读《Pragmatic Thinking and Learning》笔记及摘录
2013-11-20 22:25
239 查看
作为一名程序员,就意味着要不断地学习,《Pragmatic Thinking and Learning 》(程序员的思维修炼)这本书是美国Andy Hunt 所著。这本书给出了帮助程序员如何学习及思考的许多非常有用的Tips,在技能获取方面,其实这些都是通用的。看完此书之后最大的一个感受就是非常的舒畅,写的朴素,实在,没有吹嘘。只是把作者的经验,发现,以及知识分享给了读者,读完之后受益匪浅,想把一些感觉非常使用的Tips和读此书时的一些感想,记录下来。就有了这篇博文。
好了,言归正传,
第一部分,就是技能获取模型:Dreyfus model:这是一个构建理论,即无法被证明,只能通过它的用处来衡量。它把人们获取技能的经历从新手到专家分成了5个阶段。
新手:很少或者根本没有经验,不是特别想学习,只是想实现一个立竿见影的目标(我躺枪!)新手需要与情境无关的规则去参照,比如“当X发生时,执行Y”。需要一份指令清单,但这只能上你启程,不能让你走得更远。
高级新手:开始多多少少可以摆脱固定的规则,可以尝试独立解决问题,但仍然难以解决问题。
胜任者:可以独立解决问题。并开始考虑如何解决新问题
精通者:需要全局思维,能够自我纠正。能够向别人,或从别的案例学习。
专家:有丰富的经验,根据直觉工作而不需要理由,在特定的情境下,非常擅长做有争对性的特征匹配。与新手的区别,新手往往非常自信,他们不知道自己不知道,而专家则非常谨慎。新手使用规则,而专家依靠直觉。从新手到专家,最重要的转变就是依赖直觉和特定的情境,而不是死搬硬套规则。情境才是应该关注的重点。
关于如何有效地使用Dreyfus model,作者提了非常多的建议,其中我印象最深刻的是勇于承担责任,并给了一个护士是如何不负责的执行指令的例子,这个我觉得是很重要的一点。还有就是关注情境,万事万物是相互联系的,这就意味着要更多的关注情境,具体分析,而不是生搬硬套。
第二部分,就是大脑如何思考及如何改进以便进行更有效的思考
作者谈到,大脑的思考有两种模式:L型和R型,R型对直觉、问题解决和创造性非常重要。L型让你细致工作并完成任务。R型搜索引擎不受直接意思控制,它是异步的,这也就是通常所谓的灵光一闪,L型主要提供语言能力,抽象能力,推理能力等,而R型主要提供非语言,非理性,直觉,具体,综合的能力。R型看森林,L型看树木。
隐喻是一个非常强大的技术,能够激发创造力,比如我们常听到的鼠标,窗户(window)。硬盘上的文件夹也不是真的。我们总是在使用隐喻,使用隐喻把抽象的概念与一些具体的、日常可见的事物联系起来,就更容易让人理解它。隐喻(metaphor) 源自希腊语metaphora,意思是转移,表示你正在以一种事实上不可能的方式把一个事物属性转移到另一个事物上。清晰的隐喻使代码更容易学习、理解和扩展。
幽默产生与在不同的想法中制造新奇的联系,幽默的能力都来自于发掘或扩展常规之外的关系,真正突破思维界限。培养幽默感可以建立更强大的隐喻。
大脑也会出错。所以需要调试。比如认知偏见,你认为的就不一定是正确的,这是一个典型的认知偏见,还有就是我们对定论的渴望意味着我们总是努力消除不确定性。但是过早地下结论减少了你的选择,甚至可能消除了成功的选择。在软件项目开始时,一般每天你都会学习一点新知识,这意味着在项目的末尾时你会达到智力高峰,而在项目开始时则是最无知的,所以要适应不确定性。
第三部分,了解了大脑的工作方式后,就是如何利用它进行有效的学习
学习不是强加于你的,而是需要你主动做的事情,仅仅掌握知识而不去实践,没有用。在学习的时候最好制定SMART目标
Specific,Measurable、Achievable、Relevant,and Time-boxed。首先,目标必须非常具体,不应该是泛泛而谈,然后必须是可度量的,即知道何时可以完成,其次这是一个可实现的目标,比如想建立永久的中东和平什么的就显得不太实际。还有就是这个目标必须与你相关,这样你才能充满激情。最后就是时间可控的,必须设立一个最好期限,否则将会被排挤。
关于控制注意力
生活在信息丰富的时代,过多的信息却导致了知识和注意力的匮乏。置身于应接不暇的信息中,很容易失去思考的重心。
注意力是供不应求的,每天有那么多的事情都争相获取你的注意,而你仅仅能关注其中的一部分。如果你真正集中注意力,你就可以完成很了不起的事情。与电脑不同,我们的大脑没有“保存栈”的操作,这意味着你的分心,需要相当大的代价来切换情境,可能需要平均20分钟返回到原来的工作状态。二十分钟一次,考虑一下,你在一天中可能会遇到多少次打断,你就明天一天你浪费了多少时间。这就是代价
好了,言归正传,
第一部分,就是技能获取模型:Dreyfus model:这是一个构建理论,即无法被证明,只能通过它的用处来衡量。它把人们获取技能的经历从新手到专家分成了5个阶段。
新手:很少或者根本没有经验,不是特别想学习,只是想实现一个立竿见影的目标(我躺枪!)新手需要与情境无关的规则去参照,比如“当X发生时,执行Y”。需要一份指令清单,但这只能上你启程,不能让你走得更远。
高级新手:开始多多少少可以摆脱固定的规则,可以尝试独立解决问题,但仍然难以解决问题。
胜任者:可以独立解决问题。并开始考虑如何解决新问题
精通者:需要全局思维,能够自我纠正。能够向别人,或从别的案例学习。
专家:有丰富的经验,根据直觉工作而不需要理由,在特定的情境下,非常擅长做有争对性的特征匹配。与新手的区别,新手往往非常自信,他们不知道自己不知道,而专家则非常谨慎。新手使用规则,而专家依靠直觉。从新手到专家,最重要的转变就是依赖直觉和特定的情境,而不是死搬硬套规则。情境才是应该关注的重点。
关于如何有效地使用Dreyfus model,作者提了非常多的建议,其中我印象最深刻的是勇于承担责任,并给了一个护士是如何不负责的执行指令的例子,这个我觉得是很重要的一点。还有就是关注情境,万事万物是相互联系的,这就意味着要更多的关注情境,具体分析,而不是生搬硬套。
第二部分,就是大脑如何思考及如何改进以便进行更有效的思考
作者谈到,大脑的思考有两种模式:L型和R型,R型对直觉、问题解决和创造性非常重要。L型让你细致工作并完成任务。R型搜索引擎不受直接意思控制,它是异步的,这也就是通常所谓的灵光一闪,L型主要提供语言能力,抽象能力,推理能力等,而R型主要提供非语言,非理性,直觉,具体,综合的能力。R型看森林,L型看树木。
隐喻是一个非常强大的技术,能够激发创造力,比如我们常听到的鼠标,窗户(window)。硬盘上的文件夹也不是真的。我们总是在使用隐喻,使用隐喻把抽象的概念与一些具体的、日常可见的事物联系起来,就更容易让人理解它。隐喻(metaphor) 源自希腊语metaphora,意思是转移,表示你正在以一种事实上不可能的方式把一个事物属性转移到另一个事物上。清晰的隐喻使代码更容易学习、理解和扩展。
幽默产生与在不同的想法中制造新奇的联系,幽默的能力都来自于发掘或扩展常规之外的关系,真正突破思维界限。培养幽默感可以建立更强大的隐喻。
大脑也会出错。所以需要调试。比如认知偏见,你认为的就不一定是正确的,这是一个典型的认知偏见,还有就是我们对定论的渴望意味着我们总是努力消除不确定性。但是过早地下结论减少了你的选择,甚至可能消除了成功的选择。在软件项目开始时,一般每天你都会学习一点新知识,这意味着在项目的末尾时你会达到智力高峰,而在项目开始时则是最无知的,所以要适应不确定性。
第三部分,了解了大脑的工作方式后,就是如何利用它进行有效的学习
学习不是强加于你的,而是需要你主动做的事情,仅仅掌握知识而不去实践,没有用。在学习的时候最好制定SMART目标
Specific,Measurable、Achievable、Relevant,and Time-boxed。首先,目标必须非常具体,不应该是泛泛而谈,然后必须是可度量的,即知道何时可以完成,其次这是一个可实现的目标,比如想建立永久的中东和平什么的就显得不太实际。还有就是这个目标必须与你相关,这样你才能充满激情。最后就是时间可控的,必须设立一个最好期限,否则将会被排挤。
关于控制注意力
生活在信息丰富的时代,过多的信息却导致了知识和注意力的匮乏。置身于应接不暇的信息中,很容易失去思考的重心。
注意力是供不应求的,每天有那么多的事情都争相获取你的注意,而你仅仅能关注其中的一部分。如果你真正集中注意力,你就可以完成很了不起的事情。与电脑不同,我们的大脑没有“保存栈”的操作,这意味着你的分心,需要相当大的代价来切换情境,可能需要平均20分钟返回到原来的工作状态。二十分钟一次,考虑一下,你在一天中可能会遇到多少次打断,你就明天一天你浪费了多少时间。这就是代价
相关文章推荐
- Pragmatic thinking and learning
- Pragmatic thinking and learning-Refactor your wetware
- 《Pragmatic Thinking and Learning: Refactor your Wetware》
- Pragmatic Thinking Learning笔记
- 笔记——TensorFlow and deep learning, without a PhD
- 深度学习笔记4:Self-Taught Learning and Unsupervised Feature Learning
- Learning both Weights and Connections for Efficient Neural Network -- 论文笔记
- deeplearning.ai Neural Networks and Deep Learning 笔记
- Neural Networks and Deep Learning 学习笔记(一)
- 1607.CVPR-Joint Learning of Single-image and Cross-image Representations for Person ReID 论文笔记
- Neural Networks and Deep Learning 学习笔记(十一)
- Neural Networks and Deep Learning 学习笔记(一)
- neural network and deep learning笔记(1)
- 【笔记】Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning
- 论文阅读笔记之《Learning Deep Correspondence through Prior and Posterior Feature Constancy》
- neural networks and deep learning 学习笔记
- Attention and Memory in Deep Learning and NLP(深度学习和NLP中的注意和记忆机制) 阅读笔记
- Neural Networks and Deep Learning 学习笔记(十二)
- neural network and deep learning(笔记二)
- Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning 论文笔记