&有焦虑和回避两个维度，2004年在上海的一项研究发现，大学生中安全依恋者仅占23.8%，而冷淡型的人最多，占到了35.1%，这与国外大多数研究的数据很不同，研究者猜测可能有文化或教育等因素的原因。&/p&&p&也就是说，可能大部分中国人不太会在亲密关系中主动，但这也许也是机会。&/p&&p&7.交流的&b&回应&/b&可用&b&积极-消极，主动-被动&/b&进行&b&二维分类&/b&，积极而主动的回应是最好的（例如，支持性地追问细节。使用这种回应方式更有利于拉近距离和维持关系）。&/p&&p&8.平均而言，我们在&b&朋友&/b&眼中的确比在自己眼中更好。（真爱）&/p&&p&9.心理学家发现，在网上与人交流和在现实中有很多共同点，使用&b&社交网络&/b&（比如朋友圈）时，对心理健康最好的方式是&b&适当地发消息或评论，而非完全隔绝或过于投入&/b&。&/p&&p&另外，社交网络在挽回“濒死”的友情时也有奇效。&/p&&p&10.那些成熟的人们，更倾向于把&b&友情&/b&定义为&b&“不是时时刻刻在一起，而是一种‘知道TA在那里’的关系”&/b&。&/p&&p&11.有趣的是，你&b&朋友体重的增加往往能预测你体重的增加（反之亦然）&/b&。也就是说，社交网络具有“传染性”（不止在体重，在很多方面也是如此）。研究者猜测这可能是因为同一个圈子里的人更可能有相似的爱好和饮食习惯。&/p&&p&12.&b&友谊的深入&/b&是伴随&b&自我暴露&/b&的深入进行的。&/p&&p&这是发展关系的关键之一，但也伴随着受伤的可能。人们在互相袒露脆弱时，亲密感的提升是最快的。&/p&&p&13.一个简单的促进亲密关系的技巧：&b&对视&/b&5分钟。&/p&&p&14.Erikson的&b&心理社会阶段&/b&模型中，&b&18到20岁&/b&左右是青少年期和成年早期的重合之处，我们在这一时期面对两大危机：&b&同一性与角色混乱，还有亲密对孤独&/b&。（我是谁，要到哪里去，和谁一起？）&/p&&p&要度过&b&同一性危机&/b&，我们要能够&b&忠于自己的价值观，尝试不同的角色&/b&；&/p&&p&要度过&b&亲密危机&/b&，我们要能够&b&与他人建立亲密关系，与同龄人互动&/b&。&/p&&p&15.神经科学发现，人在非常孤独时，脑部感受疼痛的区域会有相应反应，&b&从某种角度来说，孤独所带来的痛苦和身体之伤是一样的&/b&。（长期的孤独相当于慢性自杀）&/p&&p&16.正如心理治疗效果最好的方式是进行“&b&real-time sensory connection&/b&”（即时有感觉沟通）一样，这也是与他人进行深入交流更好的方式。&/p&&p&例如，相比起面对面的交流，只含有文字的邮件往往损失了70%以上的信息（包括情感）。肢体语言和语素是人们传递和理解信息的重要方式。&/p&&p&所以，放下手机，约ta见个面吧。&/p&&p&17.一个&b&公共演讲&/b&的秘诀：&b&保持微笑&/b&。这能让你至少减轻80%的焦虑，同时还能让你看起来更自信（实际上也是）。&/p&&p&18.对普通人来说，失恋的痛苦一般要持续多久呢？&b&一个月&/b&。即使是3个月以上的恋情，我们恢复的速度也要比想象的快得多。所以，大胆去爱吧，即便失败，也只不过是一个月的代价，万一成功了呢？ :)&/p&&p&&br&&/p&&p&&b&三、自我&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/50/v2-da86afecba6dff7b8c5572_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&550& data-rawheight=&413& class=&origin_image zh-lightbox-thumb& width=&550& data-original=&https://pic3.zhimg.com/50/v2-da86afecba6dff7b8c5572_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&1.&b&正念冥想&/b&可以在&b&长期显著降低愤怒和焦虑水平&/b&。（顺便提升注意力集中的时间）&/p&&p&一个简单的15分钟冥想步骤：&/p&&p&a.找一个安静的地方，让身体感到舒适，但又不至于睡着；&/p&&p&b.深呼吸，并&i&&b&关注于自己的呼吸&/b&&/i&，用心感受自己的呼吸；&/p&&p&c.如果走神了，把注意力拉回来。&/p&&p&2.&b&内向的人并不是“害羞”&/b&，只是他们恢复能量的方式是&b&独处&/b&罢了，就像外向的人通过社交来汲取能量一样。许多伟大的想法都是在独处和安静中诞生的。&/p&&p&而且，一个人的人格是可以有“自由维度”的，一个内向的人可以在某些时候很外向，外向的人也可以在一些时刻很内向，这取决于人们对自己价值观的认知和社交技巧等。&/p&&p&3.与传统观念不同，事实上高&b&自尊&/b&的人反而&b&更可能具有高攻击性&/b&，而低自尊的人更有可能回避令人不安的场景。&/p&&p&这可能是因为，自尊有两个维度：“&b&有能力&/b&”和“&b&有价值&/b&”；仅有其中一个维度得分高的人往往会陷入自恋或脆弱。&/p&&p&4.Sonja Lyubomirsky教授论证，&b&幸福，有50%由基因决定，40%由我们的内在心理状态和日常活动决定，而仅有10%是由外在环境决定的&/b&。&/p&&p&当然，在一些非常贫困的地区，收入和境况对幸福的影响要更大。但总的来说，脱离了贫困线之后，相比起外在的条件，你所做的事，以及对世界、对自我的认知更能决定自己的幸福感。&/p&&p&5.&b&并不是越富有就越幸福&/b&（“Easterlin悖论”）。人们会适应财富的增加，收入水平存在一个临界点，过了这个点，幸福感的增强速度远慢于收入的增长速度。（虽然平均来讲，收入的增加总是伴随着幸福感的增加）&/p&&p&关于“钱”和“幸福”的问题，推荐看我的专栏文章：&b&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&心理学告诉你：赚多少钱才幸福？&/a&&/b&&/p&&p&6.弗洛伊德认为，&b&梦是潜意识的反应&/b&。通过对儿童的梦的研究（儿童的梦更加单纯，缺少变形和伪装。），人们了解到&b&梦通常表达了人们在白天求而不得的心理愿望，并在梦中对其满足&/b&。&/p&&p&当然，我们对梦的研究还很浅显，已有研究发现，睡眠是大脑清理“垃圾”的时候（醒着的时候不会），睡的越少，大脑里的“垃圾”越多。&/p&&p&7.&b&Shame（羞耻）是对我们伤害最大的情绪&/b&。这种情绪的核心观念是“我是不好的”（和“我缺少相应的技能”不同）。应对这种情绪，我们要接受自己“作为人”的事实（用Tal Shahar的话来说“&b&Permission to be human”&/b&），尝试从&b&积极的一面来看待事物，并尝试换位思考和共情。&/b&&/p&&p&8.&b&心理咨询&/b&不是对精神病人，而是为&b&正常人&/b&而设的（去做咨询不代表你有精神病，而是&b&移除成长的障碍&/b&）。&/p&&p&9.&b&自控力&/b&很可能是有限的，不过就像&b&肌肉&/b&一样可以通过&b&锻炼增强&/b&。&/p&&p&10.自尊实际上可以分为三类：&b&外部比较自尊，自我比较自尊，无条件自尊&/b&。举个栗子，我答了道题：我觉得因为很多人赞而很开心（外部自尊），我觉得因为这个回答写得比我以前的回答都好而很开心（内部自尊），我因为答了道题本身而很开心（无条件自尊）。非常&b&幸福的人，往往无条件自尊和内部自尊是都很高的&/b&。&/p&&p&11.一个适合一个人&b&缓解抑郁&/b&的简单而短期很有效的方法：&b&有氧运动&/b&（包括跑步）。因为运动时脑内会产生使你开心的物质。（&u&吃也是&/u&）&/p&&p&12.如果将“智慧”定义为一种&b&对生活的专业知识系统&/b&，那么其大概有5个方面：&b&对人生和人性了解的陈述性知识、如何做事和交往的程序性知识、毕生情景主义、对不同价值观的接纳、&/b&以及&b&对人生不确定性的接受&/b&。&/p&&p&最后一条.点&b&赞&/b&的人会更开心 :)&/p&&p&&br&&/p&&hr&&p&一些你会感兴趣的专业回答：&/p&&a href=&https://www.zhihu.com/question//answer/& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic3.zhimg.com/80/v2-d38f3f479f2de97d2fc318f295ed2e8a_180x120.jpg& data-image-width=&1606& data-image-height=&839& class=&internal&&20 多岁的男生做什么，将来才不会后悔？&/a&&a href=&https://www.zhihu.com/question//answer/& data-draft-node=&block& data-draft-type=&link-card& class=&internal&&你知道哪些反常识的知识？&/a&&a href=&https://zhuanlan.zhihu.com/p/& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic2.zhimg.com/v2-f345c3ffa3fe0facbfbc05_ipico.jpg& data-image-width=&707& data-image-height=&707& class=&internal&&唐杰宇：心理学告诉你：赚多少钱才幸福？&/a&&a href=&https://www.zhihu.com/question//answer/& data-draft-node=&block& data-draft-type=&link-card& data-image=&https://pic1.zhimg.com/80/v2-5d225da4fdb7f51657c9dae2fa4a.jpg& data-image-width=&1049& data-image-height=&423& class=&internal&&智慧与聪明有什么不同？&/a&
前方高能干货预警【你应该知道的关于学习、社交和自我的心理学小知识】 愿这些知识对你们有用? 一、学习 假装自己要学习之后给他人授课，用自己的话复述一遍知识点，这样你对知识的理解会更好。要学习一种技能，最慢的方法是只用语言教授，中等速度…
本人码农，从六月开始正式接触机器学习（其实五年前的本科毕设就是在生物信息领域应用神经网络的项目，但是非常浅薄），深吸一口气，先要声明“人之患在好为人师”，我用的步骤只是适合我，下面的内容仅供参考。&br&&br&&b&第一步：复习线性代数。&/b&（学渣的线代忘了好多-_-||）&br&&ul&&li&懒得看书就直接用了著名的——&a href=&//link.zhihu.com/?target=http%3A//open.163.com/special/opencourse/daishu.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&麻省理工公开课：线性代数&/a&，深入浅出效果拔群，以后会用到的SVD、希尔伯特空间等都有介绍；&/li&&li&广告：边看边总结了一套笔记 &a href=&//link.zhihu.com/?target=https%3A//github.com/zlotus/notes-linear-algebra& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GitHub - zlotus/notes-linear-algebra: 线性代数笔记&/a&。&/li&&/ul&&b&第二步：入门机器学习算法。&/b&&br&&ul&&li&还是因为比较懒，也就直接用了著名的——&a href=&//link.zhihu.com/?target=http%3A//open.163.com/special/opencourse/machinelearning.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&斯坦福大学公开课 ：机器学习课程&/a&，吴恩达教授的老版cs229的视频，讲的非常细（算法的目标-&数学推演-&伪代码）。这套教程唯一的缺点在于没有介绍最近大火的神经网络，但其实这也算是优点，让我明白了算法都有各自的应用领域，并不是所有问题都需要用神经网络来解决；&/li&&li&多说一点，这个课程里详细介绍的内容有：一般线性模型、高斯系列模型、SVM理论及实现、聚类算法以及EM算法的各种相关应用、PCA/ICA、学习理论、马尔可夫系列模型。课堂笔记在：&a href=&//link.zhihu.com/?target=http%3A//cs229.stanford.edu/materials.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CS 229: Machine Learning (Course handouts)&/a&，同样非常详细。&/li&&li&广告：边看边总结了一套笔记 &a href=&//link.zhihu.com/?target=https%3A//github.com/zlotus/notes-LSJU-machine-learning& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GitHub - zlotus/notes-LSJU-machine-learning: 机器学习笔记&/a&&/li&&/ul&&b&第三步：尝试用代码实现算法。&/b&&br&&ul&&li&依然因为比较懒，继续直接使用了著名的——&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/learn/machine-learning/home/welcome& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习 | Coursera&/a& ，还是吴恩达教授的课程，只不过这个是极简版的cs229，几乎就是教怎么在matlab里快速实现一个模型（这套教程里有神经网络基本概念及实现）。这套课程的缺点是难度比较低，推导过程非常简略，但是这也是它的优点——让我专注于把理论转化成代码。&/li&&li&广告：作业参考 &a href=&//link.zhihu.com/?target=https%3A//github.com/zlotus/Coursera_Machine_Learning_Exercises& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GitHub - zlotus/Coursera_Machine_Learning_Exercises: Machine Learning by Andrew Ng from Coursera&/a&&/li&&/ul&&b&第四步：自己实现功能完整的模型&/b&——进行中。&br&&ul&&li&还是因为比较懒，搜到了cs231n的课程视频 &a href=&//link.zhihu.com/?target=https%3A//www.youtube.com/playlist%3Flist%3DPLkt2uSq6rBVctENoVBg1TpCC7OQi31AlC& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&CS231n Winter 2016 - YouTube&/a& ，李飞飞教授的课，主讲还有Andrej Karpathy和Justin Johnson，主要介绍卷积神经网络在图像识别/机器视觉领域的应用（前面神经网络的代码没写够？这门课包你嗨到爆~到处都是从零手写~）。这门课程的作业就更贴心了，直接用Jupyter Notebook布置的，可以本地运行并自己检查错误。主要使用Python以及Python系列的科学计算库（Scipy/Numpy/Matplotlib）。课堂笔记的翻译可以参考 &a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&智能单元 - 知乎专栏&/a&，主要由知友杜客翻译，写的非常好~&/li&&li&在多说一点，这门课对程序员来说比较走心，因为这个不像上一步中用matlab实现的作业那样偏向算法和模型，这门课用Python实现的模型同时注重软件工程，包括常见的封装layer的forward/backward、自定义组合layer、如何将layer组成网络、如何在网络中集成batch-normalization及dropout等功能、如何在复杂模型下做梯度检查等等；最后一个作业中还有手动实现RNN及其基友LSTM、编写有助于调试的CNN可视化功能、Google的DeepDream等等。（做完作业基本就可以看懂现在流行的各种图片风格变换程序了，如 &a href=&//link.zhihu.com/?target=https%3A//github.com/cysmith/neural-style-tf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&cysmith/neural-style-tf&/a&）另外，这门课的作业实现非常推崇computational graph，不知道是不是我的幻觉……要注意的是讲师A.K的语速奇快无比，好在YouTube有自动生成解说词的功能，准确率还不错，可以当字幕看。&/li&&li&广告：作业参考 &a href=&//link.zhihu.com/?target=https%3A//github.com/zlotus/cs231n& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GitHub - zlotus/cs231n: CS231n Convolutional Neural Networks for Visual Recognition (winter 2016)&/a& （我的在作业的notebook上加了一些推导演算哦~可以用来参考:D）&/li&&/ul&&br&因为最近手头有论文要撕，时间比较紧，第四步做完就先告一段落。后面打算做继续业界传奇Geoffrey Hinton教授的&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/learn/neural-networks/home/welcome& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Neural Networks for Machine Learning | Coursera&/a&，再看看NLP的课程 &a href=&//link.zhihu.com/?target=http%3A//cs224d.stanford.edu/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stanford University CS224d: Deep Learning for Natural Language Processing&/a&，先把基础补完，然后在东瞅瞅西逛逛看看有什么好玩的……&br&&br&PS：一直没提诸如TensorFlow之类的神器，早就装了一个（可以直接在conda中为Tensorflow新建一个env，然后再装上Jupyter、sklearn等常用的库，把这些在学习和实践ML时所用到的库都放在一个环境下管理，会方便很多），然而一直没时间学习使用，还是打算先忍着把基础部分看完，抖M总是喜欢把最好的留在最后一个人偷偷享受2333333（手动奸笑&br&&br&PS**2：关于用到的系统性知识，主要有：&br&&ul&&li&线性代数，非常重要，模型计算全靠它~一定要复习扎实，如果平常不用可能忘的比较多；&br&&/li&&li&高数+概率，这俩只要掌握基础就行了，比如积分和求导、各种分布、参数估计等等。（评论中有知友提到概率与数理统计的重要性，我举四肢赞成，因为cs229中几乎所有算法的推演都是从参数估计及其在概率模型中的意义起手的，参数的更新规则具有概率上的可解释性。对于算法的设计和改进工作，概统是核心课程，没有之一。答主这里想要说的是，当拿到现成的算法时，仅需要概率基础知识就能看懂，然后需要比较多的线代知识才能让模型高效的跑起来。比如最近做卷积的作业， 我手写的比作业里给出的带各种trick的fast函数慢几个数量级，作业还安慰我不要在意效率，岂可修！）&/li&&/ul&需要用到的编程知识也就是Matlab和Numpy了吧，Matlab是可以现学现卖的；至于Python，就看题主想用来做什么了，如果就是用来做机器学习，完全可以一天入门，如果想要做更多好玩的事，一天不行那就两天。（贴一个Python/Numpy的简要教程：&a href=&//link.zhihu.com/?target=http%3A//cs231n.github.io/python-numpy-tutorial/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python Numpy Tutorial&/a&，是cs231n的课堂福利。）&br&&br&我感觉机器学习的先修就这么点，记得Adobe的冯东大神也说过机器学习简直是21世界的黑科技——因为理论非常简单但是效果惊人的好。&br&&br&====&br&&br&既然提到好玩的，墙裂推荐 &a href=&//link.zhihu.com/?target=https%3A//www.kaggle.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Kaggle: Your Home for Data Science &/a&，引用维基上的介绍：&br&&blockquote&Kaggle是一个数据建模和数据分析竞赛平台。企业和研究者可在其上发布数据，统计学者和数据挖掘专家可在其上进行竞赛以产生最好的模型。这一众包模式依赖于这一事实，即有众多策略可以用于解决几乎所有预测建模的问题，而研究者不可能在一开始就了解什么方法对于特定问题是最为有效的。Kaggle的目标则是试图通过众包的形式来解决这一难题，进而使数据科学成为一场运动。&/blockquote&
本人码农，从六月开始正式接触机器学习（其实五年前的本科毕设就是在生物信息领域应用神经网络的项目，但是非常浅薄），深吸一口气，先要声明“人之患在好为人师”，我用的步骤只是适合我，下面的内容仅供参考。 第一步：复习线性代数。（学渣的线代忘了好…
原路由器开发人员，后来的C++后台程序员和现在的新科Quant-Dev答一个。&br&先学Python用来撸策略，语法简单，涉及的重点是pandas库（做数据分析用）和各类机器学习库。另外分布式文件和计算系统Hadoop+Spark还提供Python的接口，处理能力分分钟上天。如果你愿意，也可以用他写爬虫和web服务器。&br&&br&接下来是选学内容，纯Quant可以略过。&br&然后学C++,用来开发低时延系统。涉及的重点知识：STL（请结合数据结构学习STL的容器），进程线程库，线程同步机制（互斥锁，读写锁，自旋锁，内存序），进线程通信机制(套接字，管道，共享内存，信号量等，这个可能quant用不到，了解下套接字就行，网络通信也是通过套接字进行的)。其他可能会用到的包括Boost库和TCP服务端客户端的开发（可以用boost撸，也可以用libevent、thrift或者自己写原生API的Srv，估计quant用不到，要用的话建议用thrift）。&br&&br&另外，如果只学语言不学基础课，日后写出的代码会有很多的坑，接下来说说建议补习的专业课：&br&1.数据结构与算法，这个是最重要的，学完就明白，要存储数据时，什么时候用链表（std::list）,什么时候用向量（vector），什么时候用红黑树（map）和哈希表（unordered_map）。不用学得太复杂，明白这些数据结构的特性就行。&br&2.计算机原理，弄明白CPU，内存和磁盘的工作原理就成。学了就知道为啥在循环里遍历python Pandas的列耗时比遍历list要费事多的原因了。&br&3.操作系统.............搞明白进程上下文切换时的耗时就成。。。。。。&br&4.计算机网络.了解下TCP/IP协议栈就成。链路层物理层和路由部分可以不去管。&br&&br&其他可能用到的知识：&br&1.NOSQL：Redis&br&2.数据库：Mysql或者sqlserver&br&3.RPC框架：Thrift&br&4.分布式集群：Hadoop，Spark，Hive&br&&br&最后吐槽：做策略比搞代码难多了啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊。本科数学功底不济现在郁闷死了。
原路由器开发人员，后来的C++后台程序员和现在的新科Quant-Dev答一个。 先学Python用来撸策略，语法简单，涉及的重点是pandas库（做数据分析用）和各类机器学习库。另外分布式文件和计算系统Hadoop+Spark还提供Python的接口，处理能力分分钟上天。如果你愿…
占一个坑，晚上回去细说。题主可以先搜索proland，开源的数字地球引擎，从太空无级变化到到地面的一棵树，流畅如丝，且效果比这些图只好不差，gb以至tb级别的数据量也不是问题。。&br&&br&====================================&br&&br&&p&Sorry晚上过来填坑了。首先是才艺展示。多图预警，手机小流量的朋友慎看……&/p&&p&第一个出场的是今天上午提到的Proland：&/p&&p&&a href=&//link.zhihu.com/?target=http%3A//proland.inrialpes.fr/index.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Proland&/a&&/p&&figure&&img src=&https://pic2.zhimg.com/50/db19dfd5acda_b.jpg& data-rawwidth=&558& data-rawheight=&419& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic2.zhimg.com/50/db19dfd5acda_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/50/68ea9e010bdbed0b4778_b.jpg& data-rawwidth=&558& data-rawheight=&419& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic3.zhimg.com/50/68ea9e010bdbed0b4778_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/50/165cfe0a24f7bf8c9e898_b.jpg& data-rawwidth=&558& data-rawheight=&419& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic3.zhimg.com/50/165cfe0a24f7bf8c9e898_r.jpg&&&/figure&&br&&p&然后是osgEarth，我曾经在另一篇回答中提到的：&/p&&p&&a href=&http://www.zhihu.com/question//answer/& class=&internal&&如何开始写一个virtual globe软件，类似于google earth那样? - Rui Wang 的回答&/a&&/p&&p&它的官方网站为：&/p&&p&&a href=&//link.zhihu.com/?target=http%3A//osgearth.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&osgEarth. Terrain on demand.&/a&&/p&&figure&&img src=&https://pic2.zhimg.com/50/bb36ffa24b468be85ccf79e8_b.jpg& data-rawwidth=&558& data-rawheight=&315& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic2.zhimg.com/50/bb36ffa24b468be85ccf79e8_r.jpg&&&/figure&&figure&&img src=&https://pic4.zhimg.com/50/886b5fa96f5b33246b22_b.jpg& data-rawwidth=&558& data-rawheight=&327& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic4.zhimg.com/50/886b5fa96f5b33246b22_r.jpg&&&/figure&&figure&&img src=&https://pic2.zhimg.com/50/85cc9c8a9b9ad4df622d9_b.jpg& data-rawwidth=&558& data-rawheight=&447& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic2.zhimg.com/50/85cc9c8a9b9ad4df622d9_r.jpg&&&/figure&&br&&p&这是osgEarth在IOS手机上的运行效果哦：&br&&/p&&figure&&img src=&https://pic4.zhimg.com/50/2fe38c64d6fdafd0b04afafa_b.jpg& data-rawwidth=&558& data-rawheight=&835& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic4.zhimg.com/50/2fe38c64d6fdafd0b04afafa_r.jpg&&&/figure&&br&&p&最后是小弟以前的一些作品，恕水平拙劣，细节上肯定不能和很多大作相比：&br&&/p&&figure&&img src=&https://pic1.zhimg.com/50/6ecd72729feeedf7819c_b.jpg& data-rawwidth=&558& data-rawheight=&330& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic1.zhimg.com/50/6ecd72729feeedf7819c_r.jpg&&&/figure&&figure&&img src=&https://pic1.zhimg.com/50/0f7631eda38a61f1019ecd5c6954cd6d_b.jpg& data-rawwidth=&558& data-rawheight=&409& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic1.zhimg.com/50/0f7631eda38a61f1019ecd5c6954cd6d_r.jpg&&&/figure&&figure&&img src=&https://pic4.zhimg.com/50/49cf98a7c2df91cdc969_b.jpg& data-rawwidth=&558& data-rawheight=&315& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic4.zhimg.com/50/49cf98a7c2df91cdc969_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/50/a9eb91eba49af_b.jpg& data-rawwidth=&558& data-rawheight=&315& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic3.zhimg.com/50/a9eb91eba49af_r.jpg&&&/figure&&br&&p&在OpenSceneGraph引擎（OSG）自己的官方网站还能看到其它一些小弟的作品截图（当然只是很少一部分），当然还有其它国外高手的。&/p&&p&&a href=&//link.zhihu.com/?target=http%3A//www.openscenegraph.com/index.php/gallery/use-cases& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Use cases&/a&&/p&&p&希望到这里不会已经有一批朋友失望而去了。其实对于任何一个从事GIS（地理信息系统）以至3DGIS系统和相关项目研发（最典型的就是，数字城市和规划馆类需求）的朋友而言，从外太空到地景细节的实时无死角漫游，以及在这一过程中对不同天景和地物的真实感渲染需求，都是每天的工作中司空见惯的了。而这些需求，在上述开源引擎或者个人作品中都只是基本的功能实现罢了。&/p&&br&&p&并且Unity亦或Unreal这类游戏引擎在相关行业当中，通常难有用武之地，也是源自于游戏引擎本身的特点对于GIS数据管理和渲染不会有过多的关注和支持；而一些开源引擎（例如OSG，WorldWind等），却精于此道，并且自身的开源特性也吸引相关业内人士和公司深入研究，反过来也大大促进了引擎本身的发展。&/p&&br&&p&而题主在问题中所涉及到的知识面，也正是这类场景管理和渲染当中最为重要的，暂且归纳为三点：&/p&&p&1、海量数字地球场景的空间索引与动态调度；&/p&&p&2、相机远近裁切面的自动计算与更新；&/p&&p&3、大气层与地物的真实感渲染。&/p&&br&&p&
都展开来说，恐怕又是洋洋数万字不能止了，事实上小弟的毕业硕士论文就只是大概论述了其中的第三点，就已经有百页之多，尚不能详尽。所以在这里也只好各自点到为止，错漏之处，尽请指出，万望见谅。&br&&/p&&br&&p&【海量数字地球场景的空间索引与动态调度】&/p&&br&&p&首先纠正题主的思考过程中一个有误之处：“如果说是LOD的话，不能解释在摄像机外太空依然能观察到物体的原因，要知道一般的游戏引擎摄像机可见距离顶死就10KM作用，超出了就什么都看不到了”——LOD技术指的是Level Of Details，简单来说，就是物体与观察者的距离不同，就显示它不同的细节程度。换句话说，如果这个物体距离我们已经超级远了，比如就像人马星座与地球的距离，那么它在我们的眼中：&/p&&p&A) 可以视为不存在；&/p&&p&B) 与其它星云混为一体，宛若同一张图存在。&/p&&br&&p&这两种方案原则上都正确，然而对于地球地物的渲染，其实是第二种。是的，如果北京市的模型在外太空的飞船中看去已经近乎微不足道了，那么就把它与河北省陕西省山东省乃至全中国的地形地貌都合在一起，当成一个模型来渲染就好了。&/p&&br&&p&这种模型的合并不能不遵循任何规律进行。而它所遵循的规律，就是我们所说的空间索引。而最典型的地形数据空间索引方案，就是四叉树。&/p&&figure&&img src=&https://pic2.zhimg.com/50/bd88cbdbd6f505_b.jpg& data-rawwidth=&558& data-rawheight=&382& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic2.zhimg.com/50/bd88cbdbd6f505_r.jpg&&&/figure&&br&&p&小弟无能，找不到一张足够切题的图来表述，期望依然能够理解其中的基本思想。换句话说，此时一块地貌模型的LOD，表达已经不仅仅是它自身的几何信息的细节程度变化，而是随着四叉树级数的增加，被逐步切分为瓦片（Tile），并细分其几何与纹理内容，直到数据最为精确的一层为止。例如0.01米的分辨率精度，也就是说此时的地物精度已经可以区分到1毫米的差别，一枚硬币在观察者眼中已经清晰可见了。&/p&&br&&p&当然，如果把这一层的全球数据全部加和到一起，那绝对是超越TB以至PB级别的容量大小了，或许还不止。这样的数据量直接交给任何一台超级计算机去渲染都是灾难性的结果。但是别忘了，四叉树+LOD的本质依然是LOD，决定细节程度的依然是观察者所处的位置与某个瓦片的距离——距离越远，所需四叉树的级数约低，所需渲染的瓦片内容也就约粗糙。&/p&&br&&p&没错，一个了不起的念头应该已经在您的闹钟应声而发了吧？那些不需要渲染的瓦片，就不要放在内存中了呗，丢掉就好；需要的时候再捡回来吧。&/p&&p&
这就是动态调度的基本思想了，随着相机位置和角度的变化，遍历四叉树结构所能达到的各个瓦片的级别也是不同的，据此加载和卸载独立于磁盘上或者网络上的瓦片数据即可。而合理的调度策略，自然也会保证内存和显存中的数据保持在一个合理的范围之内，不会突然上涨以至系统吃紧。&br&&/p&&br&&p&当然了，基于静态四叉树（也就是所有级别的瓦片都预先处理好了，然后放在磁盘上或者网络数据库中等待加载）的数字地球调度方法，非常稳定，但不能说完美。如果分级策略不当，那么很有可能从粗糙级别到精细级别会有跳变，或者因为精细级别的数据量较大需要长时间传输，造成迟缓。这里也可以引入另外一种常见的方法，也是Google Earth中部分使用到的——Clipmaps。&/p&&p&&a href=&//link.zhihu.com/?target=http%3A//http.developer.nvidia.com/GPUGems2/gpugems2_chapter02.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&GPU Gems - Chapter 2. Terrain Rendering Using GPU-Based Geometry Clipmaps&/a&&/p&&p&它的基本策略并不难理解：把多个级别的地形或者影像载入到Shader当中，然后在着色器的处理过程中根据视点与片元的距离来决定使用哪一级地形数据，这样产生的地形渲染结果过渡自然，毫无突兀变化，并且不需要设置太多太密集的四叉树级数，对磁盘或者网络访问的压力也有改善。自然是居家旅行，杀人越货的首选了。&/p&&figure&&img src=&https://pic3.zhimg.com/50/7d801c89bc5c0cbfac0c0_b.jpg& data-rawwidth=&558& data-rawheight=&407& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic3.zhimg.com/50/7d801c89bc5c0cbfac0c0_r.jpg&&&/figure&&br&&p&
多说一句，这种方案与四叉树结合起来使用，威力更大：即很大的地景范围下使用四叉树进行调度和瓦片显示，而到了较为精细的层级，则换用Clipmaps的方案，确保观察细部时的平滑过渡与数据优化。&br&&/p&&br&&p&【相机远近裁切面的自动计算与更新】&/p&&p&再次把题主的这句话拿出来说事，还望谅解：“如果说是LOD的话，不能解释在摄像机外太空依然能观察到物体的原因，要知道一般的游戏引擎摄像机可见距离顶死就10KM作用，超出了就什么都看不到了”。这里题主提出超过一定距离就什么都看不到了，在Unity这种严格规范过渲染参数和流程的引擎中，很可能是超出了预设的远近平面范围，也可能是为了确保场景的最优化管理。因为如果越过这样的规范，开发者就会不得不独自面临一种恼人的决策：Z-Buffer的精度损失与远近裁切面的管理。&/p&&br&&p&这篇文章，还望细读，用处极大。&/p&&p&&a href=&//link.zhihu.com/?target=http%3A//www.sjbaker.org/steve/omniv/love_your_z_buffer.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Learning to Love your Z-buffer.&/a&&/p&&br&&p&
读完相信您应该已经若有所思，Z缓存的精度，会因为远近平面的设置而发生巨大的变化，因此如果设置近平面为0.1，而远平面为6378137（地球半径）或者（地球与太阳的距离）的话，将其转换到[0, 1]区间之后的深度测试（Depth Test）功能将形同虚设，您的系统甚至连区分喜马拉雅山与马里亚纳海沟的能力都会丧失。&/p&&br&&p&而所谓的Z-fighting现象，也是深度缓存精度不足的一种表现。这种情况不只发生在模型的表面是否发生重叠（重叠的表面深度相同，Depth Test的结果不能唯一因此闪烁），在深度缓存精度过低的条件下，那些明明差距很大的表面也可能会产生斑驳闪烁现象，因为在[0, 1]区间中系统依然已经无法区分它们的远近了。&/p&&br&&p&因此，自己计算一个合适的远近平面距离，确保深度测试的精度可用性，这对于GIS行业的开发者来说是一个永恒的难题，因为客户永远会要求以上帝的视角去俯瞰地球。而对于游戏引擎，尤其是通常采用第一人称视角的FPS游戏引擎来说，只需要直接用大雾或者别的什么隐掉远处，然后直接把对象从渲染队列中去除了事——人与神的区别，在这里尽显无遗。&br&&/p&&figure&&img src=&https://pic3.zhimg.com/50/e3efac3d18e7f79ab1ed_b.jpg& data-rawwidth=&558& data-rawheight=&655& class=&origin_image zh-lightbox-thumb& width=&558& data-original=&https://pic3.zhimg.com/50/e3efac3d18e7f79ab1ed_r.jpg&&&/figure&&br&&p&具体的计算方法，那是八仙过海，常见的有以下几种：&/p&&p&1、投机取巧，以地球半球为远平面的界限，距离视点最近的物体包围盒为近平面界限，然而观察近物时依然瑕疵颇多；&/p&&p&2、使用FBO模拟32bit的深度缓存和深度测试（而非传统的D24S8），然而这样对渲染流水线的改动很大；&/p&&p&3、使用Depth Partition方法，将整个视锥体划分为多个部分，然后按照从远到近的方式渲染，每渲染一个子视锥体就清除之前的深度缓存。这一方法与阴影渲染的CSM有异曲同工之妙，表达全宇宙也可胜任，只是多次渲染带来的效率问题，不得不考量；&/p&&p&4、近年来兴起的对数深度缓存（Logarithmic
depth buffer）优化法，可以有效改善深度缓存数据的精度分布，然而只是改善，本质上依然存在同类问题：&/p&&p&&a href=&//link.zhihu.com/?target=http%3A//outerra.blogspot.com/2013/07/logarithmic-depth-buffer-optimizations.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&outerra.blogspot.com/20&/span&&span class=&invisible&&13/07/logarithmic-depth-buffer-optimizations.html&/span&&span class=&ellipsis&&&/span&&/a&&br&&/p&&br&&p&孰优孰劣，还需根据实际情况，量力而为。&/p&&br&&p&【大气层与地物的真实感渲染】&/p&&p&
小弟自觉废话已太多，这次就不再赘述了。本文开端提到的Proland作为一个学院派的作品，开源而且效果强劲，当然效率和稳定性上还存在问题，并且作者显然无意继续更新。它的网站上有多篇论文提到大气渲染（效果远胜之前GPU Gems的那一篇）以及地物渲染方案，感兴趣的朋友不妨一睹。如有机会，小弟也愿意再找题目或者空间将自己关于这部分的拙见倾囊相与。本次就此作罢。&/p&
占一个坑，晚上回去细说。题主可以先搜索proland，开源的数字地球引擎，从太空无级变化到到地面的一棵树，流畅如丝，且效果比这些图只好不差，gb以至tb级别的数据量也不是问题。。 ==================================== Sorry晚上过来填坑了。首先是才艺展…
废话先不说，先祭出一张技能树(对应的技能证书也有标注，具体位置略有偏颇)&br&&b&写在前面：纯粹写着玩&/b&&b&！&br&&/b&&br&&u&并不是以下所有的东西都要学！&/u&&br&&u&并不是以下所有的东西都要学！&/u&&br&&u&并不是以下所有的东西都要学！&/u&&br&&br&大家也知道有一种课叫专业限定选修课&br&&br&专业什么的，真的不是重点，大学上的课很散，各个方面都有涉猎，重要的是你对什么感兴趣就要自己磨练去加什么天赋...举个栗子，同样都是牧师（金融系），你以后打算做暗牧（会计审计）、神牧（券商投行）还是戒律牧（技术量化）...甚至你要删号重玩德鲁伊也是你自己的事情.完全要取决于你自己如何合理利用技能点（四年大学时间）.学校更不会给你私人定制.&br&&br&以下的技能树我大抵参考了券商的部门设置来写。至于合规部门（法律），人力资源部（管理），信息技术部（？ＣＳ？）和金融强扯关系比较困难的相关学科，在这里则是选择了忽略。&br&&br&&figure&&img src=&https://pic1.zhimg.com/50/8b1e6dcbf6f45fb42beaba70e419de67_b.jpg& data-rawwidth=&1510& data-rawheight=&1538& class=&origin_image zh-lightbox-thumb& width=&1510& data-original=&https://pic1.zhimg.com/50/8b1e6dcbf6f45fb42beaba70e419de67_r.jpg&&&/figure&
金融专业本身就是很大的概念，金融大类学科涵盖了四个基本专业：&u&&b&金融学、金融工程、投资学、保险学，以及三个特设专业：信用管理、金融数学、经济与金融，一共七个专业&/b&&/u&（参见：&a href=&//link.zhihu.com/?target=http%3A//www.moe.gov.cn/publicfiles/business/htmlfiles/moe/s/143152.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&教育部关于印发《普通高等学校本科专业目录（2012年）》《普通高等学校本科专业设置管理规定》等文件的通知&/a&）（问我为什么天赋里有保险和信用管理的，我也是顾全大局啊！）&br&【注1】由于我们学校只有四个基本加一个特设的信用管理，而且鉴于金融数学和经济与金融两个专业和我们所认知的”高大上金融“的区别，在这里并不做介绍。&br&【注2】具体的主线任务和支线任务我大概讲一下（仅限本科），有些课我在学或者还没学，学识限制，如果有以其昏昏使人昭昭的地方，欢迎指正&br&【注３】以下提到的隐藏任务，大部分是学校可能会开也可能不会开的课，或是专业性比较强的课，并非一定要掌握的课程。&br&&br&&br&&b&&u&————————软实力线————————&/u&&/b&&br&　　这条主线应该不用我多说，虽然不是课程的内容，但是我想在金融系呆久了也会磨练出来。金融业除非技术技能线特别强悍的，不然作为高级服务员，软实力是一定要的。我这里仅举了口才与表达、英语水平、办公能力三个，但除此之外，听过太多面试看脸的例子了，所以还要学会提高审美情趣等等&br&————支线任务1：口才与表达完成，您将解锁“&u&深深的吸引&/u&”成就&br&&br&————支线任务2：英语水平完成，您将解锁“&u&装B于无形&/u&”成就。&br&&br&————支线任务3：办公技能完成，您将解锁“&u&是谁？在呼唤我&/u&”成就&br&&br&——————隐藏任务1：审美情趣level up + “深深的吸引”成就可以兑换成就“&u&男神/女神&/u&”&br&——————隐藏任务2：GPA达到班级前10%，解锁成就“&u&名利双收&/u&”&br&——————隐藏任务3：学会Prezi演示，解锁成就”&u&深藏功与名&/u&“&br&&br&———更多隐藏任务等待发掘&br&&br&&br&&b&&u&————————技术技能线—————————&/u&&/b&&br&　　诸位大神的路线，这条路，小弟一个不入流学校的普通小本，实在是没办法说。在此提醒诸位想走技术流的玩家们，如果你没有一个好公（学）会（校），BOSS的边，你是摸都摸不到的，所以那些普通玩家们，也就是随便看看随便学学；我也就随便写写，大家也就随便看看。&br&　　技术技能线的主要工作就是，把数学、计算机编程、金融经济这些学科融会贯通，可以说能做完这条主线任务的人，很少有“数学技能线”和“专业技能线”没做完的人了，所以对于这些大神，软实力什么的都见鬼去吧（其实他们软实力也都棒棒哒）。&br&　　完成此主线获得称号“&u&速速交上你的膝盖&/u&”&br&&br&————支线任务1（&u&&b&史诗任务&/b&&/u&）——&b&通用语言课&/b&：讲真，语言这条路，一个学期想学出来基本不太可能。课堂上大概就是，C++建立语言的框架和感觉，python用来做做爬虫和数据分析（python爬股票数据接口不要太多）。想要做这个任务的自己不下苦功是不可能的。任务完成奖励：&u&史诗级套装&/u&——Quant之怒（如何兑换全套Quant套装暂未知，欢迎补充）&br&&br&————支线任务2（&u&&b&传说任务&/b&&/u&）——&b&专用语言课&/b&：以下语言无论哪个选择，都是要自己花费时间精力去钻研的，学校甚至可能不会开课。&br&&br&　　－－－Stata和SAS作为专业的金融分析语言，一般的学校会择一而讲，但是也可能直接讲Eviews的，但是和SAS和Stata中间还差了个好几个任务，想要做任务的也要自己花时间&br&&br&　　－－－R语言作为专业的统计语言，胜在免费，而且包多，虽然是统计类语言，但是可以扩展好多金融包，从大数据处理到可视化，一条龙服务。&br&&br&&br&————&u&支线任务3&/u&——&b&软件课&/b&：和以上的两门语言课相比，软件课胜在了，傻瓜操作，点一点就可以完成任务。&br&&br&&b&　　－－－Matlab：&/b&把matlab放在这是有点委屈了，从建模来看，完全可以放到语言课上去。从数据处理来讲，matlab集成了一些小工具箱，就勉强算是软件课了&br&&br&&br&　　－－－&b&Eviews&/b&：回归、时序、截面、面板分析软件，&u&配合计量经济学食用风味更佳&/u&&br&&br&&br&　　－－－&b&SPSS Statistics&/b&：简称SPSS，统计分析软件，点一点就出结果，成就感爆棚有木有。需要提前完成统计学相关任务。&br&&br&&br&&b&　　－－－SPSS Modeler&/b&：简称Modeler，数据挖掘软件，同样属于SPSS系列的操作风格，但是以类似“面向对象”的形式呈现，一个原件一个原件的处理数据，原件有点像是已经封装好的并且可交互的程序。但是怎么说，我们学校虽然学了这个软件，但是还是觉得鸡肋。Moderler的很多参数不能调整，而且对于数据挖掘这种东西，还是编程比较靠谱。&br&&br&——————隐藏任务1：这里可以解锁一些专业向的额外技能，比如数据可视化向&b&Tableau&/b&，文字向的&b&LaTex&/b&，还有好多我没提到的比如&b&S-Plus&/b&，&b&Lingo&/b&这种语言/软件。可以获得成就”&u&技多不压身&/u&“&br&&br&&br&&b&————————&u&数学技能线————————&/u&&/b&&br&　　数学课正如我下面所言的，是很重要的主线任务，虽然做的时候你会觉得很难，但是相信我，只要你认真做了，等到专业课用的时候，你就会发现当时的决定多么明智。而且本科阶段的专业课用的数学知识还是相对比较有限，都难不过你学的专业数学知识。&br&&br&&br&————&u&支线任务1&/u&：&b&数学分析/高等数学/微积分&/b&：如果你放弃此任务，您将接不到“概率论”、“计量经济学”“保险精算”“风险管理”“金融经济学”“固定收益证券”等一系列后续任务，GM建议你删号重玩（修）。&br&&br&————&u&支线任务2&/u&：&b&高等代数/线性代数&/b&：如果你放弃此任务，无论支线任务1进度如何，直接放弃支线任务1，同时解锁成就“&u&来自学弟的嘲讽&/u&”。线代对于金融来说同样也是很重要的一门课。&br&&br&&u&——————隐藏任务1&/u&：&b&微分方程/常微分方程/偏微分方程&/b&：更高等级的一层技能，对于非金融工程的同学来讲可能会在专业课里面稍微讲解，金融工程的同学们可能会开的&br&&br&————&u&支线任务3&/u&：&b&概率论&/b&：如果你放弃此任务，您将解锁成就“&u&干啥啥不行&/u&”，拥有此成就您的技能树中将有几个技能处于&u&无法修习状态&/u&。&br&——————&u&隐藏任务2&/u&：&b&随机过程/应用随机过程&/b&：接到此任务前提是完成“概率论”任务，也是“金融衍生工具”“金融工程”“固定收益证券”“风险管理”等课程的前提。随机过程其实就是顾名思义的，想要在不确定的随机中找到最优决策的过程。如果同时完成微分方程任务，将获得&u&装备“Quant之触”&/u&&br&&br&&u&————支线任务4&/u&：&b&数理统计&/b&：如果你放弃此任务，您将身负&u&“非金融从业者”&/u&称号，直到狗带，背负此称号时，人物等级、属性全部清零。如果说不学数学不能解锁金融地图，那么不学统计你就无法离开数学的地图。在统计学中会学到很多的术语、概念，还有粗浅的模型与方法，这对于你能灵活运用技术技能线中的语言和软件，以及以后专业线的各种模型和判断打下了坚实的基础。&br&&br&&br&&b&————————&u&专业技能线————————&/u&&/b&&br&　　终于说到专业的正题上来了，对于金融大类的五个专业，以上或多或少都是要学的，因为无论是定量分析、定价、量化交易还是建模评估，都需要数学和技术的沉淀，可以说是金融、金工、投资、保险、信管的必修课。而下面的专业课，不同专业略有区分，但是总体情况是差不多的，尤其是本科的阶段，金融金工投资真的是差不太多的。&br&　　总体来看，都是经济是必修。&br&&u&金融工程技能点偏向：数学＋技术＋大部分投资＋财务管理&/u&&br&&u&金融学／投资学技能点偏向：数学＋大部分投资＋＋&/u&&u&财务管理&/u&&u&＋保险学→风险管理方向&/u&&br&&u&&br&保险学技能点偏向：数学＋小部分投资学＋保险学→精算＋具体保险方向&/u&&br&&u&信用管理技能点偏向：数学＋技术＋小部分投资学＋信用管理方向&/u&&br&&br&【注４】所指的支关系，并非是子集关系，可能仅仅是相关关系。&br&&br&&br&&b&＝＝＝＝＝地图1：经济学＝＝＝＝＝&/b&&br&　　典型的社会科学，聚焦于人、人的行为、社会、政策、产业、经济关系、规律。主要作用在于构建金融市场的框架。其中产业经济学作为投资分析中行业分析的基础、宏观经济学作为投资分析中宏观分析，计量经济学作为量化工具，国际经济学对于深入理解汇率，作为重点学习。完成该地图所有任务，获得称号”&u&厉害了，我的哥“&/u&&br&&br&————支线任务1：&b&微观经济学&/b&：研究的基本问题是资源配置的决定。你会学到金融中的一些基本的概念：理性人假设、供给需求关系、均衡存在的意义、弹性、边际的概念、长期短期的概念，为理解微观个体的经济运营打下基础。当然微观经济还会学到很多产业经济、博弈论、福利经济学的基础知识。&br&&br&————支线任务2：&b&中观经济学&/b&（产业经济学/产业组织）：从一个公司的视角上升到一个行业，你会学到如何研究一个行业，学到市场结构、行业壁垒、产品差异化、纵向一体化、规模经济、范围经济、竞争（合作与博弈，会有一些博弈论的知识）、产业关联与产业结构、产业布局与产业政策，为以后的行业分析打下基础。&br&&br&————支线任务3：&b&宏观经济学/财政学&/b&：再次上升视角，从产业上升到国民、国家。在这里你会学到，古典的的IS-LM模型，AD-AS模型，索洛模型，学到投资、利率、物价、通胀，学到财政政策、货币政策，利率传导机制等等。宏观学通之后，可以说你的水平会有一个小小的质的飞跃，你发现好多财经新闻你听得懂，一些民科或者没学过经济学的言论你可以一下发现漏洞。这为以后的宏观分析打下基础。财政学则是更细致的研究财政收入、预算、税收等一些问题。完成宏观经济学＋微观经济学任务，获得成就”&u&任督二脉畅通无比&/u&“&br&&br&————支线任务4：&b&国际经济学&/b&：上升到目前的最高视角（没准以后有星系经济学之类的，分分钟脑补出一篇小说），从国家上升到国际视角。研究国际之间的汇率、贸易，蒙代尔弗莱明模型，等等，对于理解深刻理解汇率十分有必要，而汇率又是投资学的一个研究侧重点。&br&&br&————支线任务5：&b&政治经济学&/b&：分为资本主义和社会主义两大块。完成资本主义部分获得&u&”万恶的资本主义“&/u&成就，完成社会主义部分获得”&u&社会主义大法好“&/u&成就。&br&&br&————支线任务6：&b&计量经济学&/b&：作为定量研究的工具。既然是工具课，肯定是要学好，用好。当然，计量经济学是个很大的范围，一般本科稍微学一学一元多元的线性回归模型，再加一些时间序列就可以了。到面板数据、空间数据的程度，以及非回归方法的玩法，需要各位玩家自行探索。计量经济能够达到的高度，一定程度上取决于数学线和技能线的完成程度。完成此任务，获得称号”&u&逃离大忽悠&/u&“&br&——————支线任务6扩展：&b&时间序列分析&/b&。如果说计量经济是在探求究竟是什么影响了结果的变动，那么时间序列则是退了一步，既然都是变动，不妨我们假设影响他们的因素是是不变的，只需要研究数据本身的变化即可。时间序列和计量经济这对好基友，在金融领域是必不可少的工具。完成任务获得”&u&时间都去哪了“&/u&称号&br&&br&————支线任务7：&b&运筹学/经济最优方法&/b&：把运筹学放在这里，我是不服的，我一直把运筹学当数学来学的。不过想到期末复习的时候，画最短路问题看起来跟智障儿童的简笔画，以及像闲的无聊做数独的匈牙利法，我身边的同学用异样的眼光看我。我还是把他归为了经管科。毕竟在我心里，数学都是那么高大上的东西。运筹学其实就是，用各种神奇的方法，把你已有的东西，按照固定的要求，分配成最优的结果，你会学到线性规划、运输问题、图与网络、动态规划、存储论、排队论，其中博弈论的部分单独成课。运筹与最优是完全不同于计量的一个体系，在解决一个问题的时候，如果你能用计量解决，那么你也可以试着用运筹解决。完成此任务，获得成就”&u&智障儿童欢乐多&/u&“&br&——————隐藏任务1：&b&博弈论&/b&：顾名思义，和其他经济学地图的学科一样，也是研究如何获得最优的一门学科。在这里会学到静态博弈、动态博弈、零和博弈、纳什均衡、各种有趣的小例子，而且你会发现，最优解和最好解经常不是一个解，这会培养一种思维：不求最好只求最优。博弈理论的题经常会以微观、中观作为背景出现。完成此任务获得称号”&u&不在博弈中背叛就在博弈中合作&/u&“&br&&br&&br&&b&＝＝＝＝＝地图2：金融学＝＝＝＝＝&/b&&br&从经济学脱胎而出，但聚焦于金融市场，研究的是跨时间跨空间的时间的价值交换，尤其是时间价值，是经济学中不着重研究的。&br&　　金融学通俗的说，有人有闲钱，有人缺钱，缺钱的人以自己有的东西做担保（主要是信用），研发了很多的产品，有闲钱的人买这些产品可以让钱越来越多，而缺钱的人又借到了钱。这里面牵涉到的对象有缺钱的人、有钱的人、产品、产品市场、ＺＦ；牵涉到的过程从缺钱人的产品设计、定价、制造、包装销售再到有钱人的被人拉皮条来购买、找人组合、找人分散风险，以及对卖产品的市场（金融机构）的研究。完成该地图所有任务获得称号””&u&还！有！谁！&/u&““&br&&br&————支线任务1：&b&货币金融学/货币银行学/商业银行管理&/b&：这仨里面混进去了一个奇怪的东西，就是最后面的商业银行管理，实在是因为没地方放。货币金融学和货币银行学都是从货币、利率开始，再到央行、商业银行、外汇、以至于宏观的货币政策都会研究，和宏观经济很多部分有所重合。而到了商业银行管理，则是主要聚焦对商业银行的管理，是比较综合的一门课，涉及到许多风险管理的内容，以及报表的问题。前两本书中对于利率的研究，对货币政策的更深一步的理解，对于以后以利率为核心的各项金融产品的研究十分重要。&br&&br&————支线任务2：&b&投资学/金融经济学&/b&：投资学和金融经济学都是为了下面各环做准备。可以看到这个任务下包含有各种各样的投资产品，从实物资产（房地产）到金融资产都有，而且还不是单独的研究一个，还要做一个组合研究。完成以下所有环，获得称号”&u&我就问你怕不怕&/u&“&br&&br&——————环1：&b&证券投资分析&/b&：对股票、债券、基金、衍生品投资价值的研究，但一般这门课仅仅停留在股票的分析阶段，债券和衍生品会单独开课。在这里你会学到，金融中最基本的功法：外功：基本面分析+内功：技术分析。外功是可以练出来的，内功嘛就看根骨了。&br&　　基本面大法包括来自宏观经济学的宏观分析，来自产业经济学的行业分析，来自财务管理的公司分析。技术分析自成一家，投资学的玩家可能也会专门的开金融技术分析的课程。完成此任务，获得”&u&迈开劈情操的第一步&/u&“称号&br&————————隐藏环1：&b&投资银行管理&/b&：不要以为名字和“商业银行管理”差不多，内容就是差不多的。投资银行还有个更大众的名字，券商。所以投资银行管理主要是对证券发行和承销的研究，主要是各种各样的法律规定和流程，IPO相关内容。尤其投资学的玩家，提前替你们默哀，看看财报也就算了，还要分析几百页的招股说明书。此门课程并没有太多数学性质的东西，但是着实的难学。完成任务获得称号“&u&宝剑人&/u&”&br&————————隐藏环2：&b&金融技术分析&/b&：金融技术分析是上面提到的四大分析中自成一家的分析方法。也是股市中众多散户的研究方法，港真，学这门课还是去找大叔大爷大妈之类的取取经，他们是实践出真知。在技术分析中，你会学到各种各样的流派、线、指标。这些指标不仅仅可以用在股市，也可以用在衍生品市场。完成此任务，获得称号“&u&玄学大弟子&/u&”，此称号可以晋级为”&u&玄学宗师&/u&“&br&&br&——————环2：&b&金融衍生工具&/b&：脱胎于传统金融工具，在衍生品中你会学到远期、期货、期权、互换，其他结构化产品的相关概念、和具体的玩法。如果课时不是很充分的话，可能主要集中在他们的原理以及模拟操盘以及相关的套利、套期保值、掉期等等的计算。而不会过多的牵扯定价的问题。完成此任务，获得成就“&u&给我一个杠杆&/u&”&br&————————隐藏环3：&b&金融工程&/b&：在了解衍生品的基本原理后，金融工程的内容就会学到金融工程的原理，也就是对衍生品的定价，你会学到各种公式来定价。之前的数学底子在这一步骤得以检验。&br&&br&——————环3：&b&固定收益证券&/b&：如果说证券投资分析和金融技术分析研究了股票，而衍生工具和金融工程研究了金融衍生品的话，那么固定收益证券研究的是另一个重头戏：债券。在固定收益证券中，你会在基于之前学到的利率知识的基础上，详细的研究各种各样的证券及其定价，并对利率行为、期限结构、收益率有更深的理解，而且会学到债券中最重要的风险：利率风险，以及久期、凸率、免疫等相关知识；在基础学过以后，会对债券进行合成和剥离以及资产证券化，固收衍生产品等新玩法。&br&&br&——————环4：&b&基金投资与管理&/b&：以上分别讲了股票、衍生品、债券。有价证券中还有一大类：基金。而基金投资与管理中会详细学习这种有价证券，包括其类型、价格与定价、交易规则、相关法律。基金课程相对比较轻松，从业也比证券、期货简单很多。&br&&br&——————环5：&b&房地产投资&/b&：不同于上面的金融资产投资，房地产投资放眼实体资产投资。你会学到房地产投资的整个流程，从基本的财务、可行性分析再到开发权取得、建设开发、销售经营。完成此任务获得称号“&u&炒房团成员&/u&”，此称号可晋级为”&u&炒房团团长&/u&“&br&&br&——————环6：&b&外汇投资实务&/b&：外汇其实在金融衍生工具中就略有涉猎了，包括外汇掉期、外汇期货、外汇期权等等。所以此任务，除了再次深入学习这些外汇投资方式外，还有外汇投资的模拟实盘，外汇投资的相关法律并继续深入学习金融市场中汇率的变动。完成此任务获得称号”&u&因特耐身弄&/u&“&br&&br&——————环7：&b&私募股权与风险投资&/b&：私募股权投资称为PE，风险投资称为VC，这两种投资方式不同于对传统的对公性质的投资工具项目。这两种投资都是很成体系与规模的成熟资本运作方式。通俗的一点讲，私募就是想要分某公司的一杯羹，风投就是”养猪“的过程，看好种苗，然后一点点养大，等到大了的时候，把原始股卖掉换钱。在私募和风投的课程中，你会接触到整个从评估再到进入，运营，退出的资本运作的过程。当然也会听很多的故事。完成此任务，获得称号“&u&风口上的猪&/u&”&br&&br&——————环8：&b&国际投资学&/b&：嗯！国际，投资学。就是这么简单&br&&br&——————环9：&b&投资组合管理&/b&：上面学到了，股票、衍生品、基金、证券、外汇等等投资产品，如果给你一笔钱，如何最优的分配就是一个难题。投资组合管理就是干分配的活的，提到分配是不是想起了运筹学，但是不要以为组合就是运筹的拼一拼分一分，这里面基本涵盖了你之前学的很多知识，无论是数学还是技术还是专业的内容都有涉及。&br&－－－－支线任务２：投资学结束－－－－&br&&br&————支线任务3：&b&保险学原理&/b&：保险学原理这门课并不是教你卖保险，而是从什么是风险入手，研究了风险中的一类称为纯粹风险的风险，并在纯粹风险的基础上诞生了保险，并对保险学的原理，还有几种基本的保险比如寿险、意外伤害险、财险、火灾险、车损险……进行介绍。在保险课上，你要学会如何厘清保费，你也会听到各种各样奇葩的案例，在人身险中到处都是自杀，自杀又救活，自杀救活又自杀，在财险中你会听到各种瞠目结舌的骗保的案例，瞠目后，要学会如何分析理赔的流程和理赔金额，比如车损险+交强险+第三者责任险的套餐。完成此任务您将获得“&u&传奇故事家&/u&”称号&br&&br&——————环1：&b&风险管理/风险建模&/b&（传说级任务）：刚讲到，保险研究的风险是被称为纯粹风险的一类风险。聪明的你一定要问了，那是不是还有一类风险需要研究？。而风险管理就是主要研究另外一种风险：投机风险的学科。但其实风险管理的课程远远不止于此，风险管理同投资组合类似，也是一门需要用到你之前学过的多门学科诸如：微积分、线代、概率、统计、Excel、SPSS、Matlab、以及各门专业课的学科。在风险管理中，你除了会学到保险中的财险、责任险、巨灾风险、人力资本险以外，还会学到商业银行管理中的商业银行风险，信用管理中的信用风险，以及金融市场中的市场风险、流动性风险，固定收益证券中的利率风险，外汇中的利率风险，以及操作风险、还有非银行金融机构风险以及这些公司的内部控制。学过这些风险还不够，还要学风险的监管、识别、管理、规划。完成此任务将会获得称号“&u&放心，有我在&/u&”&br&&br&——————环2：&b&保险精算/寿险精算/非寿险精算：&/b&保险专业的同学会走入保险精算的邪路，非保险专业对于精算课程可能就到浅尝辄止的程度。精算基本上，就算是门数学课了，一班挂一半不是危言耸听，记的换一个能算积分的计算器。学长能帮你的就到这了。&br&&br&——————环3：&b&人身保险/财产保险/保险法/海上保险/国际保险&/b&：这是保险学同学要对保险学原理书中提及的那些主要险种的更加细致的研究，在每本书里面，你都会学到近百种的主险，附加险。当然你也会听见更离奇的例子。完成此任务将获得称号”故事会“此称号在精算技能点点满后升级为“&u&人间精品&/u&”&br&&br&————支线任务4：&b&信用管理&/b&：信用管理的同学的支线任务。由于不是本专业，而且也不是一个系，更不认识该系学霸，所以没办法做介绍。就，看看名字吧，也欢迎补充。&br&&br&————支线任务5：&b&行为金融学&/b&：金融学的大厦，在行为金融学这里，一朝崩塌。上述所有金融学地图内的学科大部分有一个前提，一是市场有效二是人是理性的。但是这俩假设被大魔王“行为金融学”破坏。在行为金融学里面，不会牵涉太多的计算，你会学到各种心理学的知识应用在金融学中产生的效果，你会发现人是多么的不理性，市场是多么的不有效，不由得怀疑学了这么多专业的意义是什么，还不如回家种地。完成任务解锁成就“&b&&u&不如回家种地&/u&&/b&”&br&&br&&br&&b&＝＝＝＝＝地图3：财务管理＝＝＝＝＝&/b&&br&　　有的同学一定会问，尤其是刚刚看见自己培养计划的金融系的同学们：怎么这么多会计？没错，我当时也是这么想的，还有这么想的让我看到你们的双手！&br&　　其实会计课也是工具课，如果说英文字母是英文的基础，数字是数学的基础，那会计可以说是商科的基础。投资的时候如果不懂公司价值几何，如何做判断？所以对于金融、金工尤其是投资专业的同学，你不需要多么深入的理解公司内部的会计与决策工作，但是一定要懂公司理财和报表分析这两门课。&br&&br&————支线任务1：&b&会计类&/b&：对于会计本专业的同学来说，在会计这条路上，你可以点满财务会计这条路：低中高，也可以点审计的技能点，更可以点成本会计、管理会计的技能点。但对于金融类的同学，一般停留在中级财务会计再额外加管理会计即可。敲黑板：审计、高财、成本会计偏专业，但是不排除个别学校开设的可能。&br&&br&——————环1：&b&财务会计&/b&：从基础会计开始，你会了解会计的工作不仅仅是记账，虽然是很重要的一部分。到了中级会计阶段，会计学的同学可能还会有账目实务这种课程（金融的可能不会有实务）。财务会计中，你会对各个账户细致的学习，并且粗浅学习编制财务报表，对财务报表的分析、调整。完成此任务，获得称号“&u&做账的”&/u&&br&&br&——————环2：&b&成本会计&/b&：成本会计是偏财务的财务会计（废话）和偏管理的管理会计（你走）的杂交，把账户着眼于成本类账户的这一块，研究费用的归集分配、成本的计算方法、并外延到公司的成本控制与管理，运用技术手段挖掘压缩成本、提振利润的方法。完成此任务，获得称号“&u&算钱的”&/u&&br&&br&——————环3：&b&管理会计&/b&：与财务会计并列的任务，主要任务是学习本量利分析方法、经营预测与决策、存货决策、投资决策、改善公司经营，制定公司战略。其中很多内容都是财务管理的内容。完成此任务，获得称号“&u&管事的&/u&&br&&br&——————环4：&b&审计学&/b&：上面的学科是对经济活动记录与管理的任务，审计则是对其进行监督的任务。完成此任务获得称号“&u&审计狗&/u&”。&br&&br&&br&————支线任务2：&b&民商法/经济法&/b&：首先强调（敲黑板），民商法是民法和商法，经济法是经济法，这两个是不同的，学商法的时候没准还有一道题问你商法和经济法的区别呢。在这里放一起仅仅是因为这一支线都是法律而已。民商法在金融、经济、管理类一般做为专业基础课，经济法则是专业课程或专业选修课程。对于金融学专业同学对环１——税法略作了解即可。&br&&br&&br&——————&b&环1：税法/税务筹划&/b&：此任务就是深入学习税法，并在学习税法后发现，如果真的按照税法交税，不仅不挣钱还要亏钱，所以税务筹划就是学会如何合理避税的任务。&br&&br&——————&b&环2：结算法/国际结算&/b&：主要研究：支付结算法、票据法、乃至于预算法，采购发，在相关专业会开设。金融类专业不一定会开设，但是了解一些概念是有好处的。&br&&br&&br&————支线任务3：&b&财务管理&/b&：财务管理可以说是，既是会计类学生转战金融行业的垫脚石，也是金融类学生必须要完成的一个任务。对于金融学同学来说，由于不是公司决策者，所以只需要从投资者角度评价公司的即可，所以学会对财务报表分析、达到财务管理基础的水平即可。对于更专业的财务管理专业的同学则会从基础财务管理学起到高级财务管理学，并学习一系列的分析模型，乃至时间序列分析都会学习。&br&&br&——————环1：&b&公司金融&/b&：听名字就知道，其实这是金融本家的课程。刚才的金融如果说过多聚焦于产品，那么公司金融就是如何利用这些产品来为公司盈利。所以你会从公司最基本的财务报表分析开始，到公司的未来现金流量估价，再到资本预算、流动资产管理、短期长期筹资计划、项目评估与决策、股利政策。可以说只要和公司有关，并且和钱有关系的，都会研究个遍。这也是一门工具课，重要性自然也是不言而喻。&br&————————隐藏任务：&b&资本运营/公司战略与风险管理/兼并与收购&/b&：脱胎与公司金融，对公司的资本、战略更加细致的研究。资本运营还会放眼整个金融市场，让资金运作到多方满意，是对财务和金融大综合的一门学科。&br&&br&——————环2：&b&财务报表分析&/b&：这门学科是对公司金融中的第一部分，财务报表的更加细致的分析，不过其实和公司金融学到的东西是相差无几的。这门课更多的则是对公司金融学到东西的具体运用，毕竟公司金融还有很多非报表分析的内容。&br&&br&————支线任务4：&b&资产评估&/b&：资产评估专业的主修。对于金融和金融工程的同学可能不会开设课程，对于投资专业可能会开设相关的工程造价、工程管理的课。因为投资学除了要研究金融资产投资，也要研究实体资产投资，所以对于房地产估价、工程估价、以至于珠宝文玩估价（学校一般不会开这种课）都会略有涉猎&br&&br&————支线任务5：&b&管理学&/b&：这就是比较理论的课程了。主要是一些心理学、管理学、组织学的内容。&br&&br&——————————————————————————————&br&—————————————以上———————————————&br&能看到这，我已经泪流满面&br&各位大大的点赞，真是受宠若惊，有什么指教可以随意骚扰我，我会一一修正
废话先不说，先祭出一张技能树(对应的技能证书也有标注，具体位置略有偏颇) 写在前面：纯粹写着玩！
并不是以下所有的东西都要学！ 并不是以下所有的东西都要学！ 并不是以下所有的东西都要学！ 大家也知道有一种课叫专业限定选修课 专业什么的，真的不是…
&p&&b&一、马克思的末日预言&/b&&/p&&br&&p&先从这本书，托马斯·皮凯蒂的《21世纪资本论》讲起。&/p&&figure&&img src=&https://pic3.zhimg.com/50/0f075c178eaebcce08143b_b.jpg& data-rawwidth=&640& data-rawheight=&360& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic3.zhimg.com/50/0f075c178eaebcce08143b_r.jpg&&&/figure&&p&众所周知，马克思预言了资本主义的自我毁灭。托马斯指出，在马克思时代，大量工人生活在城市贫民窟，工人们工作时间很长，工资却非常低，甚至在某些方面比封建制度下的农村悲剧更加悲惨。而马克思、恩格斯的中心论点很简单：如果经过半个世纪的工业发展，人民群众的生活状况还是和之前一样悲惨，而立法者们唯一能做的就是禁止工厂雇佣八岁以下的儿童，那么工业发展的好处在哪里?工人们技术创新、辛苦工作以及进入大城市的好处又在哪里？&/p&&br&&p&然而道义并不能摧毁资本主义制度，马克思的出发点也从不是道德批判而是唯物史观——即生产力和生产关系的矛盾。托马斯将马克思的末日预言提炼为“无限积累原则”，即资本通过剥削工人剩余价值将不可逆转地不断积累，但始终掌握在一小部分人手中，是一个没有天然界限的过程。这就是马克思预言资本主义终将灭亡的分析依据：如果资本收益率稳步降低——这样将遏制资本积累，并导致资本家之间的激烈冲突；如果资本收入在国民收入中的比重无限制地增长——这迟早将变成大规模工人运动的导火索；同时资本无限积累并扩大再生产，而无产阶级一无所有并不能提供多余购买力——这必将导致资本主义经济危机。上述不论发生何种情况，社会经济均衡或是政治稳定都将变成奢望。更详细的解释看这篇文章：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&从柏拉图到马克思（六）——马克思主义经济观 - 人间正道是沧桑 - 知乎专栏&/a&&/p&&br&&p&然而在马克思时代，收集庞大的数据佐证和严谨的数学推导似乎是一种奢望。例如，在《资本论》第一卷中，马克思使用了一家纺织厂的账本，他说这是账本主人转让给他的。纵使账本显示，生产过程中使用的固定资本和可变资本总量与一年总产值的比率非常高，已经明显超过了10，这种水平的资本/收入比的确令人震惊。然而一个账本可以具有代表性，却无法使经济学家们满意。马克思也是 年英国议会报告的忠实读者，他用这些报告来证明工人的悲惨、车间的事故、糟糕的卫生条件和资本家普遍的贪婪。马克思甚至以非常印象派的方式，尝试使用遗嘱认证的统计数字，以表明拿破仑战争以来英国财富的急剧增加。&/p&&br&&p&问题是，尽管马克思有这些重要直觉，但是在那个年代，想获得全面、科学的统计数据太过虚幻。不像我们现在敲敲电脑，全世界重要数据几秒钟就弹至桌前，马克思做不到，各国政府开始有计划地收集、整理、统计相关的经济数据那都是凯恩斯时代的事了，这就是他注定的时代局限性。西方经济学者诟病马克思主义经济学，也多从其缺乏坚实的数学基础出发的，然而讲道理的话，马克思主义经济学成型与十九世纪中期，他的数学水平在当时整个经济学研究中是处于平均水平的，只不过西方经济学“枝繁叶茂”后继有人，后人如列宁、毛泽东对于马克思主义的发展主要集中在政治和哲学上，所以十九世纪的政治经济学再拿到当今学术界来看，就显得有些陈旧了。而托马斯·皮凯蒂的书既然敢叫《21世纪资本论》，无疑是用了当今学界最先进的数据和数据分析来诠释这个问题的，虽然他对于马克思的政治观点并不完全认同，但是他书中扎实的数据和详实的分析完全可以为马克思主义经济观点写下完美的注脚。&/p&