为什么|学习笔记|好

我要进步！设立目标并实现它！

|【充实挑战项目】|
|【充实鼓励红包】|
|每日计划清单|

查理·芒格 南加州大学毕业典礼上的演讲

坚持终身学习

另外一个道理——这个道理可能会让你们想起孔子——获得智慧是一种道德责任，它不仅仅是为了让你们的生活变得更加美好。有一个相关的道理非常重要，那就是你们必须坚持终身学习。如果不终身学习，你们将不会取得很高的成就。光靠已有的知识，你们在生活中走不了多远。离开这里以后，你们还得继续学习，这样才能在生活中走得更远。

就以世界上最受尊敬的公司伯克希尔·哈撒韦来说，它的长期大额投资业绩可能是人类有史以来最出色的。让伯克希尔在这一个十年中赚到许多钱的方法，在下一个十年未必还能那么管用，所以沃伦·巴菲特不得不成为一部不断学习的机器。

我不断地看到有些人在生活中越过越好，他们不是最聪明的，甚至不是最勤奋的，但他们是学习机器，他们每天夜里睡觉时都比那天早晨聪明一点点。孩子们，这种习惯对你们很有帮助，特别是在你们还有很长的路要走的时候。

哲学家怀特海曾经说过一句很正确的话，他说只有当人类“发明了发明的方法”之后，人类社会才能快速地发展。人类社会在几百年前才出现了大发展，在那之前，每个世纪的发展几乎等于零。人类社会只有发明了发明的方法之后才能发展，同样的道理，你们只有学习了学习的方法之后才能进步。

我非常幸运。我读法学院之前就已经学会了学习的方法。在我这漫长的一生中，没有什么比持续学习对我的帮助更大。

进行跨学科的学习

再拿沃伦·巴菲特来说，如果你们拿着计时器观察他，会发现他醒着的时候有一半时间是在看书。他把剩下的时间大部分用来跟一些非常有才干的人进行一对一的交谈，有时候是打电话，有时候是当面，那些都是他信任且信任他的人。仔细观察的话，沃伦很像个学究，虽然他在世俗生活中非常成功。

所以我这辈子不断地实践跨学科的方法。这种习惯帮了我很多忙，它让生活更有乐趣，让我能做更多的事情，让我变得更有建设性，让我变得非常富有，而这无法用天分来解释。我的思维习惯只要得到正确的实践，真的很有帮助。

我想进一步解释为什么人们必须拥有跨科学的心态，才能高效而成熟地生活。在这里，我想引用古代最伟大的律师马尔库斯·图鲁斯·西塞罗的一个重要思想。西塞罗有句话很着名，他说，如果一个人不知道他出生之前发生过什么事情，在生活中就会像一个无知的孩童。

这个道理非常正确，西塞罗正确地嘲笑了那些愚蠢得对历史一无所知的人。但如果你们将西塞罗这句话推而广之——我认为你们应该这么做——除了历史之外，还有许多东西是人们必须了解的。所谓的许多东西，就是所有学科的重要思想。但如果你对一种知识死记硬背，以便能在考试中取得好成绩，这种知识对你们不会有太大的帮助。

你们必须掌握许多知识，让它们在你们的头脑中形成一个思维框架，在随后的日子里能自动地运用它们。如果你们能够做到这一点，我郑重地向你们保证，总有一天你们会在不知不觉中意识到：“我已经成为我的同龄人中最有效率的人之一”。与之相反，如果不努力去实践这种跨科学的方法，你们中的许多最聪明的人只会取得中等成就，甚至生活在阴影中。

迈克尔·西蒙斯  巴菲特受益一生的习惯：学习者生活方式

当我们为了获取洞察力而设计我们的生活时，我们的日程安排将会完全不同：

• 我们会利用好空闲时间，而不是让自己陷入忙碌。尽管管理者必须时刻保持着注意力，这样他们才能对发生的事情做出反应，但是学习者创造了大量空闲时间，来超越噪音并获得观察问题的视角。

• 我们工作的环境会带来更多的创造力。正如我在《为什么成功人士每周花10个小时在“复合时间”上》中所写的，历史上许多最伟大的见解都是在小睡或散步时产生的，不一定是在办公大楼的小隔间里。

• 我们在学习、实验和思考上投入了大量资源，因为它们是洞察力的基本组成部分。学习是通过人、信息和经验来获得多样化、稀有和有价值的知识积木。思考就是将这些积木组合成稀有而有价值的组合。实验就是要看看这些组合在现实世界中的表现。

• 我们衡量成功的标准是我们洞察力的质量，而不是我们完成待办事项的速度。换句话说，我们衡量成功的标准从效率转向有效性。

  
  

  埃里克·施密特 （前谷歌CEO）

• 要在某个行业里脱颖而出，最简便的简便有效的方法，是加深对行业的理解。要加深对行业的理解，最好的方法莫过于阅读。人们总说自己没有阅读的时间，这其实是在说，他们觉得尽量挖掘自己所在行业的相关信息不重要。你知道哪些人会针对自己的行业进行大量阅读吗？CEO就会。所以，你也应该学习他们的思维方式，开始阅读吧。

  
  

  亨利·福特

• 不管你是20岁，还是80岁，只要停止学习，就说明你老了，坚持学习的人则永远年轻。人生中最大的乐趣莫过于保持头脑永驻青春。

  
  

昨天阅读3小时，累计阅读490小时

You cannot win the war against the world, if you can't win the war against your own mind.
如果你连自己都战胜不了，何谈战胜世界？




Chapter 1, Getting Started with Python Machine Learning, introduces the basic ideaof machine learning with a very simple example. Despite its simplicity, it willchallenge us with the risk of overfitting.
Chapter 2, Learning How to Classify with Real-world Examples, explains the use of real data to learn about classification, whereby we train a computer to be able todistinguish between different classes of flowers.
Chapter 3, Clustering – Finding Related Posts, explains how powerful thebag-of-words approach is when we apply it to finding similar posts withoutreally understanding them.
Chapter 4, Topic Modeling, takes us beyond assigning each post to a single clusterand shows us how assigning them to several topics as real text can deal withmultiple topics.
Chapter 5, Classification – Detecting Poor Answers, explains how to use logisticregression to find whether a user's answer to a question is good or bad. Behindthe scenes, we will learn how to use the bias-variance trade-off to debug machinelearning models.
Chapter 6, Classification II – Sentiment Analysis, introduces how Naive Bayesworks, and how to use it to classify tweets in order to see whether they arepositive or negative.
Chapter 7, Regression – Recommendations, discusses a classical topic in handlingdata, but it is still relevant today. We will use it to build recommendationsystems, a system that can take user input about the likes and dislikes torecommend new products.
Chapter 8, Regression – Recommendations Improved, improves our recommendationsby using multiple methods at once. We will also see how to build recommendationsjust from shopping data without the need of rating data (which users do notalways provide).
Chapter 9, Classification III – Music Genre Classification, illustrates how if someone hasscrambled our huge music collection, then our only hope to create an order is to leta machine learner classify our songs. It will turn out that it is sometimes better totrust someone else's expertise than creating features ourselves.
Chapter 10, Computer Vision – Pattern Recognition, explains how to apply classificationsin the specific context of handling images, a field known as pattern recognition.C
hapter 11, Dimensionality Reduction, teaches us what other methods existthat can help us in downsizing data so that it is chewable by our machinelearning algorithms.
Chapter 12, Big(ger) Data, explains how data sizes keep getting bigger, and howthis often becomes a problem for the analysis. In this chapter, we explore someapproaches to deal with larger data by taking advantage of multiple core orcomputing clusters. We also have an introduction to using cloud computing(using Amazon's Web Services as our cloud provider).
Appendix, Where to Learn More about Machine Learning, covers a list of wonderfulresources available for machine learning.

昨天阅读3小时，累计阅读2004小时!