MIT的Ted Adelson教授发现的这个错觉很有说服力：&br&&br&注意观察图中A B两点，它们的灰度值一样吗？&br&当然我这么问你一定能猜到，灰度值是一样的——但是你几乎不敢相信自己的眼睛。这个视觉过程就是一例bug&br&&br&&img src=&/b52e86ae90468efc23649f_b.jpg& class=&content_image&&
MIT的Ted Adelson教授发现的这个错觉很有说服力：注意观察图中A B两点，它们的灰度值一样吗？当然我这么问你一定能猜到，灰度值是一样的——但是你几乎不敢相信自己的眼睛。这个视觉过程就是一例bug
亚马逊，搜索 人工智能 ，把评分高的买几本，然后不懂的地方google，google出来的结果还不懂，继续搜索。。。。。一直把这个学科和你自己的知识之间的空缺补起来。重点在兴趣，千万千万不用尝试 从头读到尾，兴趣第一，不懂就google。
亚马逊，搜索 人工智能 ，把评分高的买几本，然后不懂的地方google，google出来的结果还不懂，继续搜索。。。。。一直把这个学科和你自己的知识之间的空缺补起来。重点在兴趣，千万千万不用尝试 从头读到尾，兴趣第一，不懂就google。
1. 生活费算的略贵，我算下来大概是$14000（全部费用，包括衣食住行，每年买机票回家，以及笔记本等全部学习用品）。&br&2. 养车的价格离谱了。一般保险和汽油一年各$1000，修车波动很大，粗算$300每年，总计$2300。&br&3. 受害者是研究生，一般都有TA或RA等奖学金。奖学金分全奖和半奖。非常粗糙地说，半奖免学费，全奖除了免学费之外还给每个月两千美元的生活费。我认识的几个半奖同学有的在学校找，有的在外面找，但都有在外面打工，挣自己的生活费，几乎没有人出国以后再向家里要钱。&br&&br&&br&&br&&br&sb媒体已经不是第一次让我愤怒了。6万美元的宝马一说据说是源自Fox News，但受害人那个BMW 3系是2003年的，开了8万英里（12万公里），市场价1万美元没有任何疑问，更何况洛杉矶公共交通几乎等于没有，花四个月工资买辆汽车就像在二线城市买辆摩托车上下班一样跟炫富差了十万八千里。）。6万美元在美国可以买什么样的车：&br&&br&Porsche Boxster 2012: 市场推荐价格 4万8&img src=&/c9caadd8f39b7fddac9eb10_b.jpg& data-rawwidth=&750& data-rawheight=&469& class=&origin_image zh-lightbox-thumb& width=&750& data-original=&/c9caadd8f39b7fddac9eb10_r.jpg&&&br&Lotus Elise 2012: 市场推荐价格 5万1&img src=&/c2774bad7e6e41ac34f20a33ba6d8af9_b.jpg& class=&content_image&&
1. 生活费算的略贵，我算下来大概是$14000（全部费用，包括衣食住行，每年买机票回家，以及笔记本等全部学习用品）。2. 养车的价格离谱了。一般保险和汽油一年各$1000，修车波动很大，粗算$300每年，总计$2300。3. 受害者是研究生，一般都有TA或RA等奖学金…
《数学五千年》&br&&a href=&/subject/4304734/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/subject&/span&&span class=&invisible&&/4304734/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&
《数学五千年》
当时日本的口号是&b&一亿国民总玉碎&/b&。硫磺岛一战，就阵亡了5000多美军和两万日军。如果打到本土，不付出巨大的牺牲让日本政府投降几乎是不可能的。&br&&br&估计会晚几年。
当时日本的口号是一亿国民总玉碎。硫磺岛一战，就阵亡了5000多美军和两万日军。如果打到本土，不付出巨大的牺牲让日本政府投降几乎是不可能的。估计会晚几年。
机器学习领域的好会（排名基本不分先后，想到哪说到哪）：&br&ICML&br&NIPS&br&UAI&br&KDD &br&AAAI&br&IJCAI&br&COLT&br&AISTATS&br&ECML&br&&br&IEEE和ACM是两个独立组织。SIG是ACM旗下的“兴趣小组” (Special Interests Group)，所以很多由ACM某个兴趣小组（比如KDD）主板的会，就会冠以SIG-KDD的名号。&br&&br&&br&&br&IR和ML是两个领域，ML是理论科学IR是应用科学。但是就会议文章来看的话其实二者的分界线很模糊。就好像如果有人研究了一种新的学习算法可以用来挖掘互联网上的图像数据，那这个文章就可以同时投ICML/NIPS/SIGKDD/SIGIR/ACMMM/WWW/ICCV/CVPR。当然，针对不同的会议，你文章的写法还是要略有不同的。说到底主要是看你文章的reference主要引用了哪个圈子的工作。
机器学习领域的好会（排名基本不分先后，想到哪说到哪）：ICMLNIPSUAIKDD AAAIIJCAICOLTAISTATSECMLIEEE和ACM是两个独立组织。SIG是ACM旗下的“兴趣小组” (Special Interests Group)，所以很多由ACM某个兴趣小组（比如KDD）主板的会，就会冠以SIG-KDD的名…
NLP 也跟机器学习有很大的关系 会议有 ACL, COLING, EMNLP.
可以去microsoft academic上搜一下：
&a href=&http://academic./RankList?entitytype=3&topDomainID=2&subDomainID=6&last=0&start=1&end=100& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&academic.&/span&&span class=&invisible&&/RankList?entitytype=3&topDomainID=2&subDomainID=6&last=0&start=1&end=100&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&
NLP 也跟机器学习有很大的关系 会议有 ACL, COLING, EMNLP. 可以去microsoft academic上搜一下：
这个问题太大了，分成两段讨论吧。事先声明，由于问题太大太大，我写的这份总结既不保证完整，也不保证客观。&br&&b&1. ===功能===&/b&&br&人工智能现在已经能实现很多功能了，比如&br&&b&语音识别&/b&——李开复博士当年做的工作奠定了很多当今识别系统的基础。这里忍不住说一下，Siri本身的技术并没有特别大的亮点，真正nb的是它的模式（语音识别直接与搜索引擎结合在一起，产品体验做得好。而且关键是这样的模式能采集到更多数据，使得系统的精度越来越高）&br&&b&自然语言理解&/b&——目前看到的最强的结果应该是IBM Watson。但其实我们现在用的搜索引擎、中文输入法、机器翻译（虽然其实还不怎么work）都和自然语言理解相关。这块儿不是我的专业，请 @段维斯 同学补充。&br&&b&数据挖掘&/b&——随着近年数据量的疯狂增长，数据挖掘也有了长足进步。最具有代表性的是前几年著名的Netflix challenge（Netflix公司公开了自己的用户评分数据，让研究者根据这些数据对用户没看过的电影预测评分，谁先比现有系统好10%，谁就能赢100万美元）最后这一比赛成绩较好的队伍，并非是单一的某个特别nb的算法能给出精确的结果，而是把大量刻画了不同方面的模型混合在一起，进行最终的预测。&br&&b&计算机视觉&/b&——目前越来越多的领域跟视觉有关。大家可能一开始想到的都是自动驾驶。虽然大家都在说googleX的无人车， 但实际上现在无论是商业上，还是技术整合上最成功的算法是Mobile Eye的辅助驾驶系统。这个公司也是目前computer vision领域最挣钱的公司。&br&从实现新功能方面说，视觉的发展的趋势主要有两方面，A) 集成更多的模块，从问题的各种不同方面，解决同一个问题（比如Mobile Eye，就同时使用了数十种方法，放到一起最终作出决策）
B) 使用新的信息，解决一个原来很难的问题。这方面最好的例子是M$的Kinect，这个产品最让人拍案叫绝的就是那个红外pattern投影仪。&br&&br&&br&&b&2. ===理论基础===&/b&&br&这里说的是数学理论，是为实现功能解决问题而存在的。与人类的智能的联系在下一节说。从这个角度，我们已经有了很多强有力的数学工具，从高斯时代的最小二乘法，到现在比较火的凸优化，其实我们解决绝大多数智能问题的套路，都可以从某种意义上转换成一个优化问题。&br&&br&真正限制我们解这个优化问题的困难有以下三个：&br&&b&计算复杂度&/b&——能保证完美解的算法大都是NP-hard的。如何能让一个系统在当前的硬件下“跑起来”，就需要在很多细节取巧，这是很多learning paper的核心冲突。&br&&b&模型假设&/b&——所有模型都要基于一些假设，比如说，无人车会假设周围的汽车加速度有一个上限（至少不会瞬间移动吧，否则怎么闪避）绝大多数假设都不能保证&b&绝对&/b&正确，我们只是制定那些在大多数时候合理的假设，然后基于这些假设建模（比如，在语音识别里，我们是否要假设存在背景噪声呢？如果有背景噪声，这个噪声应该符合什么特点呢？这时候无论你怎么定标准，总能找出“反例”）&br&&b&数据基础&/b&——任何学习过程都需要数据的支持，无论是人类学说话学写字，还是计算机学习汽车驾驶。但是就数据采集本身来说，成功的案例并不多。大概这个世界上最强的数据采集就是google了吧。每次你搜索一个关键词，然后点进去，google就自动记录了你的行为，然后以此数据来训练自己的算法。
这个问题太大了，分成两段讨论吧。事先声明，由于问题太大太大，我写的这份总结既不保证完整，也不保证客观。1. ===功能===人工智能现在已经能实现很多功能了，比如语音识别——李开复博士当年做的工作奠定了很多当今识别系统的基础。这里忍不住说一下，Sir…
蟹妖！经常每天睡4个小时的路过。&br&&br&我觉得这真是因人而异的。&br&如果按每年平均的话我这5年平均算的话不到每天6小时。周围比我睡得少的人也大有人在。&br&另外哥都马上30了，不年轻了。。。&br&&br&注意营养。注意事情告一段落之后补觉。注意平时锻炼心肺功能。
蟹妖！经常每天睡4个小时的路过。我觉得这真是因人而异的。如果按每年平均的话我这5年平均算的话不到每天6小时。周围比我睡得少的人也大有人在。另外哥都马上30了，不年轻了。。。注意营养。注意事情告一段落之后补觉。注意平时锻炼心肺功能。
兽妖。这个领域不是很熟悉，但是的确存在这种症状，而且在特定人群（比如学生）中，这个病还是挺常见的（5%左右）。&br&&br&学名叫做ADHD Attention deficit hyperactivity disorder&br&&a href=&http://www.ncbi.nlm.nih.gov/pubmedhealth/PMH0002518/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&ncbi.nlm.nih.gov/pubmed&/span&&span class=&invisible&&health/PMH0002518/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&&br&&br&&br&和菜头说的，我觉得可疑的地方是&br&“大脑皮质的生理结构”&br&关于这个病，目前我不知道（这个领域实在不够熟悉）有什么生理结构的病理分析。从一般神经生物学的常理来看，更有可能和神经递质的发放有关，突触的结构性（亦即皮质的生理结构）变化也许看不出很有说服力的证据。&br&&br&&br&写到这里我发现我的ADHD又犯了。。。关掉浏览器下去敲代码了。。。
兽妖。这个领域不是很熟悉，但是的确存在这种症状，而且在特定人群（比如学生）中，这个病还是挺常见的（5%左右）。学名叫做ADHD Attention deficit hyperactivity disorder和菜头说的，我觉得可疑的地方是“大脑皮质的生理结构”关于…
人的反应分三种：&br&&br&一种是根本不经过大脑，而是在更低位（小脑、脑干、脊髓）所处理的反射：比如膝跳反射，完成反射动作的神经节点是在脊髓。这个速度可以非常快，比如膝跳反射在大概&b&50毫秒&/b&的时候就能观测到肌肉运动。&br&&br&第二种是在大脑，经由意识处理之后的动作：比如一个刚在驾校学开车的人，手忙脚乱地盘算自己的每一部动作。因为不同种的动作差异巨大，这块儿其实没有一个好的计时标准。先说结论，通常，这类反应至少需要&b&200毫秒&/b&左右。至于这200毫秒怎么来的，下面展开讨论。&br&&br&第三种是经过了大脑皮层处理，但是并未进入意识。科学上，我们管未经意识的大脑处理系统称之为“&b&僵尸系统&/b&”，是的，就是zombie那个僵尸。Evan Longoria这段视频，如果不是作假（因为有不少人质疑过）那么肯定是僵尸反应。这类反应的速度在&b&100毫秒&/b&左右。类似的反应还有&a class=&member_mention& data-editable=&true& data-title=&@阿pp& data-hash=&305eb4f1dc0d& href=&/people/305eb4f1dc0d& data-tip=&p$b$305eb4f1dc0d&&@阿pp&/a& 提到的赛跑&br&&br&&br&&br&&br&这里稍微展开说说上文中的两点&br&&b&1. 反应时间的测量有什么标准？&/b&&br&膝跳反射的50毫秒好说，直接用物理手段测肌肉运动就可以，正常成年人的差异不大。可是经由大脑的这100毫秒和200毫秒反应时间是如何测量的？&br&如我刚才所说，不同种类的任务差异巨大，很多时候没有可比性（不同模态比如视觉、听觉还是触觉；或者不同复杂度，就视觉而言，是看见一个亮点还是识别一张人脸；或者不同反馈机制，是通过按键还是用声音抢答还是实行起跑动作）。&br&目前我认为最客观的标准，是直接看脑电波（参见下图）：&img src=&/bcbcc07a329e860ece161_b.jpg& data-rawwidth=&2048& data-rawheight=&1536& class=&origin_image zh-lightbox-thumb& width=&2048& data-original=&/bcbcc07a329e860ece161_r.jpg&&&br&&br&&br&当感知到外界刺激（或曰“事件”）的时候，大脑的脑电波会呈现出很明显的波动。科学上称作“事件相关电位” (Event Related Potential, ERP)。通常根据调整刺激的条件以及受试者的状态，研究人员可以可靠地，重复地触发各种ERP。这里我们主要关注两种ERP：N100和P200。&br&N100翻译过来是说，在事件发生100毫秒之后，会产生一个头皮电压下降（Negative）的电位信号；类似地，P200则是事件发生200毫秒之后，产生的上升（Positive）的电位信号。&br&&br&虽然其机理目前还不完全清楚，但是粗略地说，N100与&b&无意识&/b&的反应关系比较密切（例如听音乐听到杂音）。而P200则是和&b&在意识参与下&/b&的具体任务更相关（譬如在桌子上找钥匙）。&br&&br&这里有一个很有趣的结论，如果有意识参与，人的反应速度会变慢，大约&b&100毫秒&/b&。&br&&br&&br&&b&2. 什么是僵尸系统？&/b&&br&=====12月15号凌晨小幅更新=====&br&感谢&a data-hash=&795cb8a23a39bddfed3edc& href=&/people/795cb8a23a39bddfed3edc& class=&member_mention& data-editable=&true& data-title=&@完颜白菜& data-tip=&p$b$795cb8a23a39bddfed3edc&&@完颜白菜&/a&的提醒，知乎上竟然还有其他人也跟过Chalmers的工作，太惊讶了。。。&br&&br&哲学上有个流派叫做物理主义(physicalism)，认为“意识”不过是“肉体”的一系列物理现象而已。哲学家David Chalmers对此提出了异议，为了反驳物理主义，他构造出了“僵尸” (philosophical zombie) 这个概念——一种假想生物。它们从行为上和人一样，踩到地上的大头针之后会打个激灵，然后喊痛，但是它们不具备“意识”，也不会真的感到疼痛。（譬如我们完全可以设计一个足够逼真的程序，监测传感器表面的压强，压强大到一定程度就 printf(&好痛!&)，但是我们不能说这个程序+传感器具有了意识）。&br&这种系统如果真的存在，那么从物理系统的角度，它就完全无法和一个完整的有意识的人区分开来。所以物理系统是不对的。&br&&br&Chalmers的“僵尸”概念是如此有趣，以至于后来广泛地在意识的研究中，被引申为一类不经由意识，但是却是由皮层控制的高度复杂的神经活动。&br&譬如Nature的这篇文章大概算是个里程碑吧：&br&&h2&&a href=&/nature/journal/v411/n6840/full/.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Zombie Within&i class=&icon-external&&&/i&&/a&&br&&/h2&&p&Christof Koch & Francis Crick&/p&&br&&p&至少目前在科学界（相比哲学界），提到zombie system，更多的不是Chalmers用来证伪physicalism的思想实验，而是指不经由意识的神经活动，比如职业足球运动员的盘带；绝大部分中国人吃饭时使用筷子；熟练的司机在换挡时无意识地控制离合器；音乐家演奏乐器时双手双脚或者与嘴的配合等等；以及更典型的——梦游（注意上述很多活动小脑也有参与神经信号处理，但是对一系列动作序列进行编码的还是大脑）。&/p&&p&=====更新毕=====&br&&/p&&br&&br&&br&不同意&a class=&member_mention& data-editable=&true& data-title=&@吴长顺& data-hash=&34a613fb0bb34f32f762b19f69d34a47& href=&/people/34a613fb0bb34f32f762b19f69d34a47& data-tip=&p$b$34a613fb0bb34f32f762b19f69d34a47&&@吴长顺&/a&后半部分的回答，这种“目前也不了解的反应，科学上一直解释不了的感应”是在指预知力？&br&实际上这种“预知力”只不过是我们的一种错觉。比如可能每天我会有100次“突然感觉有人看我”这样的感觉，其中99次抬了头却发现啥也没有——可是抬个头这事儿太微不足道了，所以也不会给我留下什么深刻印象。但是碰巧了有那么一次，恰好我一抬头就看到有人在看我。于是这仅仅一次“撞上”的结果，就给我留下了无比深刻的印象，让我以为自己具有了某种超能力。&br&这种自我暗示的机制，同样可以用来解释为什么有的人会觉得佛祖观音像、十字架、甚至大湿王林都具有某种灵验的超自然功效。
人的反应分三种：一种是根本不经过大脑，而是在更低位（小脑、脑干、脊髓）所处理的反射：比如膝跳反射，完成反射动作的神经节点是在脊髓。这个速度可以非常快，比如膝跳反射在大概50毫秒的时候就能观测到肌肉运动。第二种是在大脑，经由意识处理之后的动作…
据小道消息说，Andrew Ng用的训练数据（图片）量，超过了一个人类以每秒看一张的速度看一辈子的图片数总和。就他们上次公布出来的那张猫脸，可以讲是不work的。&br&&br&但是基于deep learning的研究被用在很多地方，没必要一一枚举。但是我认为并不能将它们归功到Google Brain的直接成果。另外一方面Google对deep net的研究一直也没停，所以“成果”，“应用”之类的问题其实很难界定。
据小道消息说，Andrew Ng用的训练数据（图片）量，超过了一个人类以每秒看一张的速度看一辈子的图片数总和。就他们上次公布出来的那张猫脸，可以讲是不work的。但是基于deep learning的研究被用在很多地方，没必要一一枚举。但是我认为并不能将它们归功到Go…
&b&=====关于alpha波=====&/b&&br&1. 每个神经元都会有产生电脉冲。&br&2. 大量神经元，同时有节奏地产生脉冲——就像体育馆里大家一起喊口号那样，外部仪器观测到电场。&br&3. 人们根据外部观测，按照频率对电场分类。其中频率在8-12Hz的，称之为alpha波&br&&br&&b&=====关于健脑=====&/b&&br&&b&说alpha波健脑或者增强记忆的，都是胡说八道。&/b&&br&其中讨论人为增强alpha波的手段的，八成都是打算卖假药给你的。&br&&br&&b&=====关于记忆力=====&/b&&br&目前最前沿的科学研究，是这样的：&br&当海马体上单个神经元脉冲与脑中theta波（4-6 Hz）的相位保持同步的时候（称之为相位锁定，phase locking）这时候一个人记住某个东西的几率要比神经元脉冲没锁定的时候高得多。&br&&br&是的——这个是正经研究（发在Nature上的）&br&是的——是在人类大脑里研究单个神经元的&br&&br&但是首先说的是theta-wave而不是alpha wave；其次对单个神经元来说，决定因素是相位锁定，而不是theta wave本身的强弱；最后，为了提高记忆力去提升自己的alpha wave就像通过打伞来提高降水概率一样，把因果弄反了。
=====关于alpha波=====1. 每个神经元都会有产生电脉冲。2. 大量神经元，同时有节奏地产生脉冲——就像体育馆里大家一起喊口号那样，外部仪器观测到电场。3. 人们根据外部观测，按照频率对电场分类。其中频率在8-12Hz的，称之为alpha波=====关于健脑=====说a…
带他看The PhD Movie，这是一部小成本小制作的电影，讲述PhD的悲伤往事，刚发现居然有中文名了，叫《博学无术》&br&&a href=&/subject/6855109/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&博学无术 (豆瓣)&i class=&icon-external&&&/i&&/a&&br&&br&这个电影本来其实是漫画，叫做The PhD Comics:&br&&a href=&/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Piled Higher and Deeper&i class=&icon-external&&&/i&&/a&&br&&br&==12月11日更新===&br&读博士么，大家都悄悄躲在被窝里哭的说。&br&但是上课真心不是事儿，上课不懂了可以找TA或者professor office hour求助，再不行可以随便搞搞将就拿个比较低的分，再再不行可以改pass/fail制，再再再不行可以退课，再再再再不行就算挂了也不是天塌下来的事情。尤其是相比我在后面评论中提到的：&br&&ul&&li&项目搞不定被老板骂了&/li&&li&好不容易开个会站了一天poster根本没人理&/li&&li&去年投出去的工作又被据稿了&/li&&li&funding断了再找不到新老板就要退学了&/li&&li&qual/candidacy exam被committee找茬给关了&br&&/li&&li&硬盘坏了攒了两年的数据全泡汤了&/li&&li&写不出thesis，今年毕业又要延期了&br&&/li&&/ul&&br&&br&最后给个正能量，我认识一个Caltech门门课都拿A+，考砸了才拿A的家伙（敝校的学分相对其他学校放水少很多，基本上一门课只有一个A+），但是这位学霸的学术研究做的一塌糊涂，甚至还不如我。所以我觉得楼主大可不必为了上课分数去纠结什么。
带他看The PhD Movie，这是一部小成本小制作的电影，讲述PhD的悲伤往事，刚发现居然有中文名了，叫《博学无术》这个电影本来其实是漫画，叫做The PhD Comics:==12月11日更新===读博士么，大家都悄悄躲在被窝里哭的说…
建议阅读一些科普读物打消疑虑，推荐《惊人的假说》和《意识探秘》。&br&&br&另外你现在的担心就像司机担心车子擦得太干净导致失去了高尔夫球效应从而没法更快速地从北京开到广州一样。&br&&br&认真花两个小时背下来的单词总比一个小时多，不管你多聪明多笨，也不管你有没有什么祖传秘方。
建议阅读一些科普读物打消疑虑，推荐《惊人的假说》和《意识探秘》。另外你现在的担心就像司机担心车子擦得太干净导致失去了高尔夫球效应从而没法更快速地从北京开到广州一样。认真花两个小时背下来的单词总比一个小时多，不管你多聪明多笨，也不管你有没有…
怒更新。。。&br&发现有好多人对智商存在误解&br&&b&什么是智商？&/b&&b&智商，说白了，就是一个特定考试的考试成绩！&/b&&br&&br&比较著名的考试，如评论中 &a data-hash=&fbaa17b353f& href=&/people/fbaa17b353f& class=&member_mention& data-editable=&true& data-title=&@Klaith& data-tip=&p$b$fbaa17b353f&&@Klaith&/a& 同学提到的，韦氏量表。当然还有很多很多更加小众的考试。&br&&br&&br&逻辑不好的同学请多费点脑子仔细读几遍，不要没动脑子就觉得我这么说跑题了。题目我读了好几遍了，答案也微调过好几遍了，确定没跑题，你再多想想。&br&&br&0. 要测智商，只能通过智商测试。&br&&br&1. 所有智商测试都是测试——而且几乎都是笔试。&br&&br&2. 几乎所有的考试都可以通过练习同类套路，提高成绩&br&&br&3. 在一个智商测试，提高了分数，是否能同时提高另外一个以前没训练过的智商测试的分数？如果两个智商测试具有很强相关性，那当然能。而实际上我们现在的所有智商测试的题目套路，很多都非常雷同，且对“智力”的反应程度，都是极其片面的。所以我们有理由期待一个经过某个智商测试训练的人在另一个智商测试中展现出非凡的分值。&br&&br&&br&=====旧答案=====&br& 每个智商测试的局限性很大，所有的智商测验都默认受试者此前没有受过类似的测试。换言之，如果我每天像高三准备高考那样做一次智商测试，智商测验的数值绝对会更高。&br&&br&其次，对于非直接的智商测试，也已经有严格的心理学实验(Abecedarian Project) 研究过此事。这个实验招募了许多婴儿，然后对它们进行每天数小时的寓教于乐活动——对照组的婴儿则没有这些活动。在数年以后，研究者发现参与了寓教于乐的孩子们要比没参加活动的孩子IQ平均高出4个百分点。而且最重要的，这种差异具有统计显著性。
怒更新。。。发现有好多人对智商存在误解什么是智商？智商，说白了，就是一个特定考试的考试成绩！比较著名的考试，如评论中
同学提到的，韦氏量表。当然还有很多很多更加小众的考试。逻辑不好的同学请多费点脑子仔细读几遍，不要没动脑子就觉得我…
数学菜鸟斗胆答一次。&br&Polya在数学教育书系列How to Solve it中有一个《怎样解题表》，很好的阐述了数学问题的一般解题思路。摘录下来和大家共勉下。原文摘录如下：&br&1.Understanding The Problem&br&
First,You have to understand the problem.&ul&&li&What is the unknown? What are the data? What is the condition?&br&&/li&&li&Is it possible to satisfy the condition? Is the condition sufficient to determine the unknown? Or is it insufficient? Or redundant? Or contradictory?&br&&/li&&li&Draw a figure. Introduce suitable notation.&br&&/li&&li&Separate the various parts of the condition. Can you write them down?&/li&&/ul&2.Devising A Plan&br&
Second. Find the connection between the data and the unknown. You may be obliged to consider
auxiliary problems if an immediate connection cannot be found. You should obtain eventually a plan of the solution.&ul&&li&Have you seen it before? Or have you seen the same problem in a slightly different form?&br&&/li&&li&Do you know a related problem? Do you know a theorem that could be useful?&br&&/li&&li&Look at the unknown! And try to think of a familiar problem having the same or a similar unknown.&br&&/li&&li&Here is a problem related to yours and solved before. Could you use it? Could you use its result? Could you use its method? Should you introduce some auxiliary element in order to make its use possible?&br&&/li&&li&Could you restate the problem? Could you restate it still differently? Go back to definitions.&br&&/li&&li&If you cannot solve the proposed problem try to solve first some related problem. Could you imagine a more accessible related problem? A more general problem? A more special problem? An analogous problem?&br&&/li&&li&Could you solve a part of the problem? Keep only a part of the condition, how far is the unknown then determined, how can it vary? Could you derive something useful from the data? Could you think of other data appropriate to determine the unknown? Could you change the unknown or data, or both if necessary, so that the new unknown and the new data are nearer to each other?&br&&/li&&li&Did you use all the data? Did you use the whole condition? Have you taken into account all essential notions involved in the problem?&/li&&/ul&3.Carring Out The Plan&br&
Third. Carry out your plan.&br&&ul&&li& Carrying out your plan of the solution, check each step. Can you see clearly that the step is correct? Can you prove that it is correct?&/li&&/ul&4.Looking Back&br&
Fourth. Examine the solution obtained.&br&&ul&&li& Can you check the result? Can you check the argument?&br&&/li&&li& Can you derive the solution differently? Can you see it at a glance?&br&&/li&&li& Can you use the result, or the method, for some other problem?&br&&/li&&/ul&中文的翻译如下：&br&1.弄清问题&br&
首先你必须弄清问题&ul&&li& 未知数是什么？已知数是什么？条件是什么？&br&&/li&&li& 满足条件是否可能？要确定未知数，条件是否充分？或者多余？还是矛盾？&br&&/li&&li& 画一张图，使用恰当的符号。&br&&/li&&li& 理清不同的条件，试着把它们都写下来。&br&&/li&&/ul&2.拟订计划&br&
找出已知数与未知数之间的联系。如果没有直接的联系，就必须先考虑辅助性的问题。最终你应该得到一个求解计划。&br&&ul&&li&你以前见过它吗？你是否见过相同的或形式稍有不同的问题？&br&&/li&&li&你是否知道与此有关的问题？或者一个可以用得上的定理？&br&&/li&&li&看着未知数，试着想出一个有相同或相似未知数的熟悉问题。&br&&/li&&li&如果有一个与现在的问题有关并且早已解决的问题，你能否利用它？能否利用它的结果或方法？为了利用它是否应该先引入某些辅助元素？&br&&/li&&li&你能否重新叙述这个问题，尽可能地从不同的角度？很多时候你必须回到定义中去。&br&&/li&&li& 如果你不能解决所提出的问题，可以尝试先解决一个与此有关的。你能否提出一个更容易着手的相关问题——像是一个更普遍的或者更特殊的，或者一个类比的问题？&br&&/li&&li&你能否解决这个问题的一部分？仅仅保留条件的一部分而舍弃其余，这样对于未知数能确定到什么程度？它还能怎样变化？你能否从已知数据推导出某些有用的信息？你是否考虑过用其它数据来确定未知数？如果需要的话，你能否转化未知数或数据（或者二者同时），以使得新未知数和新数据联系更紧密？&br&&/li&&li&你是否利用了所有的已知数据？你是否利用了全部的条件？你是否考虑了问题中包含的所有基本概念？&br&&/li&&/ul&3. 实行计划&br&
实行你的计划。&ul&&li& 实现你的解题计划，检查每个步骤。你能否清楚地看出这一步骤的正确性？你能否证明？&/li&&/ul&4. 回顾&br&
验算所得到的解。&ul&&li&你能否验算这个解？能否解决争议？&br&&/li&&li&你能否用别的方法得到这个解答？或者你其实能够一眼就看出它来？&br&&/li&&li&你能否把本题的结果或方法应用于其它的问题？&/li&&/ul&参考文献：&br&[1] [Pol57] G. Polya. How to Solve It, Second Edition. Princeton University Press, 1957&br&[2] 胡伯涛 《最小割在信息学竞赛中的应用》2007年国家集训队论文。
数学菜鸟斗胆答一次。Polya在数学教育书系列How to Solve it中有一个《怎样解题表》，很好的阐述了数学问题的一般解题思路。摘录下来和大家共勉下。原文摘录如下：1.Understanding The Problem First,You have to understand the problem.What is the unkno…
声明：本人的每个实名答案都有影响舆论的目的。请主动验证我所提供的资料，不要盲信。&br&&br&首先：&b&大多数人所理解的智商其实是 伪科学&/b&。&br&&br&&b&智商在严肃科学中，&a href=&/question//answer/& class=&internal&&仅代表某项测试的分数&/a&&/b&（该链接作者从事认知科学研究）。这个测试叫做「智商测试」，由于人类对智力所知甚少，其分数&b&和智力基本没有关系&/b&。智商测试的早期设计者就警告，智力是一个多维的概念，不可能用一个或几个数字衡量，不应该用智商来判断一个人的智力高低。（&a href=&/focus/story/0,,.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/focus/story/0,,.html&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&br&&br&今天，&b&智商竟然成了学生间歧视的工具&/b&。这种答案竟然还上了「发现」栏目。&br&在大多数公众眼中，智商指天赋，是「&b&无法用努力弥补的，对成功有重要影响的那些因素&/b&」。这个问答下的大多数人都持这样的定义，并且竟然都忽略其中的循环论证（故意的还是「智商」低？）。你们说的都是：「&b&你努力了也没学好，都是因为你缺少那些无法用努力弥补的，又对学习效率很重要的因素&/b&。」你耍我呢！&br&&br&我承认天赋的存在（指人与人之间天生的差异），但是&b&用天赋来解释成功是耍流氓&/b&。如果你甚至对自己耍流氓，那就不用讨论了：&b&你只想对自己不成功找个理由而已，星座也可以满足你，你根本没有想成功&/b&。&br&&br&现在答题：&b&智商（测试分数）和理科学习 没有关系&/b&。真的。&br&应读者要求补充，以数学为例：&br&&blockquote&&The growth in math achievement was predicted by motivation and learning strategies,& Murayama told LiveScience. &Given that IQ did not show this kind of effect, we think this is impressive.&&/blockquote&&a href=&/article/like-math-thank-your-moti/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Like Math? Thank Your Motivation, Not IQ&i class=&icon-external&&&/i&&/a&&br&这篇《科学美国人》的报道中，「智商」高的孩子在初期确实有很好的数学成绩，但是进步最快的是有兴趣和方法的孩子。&br&&blockquote&Kids who started out with average math abilities but were in the top 10 percent in terms of &b&learning strategies and motivation&/b& jumped up by about 13 percentage points over the course of the study in their math abilities&/blockquote&事实上这非常明显，因为智商测试根本不涉及数学能力。举一个极端例子，许多人将智商测试中的「找规律」题等同于数学，而这些题的思路是与数学思维背道而驰的。这样的「小聪明」可能让你在中学里有不错的成绩，进而为自己的「智商」沾沾自喜，但到头来会让你走进数学的误区，甚至失去对「智商」本身的思辨能力。当然，到时候很多人就把原因归于「智商」。&br&数学表现很大程度上取决于对数学的态度。这件事很多情况下要怪数学老师和家长，或你自己的学习方法，而不是你的「智商」。&br&&br&要切实提高理科学习的效率，就请务实一些，具体地分析一下原因。&b&原因可以是记忆力、专注力、兴趣，也可以是家长、同学、老师，甚至可以是家庭住址、看书坐姿&/b&。是的，这些都被人笼统地归于「天赋」「智商」。但这样的具体原因是可以改变或规避的，让你可以有方向地努力，也可以在竞争中避免自己的弱点，而不是在所谓「天才」面前直接投降。&br&许多人所谓的「努力」就是指坐着看很长时间书。&b&有没有想过这本书是否适合你？你看书的环境是否适合你？甚至，看书这种学习方式是否适合你？&/b&这些因素最后都被人归于「智商」……&br&&br&&b&单纯的「智商论」和「努力论」都是「鸡汤」。&br&&/b&&br&我特别提几点对理科学习比较重要的能力：&b&抽象思考的能力，举一反三的能力，空间想象的能力，心理调节的能力（面对难题），模式识别的能力&/b&……等。这些能力全部可以通过大量训练来提高。这就是习题的作用，没有人天生就会抽象思维。但首先你需要知道自己到底哪里缺乏，而不是单单「努力」二字。&br&&br&为什么别人数学题解得快？请参考：&a href=&/question/& class=&internal&&数学高手在解答题目时，是形成了一种难以用语言表达的感觉，还是仅仅搜寻套用以前解答过的题目思路？&/a&&br&&br&====转匿名的分割线====&br&&br&本答案已经达到了影响舆论的目的，现在转匿名。如果能让读者认真思辨「智商」，务实地剖析和规划自己，就更好了。我知道还会有人源源不断地来和我说他身边的天才如何如何。对此我只补充一句：&b&你真的没见过什么天才&/b&。
声明：本人的每个实名答案都有影响舆论的目的。请主动验证我所提供的资料，不要盲信。首先：大多数人所理解的智商其实是 伪科学。智商在严肃科学中，（该链接作者从事认知科学研究）。这个测试叫做「智商测试」，由于人类对智力所知甚…
个人认为《城市就是健身房》和《无器械健身》适合所有人。动作这个东西，应该是不分适合男还是适合女的。比如走路，比如跑步，比如下蹲，比如拉伸，比如放松，都是锻炼时需要用到的，男的这么练，女的也这么练。&br&&br&觉得有些动作难度大，捡3星以下的动作来做就是了。&br&&br&在略微专业一点的体育运动当中，整体而言，男女运动员都采用同样的训练方法，遵循同样的技术动作要求。但男女确实存在一些生理上的差异，大多数女性的爆发力就是不如男的。但大多数女性的柔韧和平衡又真的比男的好。在涉及这几个方面的时候，训练方法会有细微的调整。&br&&br&但考虑到《城市就是健身房》和《无器械健身》这两本书都非常侧重于普通人锻炼身体，也没有太多涉及到爆发力上的动作，所以，请放心大胆的照着练吧。&br&&br&P.S：《城市就是健身房》比《无器械健身》其实要难很多。我练慢起手倒立，直臂团身撑，迄今尚未成功……
个人认为《城市就是健身房》和《无器械健身》适合所有人。动作这个东西，应该是不分适合男还是适合女的。比如走路，比如跑步，比如下蹲，比如拉伸，比如放松，都是锻炼时需要用到的，男的这么练，女的也这么练。觉得有些动作难度大，捡3星以下的动作来做就…
独一无二。&br&何必评价水平高低，把艺术量化是很糟糕的。&br&《牡丹亭外》若换一个人唱，音准，吐字清楚，字字合拍，我会想吐。&br&《风筝》若是一个小清新来吟唱，我会想哭着打人。&br&独一无二啊，声音里有岁月，深情，浪子，嗲和童心。&br&如肖老师所说，&br&唱得很糟，又唱得最好。&br&-&br&比陈升高一个境界的是赵已然。&br&勉强算李志一个，低一个境界罢了。&br&左小不算，他是编曲和词厉害。&br&左小是难听啊瞎闹，不要混淆了。
独一无二。何必评价水平高低，把艺术量化是很糟糕的。《牡丹亭外》若换一个人唱，音准，吐字清楚，字字合拍，我会想吐。《风筝》若是一个小清新来吟唱，我会想哭着打人。独一无二啊，声音里有岁月，深情，浪子，嗲和童心。如肖老师所说，唱得很糟，又唱得最…
SAS 是比較昂貴的商業軟件，如果不是在立法規定必須使用 SAS 的行業（比如醫藥研發），SAS 不一定是最佳選擇。&br&&br&開源不代表就不好、不能用，尤其在數據挖掘領域，去 &a href=&http://Rseek.org& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&Rseek.org&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a& 看看有多少人寫過相關的 packages 就知道了。有些用 C 寫的 package 確實可能會限制運算性能，但這不絕對。&br&&br&SPSS 易操作，就不多言了。另外像 Weka、Rapidmind 也都是各有千秋的不錯的工具，我接觸不深也不多言了。&br&&br&至於理論，如果你想深入研究某一算法的來龍去脈，只能從最基礎的統計學和部分數值學理論開始。但如果僅限於工作需要，我覺得弄明白一個算法大致能解決什麼樣的問題、是怎樣解決的就足夠了，至於為什麼這樣可以解決、為什麼這樣的解決辦法會優於別的算法，就留給寫 paper 的人吧。&br&&br&最後給你個小 tip：去 &a href=&http://Rseek.org& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&Rseek.org&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a& 看看，那裡有些不錯的集合多種常見算法的 package，比如這個 &a href=&http://cran.r-project.org/web/packages/mlr/mlr.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&cran.r-project.org/web/&/span&&span class=&invisible&&packages/mlr/mlr.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a& 。然後去 wikipedia 大致了解下每個算法，做些筆記。每週專注了解一種算法，有興趣的話用你手上能利用的數據做做看，體會會不一樣。寫到這裡我才發現原來我還是最推崇用 R 學數據挖掘，哈哈。那就再附贈一個好的編輯器吧，支持多平台：&a href=&/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&RStudio - Home&i class=&icon-external&&&/i&&/a&。
SAS 是比較昂貴的商業軟件，如果不是在立法規定必須使用 SAS 的行業（比如醫藥研發），SAS 不一定是最佳選擇。開源不代表就不好、不能用，尤其在數據挖掘領域，去
看看有多少人寫過相關的 packages 就知道了。有些用 C 寫的 package …
2368 人关注
17283 人关注
844 个回答
1144 人关注
25974 人关注
383 个回答
7574 人关注
546 个回答