- 综合排序
- 最热优先
- 最新优先
- 来自专栏落影的专栏
《学习的方法论》
前言 读书十数年，关于学习的思考、理解日益繁多，今天稍作整理。 新年伊始，以“学习”为主题，写一篇感想。 何为学习，为何学习？ 学生时代的学习 作为一个已经走完十六年学生生涯的人，在我的感受中，学生时代的学习有三大任务： 1、学习知识； 2、考试升学； 3、学习学习； 学习知识的作用之大毋庸置疑，知识是构建世界观的基础。 学生时代，就是要快速积累知识，建立自己的世界观；学习如何努力达到目标，学习如何在犯错之后纠正，学习遇到问题进行思考，学习如何进步；同时培养良好的学习习惯与方法。 我的学习方法论 关于学习方法论，我常用的基本规律是：学习、思考、总结、分享/实践、回顾。 对于每个岗位，我仅仅是了解工作所需的信息，学习表面的技术知识，停滞在思考、总结这一层次，没有形成学习的闭环，导致学习方向的迷糊、学习方法的低效、学习动力的缺乏。
1K50发布于 2018-04-27 - 来自专栏机器学习算法与Python学习
【方法论】机器学习算法概览
监督式学习的例子有：回归、决策树、随机森林、K – 近邻算法、逻辑回归等。 2、非监督式学习 工作机制：在这个算法中，没有任何目标变量或结果变量要预测或估计。这个算法用在不同的组内聚类分析。 非监督式学习的例子有：关联算法和 K – 均值算法。 3、强化学习 工作机制：这个算法训练机器进行决策。它是这样工作的：机器被放在一个能让它通过反复试错来训练自己的环境中。 机器从过去的经验中进行学习，并且尝试利用了解最透彻的知识作出精确的商业判断。 强化学习的例子有马尔可夫决策过程。 回归方法是统计机器学习的一种 。 ) Learning Vector Quantization (LVQ) 深度学习（Deep Learning） Deep Learning(深度学习)方法是人工神经网络在当下的一个变种。
44540发布于 2018-08-20 - 来自专栏明明如月的技术专栏
我的技术学习方法论
希望你可以给我一点建议，如何系统学习？” 2.2.2 学习的思路 （1）以准备面试的方法来学习 单纯看某本书可能会有些枯燥，而且读完某本书后由于没有验证，也不知道自己掌握到什么程度。 比如我的 《性能优化方法论》 中介绍的内容就是将专业基础和各种中间件原理以及日常开发中的一些性能优化经验相结合，总结出来的。 总之，人工智能的时代来了，利用好 AI 工具，变革学习方式，提高学习效率。 三、总结 本文介绍了自己的学习方法论，如夯实专业基础、主动学习技术原理、把握遇到问题的时机来学习知识，以教为学，和善用工具等。
77450编辑于 2023-03-17 - 来自专栏做数据的二号姬
教程 | BI工具学习方法论
原创内容 No.691 教程 | BI工具学习方法论 教程系列惊喜回归！说人话：做视频的播放量实在是太差了，我弃疗了，还是回来安心写稿吧，从零起号真难。 对于BI工具的学习，其实都离不开四个阶段：新手入门阶段、进阶学习阶段、职业学习阶段和职业进阶阶段。 对于一般的工作用途，其实新手入门阶段就已经足够了，如果追求更高一些，可以考虑做一些进阶的学习，浅浅的整一个进阶学习就足够实用场景了。哪怕是职业数据分析师，绝大多数情况下学习到第二层也就可以了。 对于非专业选手来说，学习BI工具的过程中遇到的最大困难一般都是习惯改不掉。 对于这类工具的学习，学习曲线不太符合大家想象中的开始快后来慢。而是一开始非常慢，一旦突破了某一个线之后就会变得非常快，这就是从已知推未知的力量。
28010编辑于 2024-11-25 - 来自专栏开心的平凡酱
技术语言框架学习方法论
侄能听余言，毋论考试之得失，他日必能成一有用之人” ——《谕侄》 结合“知乎轮子哥 —vczh ”的两篇编程方法论之神文章： 《Teach 关于框架 首要在于结合设计模式及方法论，弄懂原理及细节，工作上基本的东西（常用API和注解、配置等）要熟。大厂面试必问spring源码及底层实现原理。 学习新技术非常快，学习Go，2、3天代码输出就相当可观了
50250发布于 2020-10-09 - 来自专栏理论坞
谷歌方法论：系统学习和机器思维
以下内容是近来听吴军的《谷歌方法论》有感所得： 你可能并不同意其中观点，但我一直笃信的是：一篇文章或一个观点，包括一部电影，是都不会让100%人满意的； 如果你同意其中的观点，那么就是你所得 系统学习的重要性 系统学习是一种学习方法，是指把所学内容当成是一个系统看待，力求从大方向出发指导学习，这样，在学习和复习的时候不是按部就班按章节行进，而是先模糊概括，再逐渐在大框架下逐步明晰细节 、完善结构、针对缺陷和不足专攻的学习方法。 4.系统地学习离不开讨论。 2.快和慢 人的进化很慢，每个世纪只有百分之几；经济和社会发展也很慢，每年几个百分点；人本身不适应于非常快速的的发展变化；计算机的发展变化是18个月翻一番，10年增加100倍，在智能时代人要适应这种变化
1.3K30发布于 2018-07-25 - 来自专栏服务端技术杂谈
方法论
之前的文章中说过，我司高职级会要求人员具备对应的方法论。 为什么要有方法论呢？ 为什么有人在职场上事半功倍，脱颖而出呢？ 这些人普遍都有自己的方法论。 那么什么是方法论呢？ 方法论可以理解为一种套路，做事的套路，做产品的套路，做技术架构的套路。 一个人对于自己的方法论侃侃而谈，往往说明其对于业务和技术有这成熟掌握。 在解决问题的同时掌握了一套新的方法论，这样这个人就会变成大家公认的牛人。 所以说人才是主动掌握和运用现有方法论的人，牛人则是能够开创新的方法论的人。 方法论的形成 方法论形成需要能够将历史知识进行沉淀，总结，理解问题的根本原因，在此基础上形成体系。 你会发现，这个模式跟我的观念也是非常契合的： 1）知识并不是静止的，应该让它流动起来； 2）学习不仅来自积累，还源于体验和实践。 所以，我一直说：带着问题去阅读，你才能真正学到东西。
1.3K40发布于 2018-10-22 - 来自专栏晓谈岩说
关于方法论学习的三个层次
自己挖的坑，还是要自己填的，上周在读者群里大家对企业架构方法论的学习热情高涨，我也跟着大家一起聊，最终还是觉得大家对方法论的学习还是需要理解下进阶的层次，这有助大家更好地掌握方法论。 这一级是领你进门的，这个层次的学习，你大多数时间会纠结一句话该怎么说，所以叫语法级。 在语义级是可以解决绝大数建模问题的，所以，语义级是学习方法论一个非常重要的层次。如果你逻辑性好，应该能很快突破语法级，到达语义级的，不要总跟语法纠缠。 第三个层次，语境级。 能够回答这个问题，那你一定可以把OKR执行好，因为你已经具备构筑方法论的潜力了。 这三个层次在方法论学习中是普遍存在的，每上升一个层次，就会更好地理解之前的层次，并且因此获得灵活性，所以，我总说方法论不是用来吵架的，我估计你应该也能理解方法不是律法的含义了。
1.1K20编辑于 2022-06-06 - 来自专栏Java架构师必看
MySQL中间件之ProxySQL(10)：读写分离方法论「建议收藏」
今天说一说MySQL中间件之ProxySQL(10)：读写分离方法论「建议收藏」,希望能够帮助大家进步!!! 在ProxySQL上，分两个组，一个写组HG=10，一个读组HG=20。 例如，下面的配置实现的是上图左边的结构：写请求路由给HG=10，对test1库的select语句路由给HG=20，其它select路由给HG=30。 当查询条件中的筛选条件是MySQL时，就路由给MySQL库所在的主机组HG=20，筛选条件是Python时，就路由给HG=10，同理HG=30。 -P3306 create sbtest; 2.准备测试表，假设以2张表为例，每个表中10W行数据。填充完后，两张表表名为sbtest1和sbtest2。
81620编辑于 2022-02-21 - 来自专栏场景录小程序
小程序营销方法论，值得每个品牌主学习
小程序借助微信流量池，逐渐渗透到生活的各个领域 微信以10亿+月活跃用户，已经成为互联网第一大的流量入口，小程序基于微信发展，已经逐渐渗透至购物、游戏、社交游戏等生活领域。 2. 小程序上线首日PV超过420万，累计开出咖啡馆超过52万，10%+咖啡馆实现了真实销售，普通用户中最多的一天卖出了200+杯咖啡。
1.2K20发布于 2018-09-05 - 来自专栏AI SPPECH
如何构建你自己的机器学习方法论
背景动机与当前热点 1.1 为什么需要构建自己的机器学习方法论 在机器学习的实践中，构建一套适合自己的方法论具有以下重要意义： 系统化思考：方法论帮助我们系统化地思考机器学习问题，避免碎片化和盲目尝试。 5.3 局限性分析 机器学习方法论的构建和应用存在以下局限性： 领域差异：不同领域的机器学习应用差异很大，通用方法论难以适应所有领域。 技术快速发展：机器学习技术发展迅速，方法论需要不断更新。 全球协作与标准化：方法论将开始全球协作和标准化，便于跨组织和跨地域的知识共享。 教育与培训：方法论将成为机器学习教育和培训的重要内容，帮助学习者系统掌握机器学习。 到2032年，元宇宙中的机器学习方法论将出现：针对元宇宙和VR/AR场景的机器学习方法论将开始出现和发展。 参考链接： 我的2026年AI Agent学习计划:从框架进阶到企业应用 从方法论看移山科技GEO技术实践:2025年终内容工程与AI答案 深度学习时代下的机器学习方法论革新 在班加罗尔工程实践中构建可持续演进的机器学习平台体系与技术实现分享
16720编辑于 2026-01-19 - 来自专栏Python与算法之美
3句话告诉你学习的方法论
文章摘要 3句话告诉你学习的方法论 本文统筹人类学习和机器学习的特点，提出了学习的一般化定义：学习是指一个目的系统从数据中提取模型，并用模型进行决策的过程。 基于这一学习定义，提出了提升学习效率的3条关键方法论，并对其具体使用进行了详细说明。 1，用自我提问强化元认知。 2，用内容输出优化认知结构。 3，用科学推理探究非结构问题。 把“一个目的系统从数据中提取模型，并用模型进行决策的过程”作为学习的概念定义，我们可以比较自然地引出如下3条学习的核心方法论。 1，用自我提问强化元认知。 2，用内容输出优化认知结构。 最后进行学习评价。拟定的学习目标Python入门是否达成？是否做了学习笔记或学习资料整理等留痕工作？如果遗忘了是否能重新通过学习留痕快速拾起？ ? 元认知、认知结构和问题解决形成了一个交互影响的方法论三角。 ? 在问题解决的过程中，元认知的参与是非常重要的。尝试自问自答以下一些问题非常有帮助：这个问题具体有哪些困难点？
55630发布于 2020-07-20 - 来自专栏云市场精选
小程序营销方法论，值得每个品牌主学习
小程序借助微信流量池，逐渐渗透到生活的各个领域 微信以10亿+月活跃用户，已经成为互联网第一大的流量入口，小程序基于微信发展，已经逐渐渗透至购物、游戏、社交游戏等生活领域。 2. 小程序上线首日PV超过420万，累计开出咖啡馆超过52万，10%+咖啡馆实现了真实销售，普通用户中最多的一天卖出了200+杯咖啡。
2K40发布于 2018-09-05 - 来自专栏我的机器学习之路
数据分析方法论-统计学内容学习
最初学习数据分析只是出于兴趣，自学了Python。最近才生出转行数据分析的想法，目前已经辞职，准备全身心地投入到学习中。 函数返回值为每次取样出现的成功试验的次数 图像 >>> import numpy as np >>> import matplotlib.pyplot as plt >>> list_a = np.random.binomial(n=10 Python实现及图像 np.random.uniform(low,high,size) #low和high为分布范围 #size为样本数目 >>> list_c = np.random.uniform(0,10,1000
56310发布于 2020-10-23 - 来自专栏加米谷大数据
【方法论】机器学习算法相关知识点
这个名字使用了拟人的手法，说明了这门技术是让机器“学习”的技术。机器学习是一种让计算机利用数据而不是指令来进行各种工作的方法。 监督式学习的例子有：回归、决策树、随机森林、K – 近邻算法、逻辑回归等。 2 非监督式学习 工作机制：在这个算法中，没有任何目标变量或结果变量要预测或估计。这个算法用在不同的组内聚类分析。 非监督式学习的例子有：关联算法和 K – 均值算法。 3 强化学习 工作机制：这个算法训练机器进行决策。它是这样工作的：机器被放在一个能让它通过反复试错来训练自己的环境中。 机器从过去的经验中进行学习，并且尝试利用了解最透彻的知识作出精确的商业判断。 强化学习的例子有马尔可夫决策过程。 ? 回归方法是统计机器学习的一种 。
44230发布于 2019-01-09 分析方法论
分析方法论是指一套系统的、科学的分析框架和流程，用于指导数据收集、处理、分析和解释的过程。 在数据分析领域，尤其是针对用户行为分析、市场研究、业务优化等场景，分析方法论帮助分析师从海量数据中提取有价值的信息，从而为决策提供支持。以下是几种常见的数据分析方法论及其核心内容：1. 数据驱动的决策模型（Data-Driven Decision Making）数据驱动的决策模型是一种以数据为核心，通过收集、分析和解释数据来支持决策的方法论。它强调基于数据的客观分析，而非主观臆断。
63510编辑于 2025-03-05- 来自专栏互联网技术栈
方法论-SMART
. ---- SMART原理是美团内部盛行一时的方法论，无论是在制定方案、计划、排期等，还是在晋升、汇报、答辩中，都有体现。
85330发布于 2018-12-12 - 来自专栏yeedomliu
监控方法论
两个方法论结合使用可以获得一个相当全面的环境视图，帮助你解决任何问题。 USE方法 侧重于主机级监控。
54120编辑于 2022-12-03 - 来自专栏BestSDK
机器学习精华，10问10答
更好的强化学习／深度学习和强化学习的整合；能够可靠地学习如何控制机器人的强化学习算法等。 更好的生成式模型；可以稳定地学习如何生成人类分不出真假的图像、语音、文字的算法。 学习如何学习的算法，以及普适深度学习算法（可以重新设计它们自己的架构，自行优化超参数的算法）。 在未来，哪个机器学习领域会取代深度学习？ Ian Goodfellow：“深度学习”是一个非常广泛的概念，我不确定它是否可以被取代。深度学习只是意味着用更多的处理步骤来学习，而不是仅仅只有一步。 在2006-2011，“深度学习”很流行，但是这里的“深度学习”多是把许多无监督学习算法叠起来，从而为监督学习定义复杂的特征。 GAN类问题 10. 机器学习领域的新人应该了解对抗性机器学习的哪些内容？ Alexey Kurakin：首先，你要对机器学习和深度学习有一定的了解，这样才能理解这个问题的背景。
1K60发布于 2018-03-01 - 来自专栏CSDN技术头条
死磕 Elasticsearch 方法论：普通程序员高效精进的 10 大狠招！
Elasticsearch 高效进阶方法论。 …… 横扫你学习 Elasticsearch 的诸多疑惑，让你少走半年弯路！ 2015年10月28日推出 V2.0.0 版本，2017年7月25日推出 V2.4.6 版本，此为 2.X 最终版本，不再更新。 2016年10月26日推出 V5.0.0 版本，2018年2月20日推出 V5.6.8 版本，此并不是 5.X 的最终版本，还在更新中…… 2017年11月14日推出 V6.0.0 版本，2018年2月 Elasticsearch 高效进阶方法论 掌握最高效工具 推荐以下几种。 小结 以上，是我近3年 ELK Stack 学习和实践经验的总结，历时大于10个小时。
2.1K40发布于 2018-07-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号