教你如何真正看懂《让子弹飞》，深度分析
我的图书馆
教你如何真正看懂《让子弹飞》，深度分析
“由于对姜文过于卑躬屈膝，厚颜无耻的吹捧，该影评已被和谐。”&
　　这句是我在去看电影之前，已经准备好的影评（还是抄来的）。&
　　吾辈俗人，花钱去影院只图消遣。回来吹吹水，网上吐吐槽。严肃客观的评价电影于我如浮云，就是带着这么强烈的偏见去看的电影。国产片导演就那么几位。考虑到他们近年的发挥惊人地稳定，吾辈观影前，早已选择好了态度。&
　　比如赵氏孤儿，陈凯歌肯定给我们带来悲剧。他就活在自己的那点小悲剧情怀里，老想拍一悲剧，还肯定又玩现了，整个一纯悲剧。我们买了电影票，聚精会神地盯着屏幕，唯恐事后骂得不够尖刻戏谑不够振聋发聩。再比如让子弹飞， 姜文肯定给我们带来惊喜。我们买了电影票，就等着让他TMD给我们翻译翻译什么叫TMD的惊喜。看不懂，就说这片真有深度，可惜太小众了。 看懂了，便把他当神来捧，唯恐自己的态度不够卑贱，拜倒得不够迅猛。只恨“愿为姜文门下走狗”这种结构已在王小波徐文长身上用滥了。&
　　人总是渴求被认同。所谓“人生得一知己，死而无憾”，描绘的就是这种渴求被满足时的快感。人性若此，无以抗衡。这群大导演大玩家，亦不能脱俗，只是口味略有偏好。冯小刚张艺谋什么的活明白了，追求票房认同。陈凯歌自负才华，追求带点文艺腔的装B青年的认同。吾辈小装青年，层次低，为与不装B的大众拉开差距，大家紧紧抱成鸡蛋状，追求蛋内认同，人称蛋同。还有些大装青年，最爱唱反调，追求与小装们拉开差距，显得层次高，自会有人贴过来膜拜他们，叫他们大神。&
　　姜文拍电影，也图个被认同。他的四部风格各异的电影，都有强烈的自我表达欲望。每一个片中的“我”，包括夏雨演的，都是他内心的部分投射。其前三部电影表现出来的选本、选角的眼光，节奏、镜头的把握，讲故事谈思想的水平等硬实力，在吾等小青年心中已然封神入圣。但姜文不满足，他追求更广阔的认同。《鬼来》被禁，《太阳》票房不佳，这些不认同的声音在姜文心里絮絮叨叨挥之不去。&
　　两年多后，姜文射出来的，是经过精心构化，寻求破局的子弹。他的野心是得到同行，大众，小青年，大神和官府共同的认同。一言以蔽之：&
　　我姜文，“站着”也能把钱赚了。&
　　 我从没见过国产导演有如此之大的野心，这野心听起来又如此的不可实现。同行是冤家，小青年想脱离大众，大神要高于小青年。最重要的是，官府认同的，小青年和大神就不认同。大众同行还算容易同时取悦。但小青年，大神和官府这三群，在态度上冰炭不容。&
　　 现实正是如此，在官府放行，喉舌大赞之后，电影自身素质迅速赢得了同行和大众的青睐。广大小装青年们在短暂的观望后，看到宁财神同学的一句“姜文王朝来了！”后立即拜倒投诚。罗永浩，今何在等大神迫不及待地跟跳出来，“日，评价这么高，不至于吧。（这电影没啥思想啊）”，“下次拍个更有追求的电影”，“你们到底为什么激动啊”。更极端一些的人开始咒骂，“姜文背叛了我们背叛了理想，腐化了拜金了追求票房了”。“站着，也能挣钱”这种事在他们眼里是没门的。 “你媚俗了大众，让大家都看的懂，你就已经跪下了。”“你媚俗了官府，不玩政治讽刺了，你就已经跪下了！”。&
　　连我这个不合群的小装青年，看完后也充满了疑惑。前两小时被导演带着高速狂飙，爽透了，结尾的节奏变化却让我无所适从。张麻子打倒了黄四郎，最后却一无所得，兄弟女人也离他远去。他骑着白马缓缓离去的场景让我十分落寞。虽然最后的那场“起义”倾向危险…但这就是姜文电影里想说的么？&
　　子弹呼啸而来，透体而过，我却没一点感觉，好像没打中一样。搞的我连影评都不想写了。&
　　姜文说：“让子弹飞一会儿”。&
　　电影的开头，张麻子对着白马开了一枪，这枪瞄准绳结，打中却不打断。白马继续跑，绳索已不能吃力。让“子弹飞了一会”，绳索终于断裂，白马才四散跑开。电影的结尾，姜文对我开了一枪。白马在我脑中奔驰一夜一天，绳索终于断裂， 我才舒服了。&
　　如果你看见了那思绪拖出来的暗线，就会明白宁财神说错了。“姜文的王朝，永远不会到来”&
　　影评这么多，吐槽点最多的就是周润发饰演的黄四郎了。这个地主恶霸，说单词，玩“介错”，还总要拽拽文，钱也多的离谱。这些特质可笑，不必要，也不合理。但揭开暗线的线索，就在于这些“不合理”。 影片的暗线，几乎都巧妙得埋在笑料之下。&
问题1：故事发生在什么时间？ 1920.&
　　葛优演的马县长，在刚进鹅城不久就说：“不好，我们来晚了，前任县长已经把税预征到90年后了，都到2010年了”。原著中故事发生在193X年，是姜文特意改到1920年的。&
问题2：黄四郎只是个地主恶霸么？ 没那么简单&
　　黄四郎交给假麻子（胡军）地雷时，说了很多：“北中国我不知道，但这种限量版地雷，整个南国只有两个”；“第一个在辛亥革命时炸了第一响”；“惊天，动地，还泣鬼神”；&#，made in U.S”
　　辛亥革命发生于1911年，这1910年才生产。 黄四郎不但知道辛亥革命的地雷是什么型号，还拥有唯一一颗双胞胎地雷。请问，黄四郎在辛亥革命中，发挥了什么作用？&
　　黄四郎参与了在武昌起义的核心策划，是辛亥革命的老资格革命党！不信？下面还有佐证&
问题3：张麻子只是个土匪么？ 当然不是&
　　电影里很明白的说了，张牧之，早年追随松坡将军（蔡锷），17岁时即为其麾下手枪队长。是讲武堂出来的（考虑到蔡锷，应为1909年成立的云南陆军讲武堂）。蔡锷在日本死后（1916），张牧之回国，落草。&
　　蔡锷何人？梁启超高徒，民国开国元勋，护国军神。 1911年辛亥武昌起义后20日，蔡锷就在云南发动重九起义响应革命。1915年又发动护国讨袁并取得胜利。张牧之早年即追随他，也算是辛亥革命党对老资格。&
　　张牧之和黄四郎还曾是革命战友？ 影片给出了明显的线索&
问题4：1900的一面之缘？&
　　张牧之与马邦德赴黄四郎的鸿门宴时，黄四郎说。“20年前，我和张麻子曾有一面之缘”。从影片可以看出，黄四郎一开始就知道假县长就是张牧之就是张麻子。这句一面之缘，是他刻意点开的敲山震虎。影片确凿的发生在1920年。 20年前就是1900年。&
　　黄四郎和张牧之在这一年见过面？ 那一年发生了什么？我们继续从张17岁当上蔡锷手枪队长入手。&
　　问题是，张牧之现在多少岁，又是那一年遇上蔡锷的呢？&
　　蔡锷1882年12月出生，1899年在时务学堂的老师唐才常德资助下赴日本留学，1904年毕业于日本陆军士官学校毕业。回国后先后在湖南广西云南等地练兵。&
　　如果张是1904年后见到的蔡锷，那么1900年时张牧之不超过13岁。这样的孩子不应引起黄四郎的注意。且1920年时33岁，似乎又嫩了一些。蔡锷活到此时也不过三十七岁。 1899年之前的蔡锷不过是个16岁不到的学生，虽然已经声名不弱，但也不至于配个手枪队长吧。张蔡相逢，应为年蔡锷留学时发生。17岁的张牧之，又为何会给一个留学生作手枪队长呢？&
　　查了一下，1900年时，唐才常策划在武汉发动“自立军起义”。 蔡锷闻讯即回国响应老师。但唐看他年纪小，就派他去湖南送信。后来唐才常被张之洞拍平，蔡锷身在湖南躲过此劫，又回了日本（其实这时候他才改名叫蔡锷，才去学军事）。我以为，张牧之当上蔡锷手枪队长，正是这一年。估计是唐才常不放心蔡锷一个人走，派了张牧之这个同龄毛头小伙子，给他当的保镖--”手枪队长”（估计是光头小队长）。这样算，1920年影片发生时张牧之37岁，也很符合人物形象。&
　　黄四郎会在1900年认识张牧之，两种可能。1是黄也参与了自立军起义，在武汉或者湖南见过蔡锷与张牧之。 2是蔡锷把这个手枪小战士一起带到了日本，然后在日本和黄有过一面之缘。&
　　我更倾向于后者， 因为黄四郎和张牧之，显然都在日本混过不短地时间。&
问题5：张牧之黄四郎都混过日本？ 应该是，他们都对介错很熟&
　　先来介绍一下介错：&
　　日本人不爱上吊爱切腹，他们觉得切死自己挺光荣的。但切腹挺难操作，一刀捅进去，一时死不了还特别疼。身体倒得七扭八歪，挣扎起来满地的血，死相难看，特别不体面。故很多时候切腹者会让一个信赖的朋友当「介错」。介错人手持长刀站在其身后，在自杀者的短刀切腹的一瞬间砍下他的脑袋。&
　　切腹大家都熟，但介错就相对冷僻。 更别说在没网络和电视的1920年，如果不是对日本文化相当熟悉的人，根本说不出这俩字吧。&
　　黄四郎在鸿门宴上说“要是这三个人供出我来，我就切腹，请兄台当我的介错”。张牧之说“你搞错了，介错人用的是长刀”。两个人应该都在日本待过相当长的时间。尤其是黄四郎，好端端的中国人没事谁能扯到切腹去。张牧之要在日本混，只能是年。因为1904年蔡锷回国后就没怎么去日本（其实我也不熟，蒙的），作为蔡锷的手枪队长，张牧之也不能去日本。等1916年8月，蔡锷病重去日本治病，当时张牧之一定跟着去了日本，但估计这段时间他可没兴趣研究什么切腹。何况11月初蔡锷就病逝了。&
　　回答了这5个问题后， 我们重新看黄四郎这个人。他留过西洋，也留过东洋。说话爱拽文，冒成语，国学功底算不错。你若把他看作一个土财主，这些设定显然有很蹩脚；但若把他看作早期便追随孙中山的革命党， 那些设定就很恰当。&
　　黄四郎，不仅仅是一个简单的土财主。 他是一个腐化的前革命者，现当权派。在鹅城，他是“官府”的代言人。&(可以开始联想《V 字复仇记》了，尤其最后打碉楼结局部分)
　　我总结一下暗线：&
　　1900年，张牧之追随蔡锷到日本，并与黄四郎有一面之缘。&
　　年，张牧之和黄四郎在同一个革命阵营，但无交集。&
　　日， 辛亥武昌起义，黄四郎为核心成员。 10月30日，蔡锷在云南发动重九起义，张牧之也算核心成员。&
　　1911年-1920年． 辛亥胜利后，革命者黄四郎，开始利用手中的权利敛财。他投靠了实力军阀张敬尧（还是张宗昌？其实我没听清楚。总不能是张孝准吧）这座靠山后，愈发肆无忌惮，横征暴敛，更以故乡鹅城为根本苦心经营，控制了民国小半的烟土交易，大发其财。&
　　 辛亥胜利后，革命者张牧之，不求权钱，继续追随蔡锷。 1916年蔡锷死于日本，此后张牧之对时局失望，干脆落草为寇。&
　　1920年，张牧之马邦德来到鹅城，电影开始。张黄斗法，掀起了一个小小的鹅城起义，胜利后张牧之分文不得，心爱的女人和他的兄弟们一起走了。这场“革命”，正如当年的辛亥革命，他什么也没得到，甚至失去了很多。 他坐的chair， 也被别的man抗走了。&
　　这就是姜文在此电影里内藏的政治隐喻。谁会投入革命？蔡锷这样的英雄会，袁世凯这样的枭雄会，但最后得权的一定是袁世凯；张牧之这样的爷们会，黄四郎这样的投机者会，但最后得利的一定是黄四郎。当张牧之再次掀起鹅城革命，他不为财也不为权，不为女人也不为大众。他对黄四郎说：“没有你，对我很重要”。&
　　如果你们觉得这个隐喻还不够过瘾， 鸿门宴上还有句台词。“彼时彼刻？” “恰如此时此刻”（谢绝联想，请勿跨省）。&
问题6：姜文要干什么？ “让子弹飞一会”&
　　姜文的电影总爱牵扯些政治，但要把子弹对着官府打，未免自讨死路。他准备打向谁？这就是本文最后要讨论的问题，也是姜文更大的野心所在。你可以把他野心想的特别牛，我可不敢胡写。我觉得他把枪口对准时下电影界，对准某位电影界的官府代言人。&
　　先让我们回顾一下姜文那句“我姜文站着，也能把钱挣了”。这点野心，观众都看的出来。不少人也看出来这句有点揶揄闷头挣钱的冯小刚。这年头葛优冯小刚都成词组了。冯导岂是在于这点揶揄的人？还主动客串了汤师爷。（冯导不但拍片赚钱发挥稳定，客串也是稳定的头五分钟就死。）汤师爷落水而死，葛优演的马邦德为求活命，一直在冒充汤师爷。可以说，在电影里，葛优代表了冯小刚。马邦德说的，就是汤师爷说的。也是冯小刚说的。&
　　汤师爷要赚钱，他向谁跪？ 官府代言人“黄四爷”。 他怎么着挣钱？黄四爷带头出钱，其他人就得跟着出钱，回头把钱还给黄四爷，得利三七开。张牧之要站着挣钱，就让汤师爷配合，一起忽悠“黄四爷”先出了一百八十万两银子。&
　　关键问题来了，汤师爷想赚钱得跪官府代言人黄四爷，冯导演想赚钱得跪那位爷？&
　　时下电影圈里，有没有一个“爷”，是公认的官府代言人呢。这个代言人，如果像黄四爷投身革命一样，先投身于“导”，一步步的向官府靠拢，终究成“爷”，就再好不过了。&
　　在原著里，黄财主的原名叫黄天榜，”黄天棒”. 在电影里，这个角色被刻意改名为黄四郎，“黄四爷”。请问，此时此刻，放眼中国电影界， 如果姜文自比张麻子，冯小刚自号汤师爷（嘿嘿，看看“冯”字，再想想葛优演得这个“汤”师爷-“马”县长），那谁来当黄四爷？&
　　韩三爷，您得多么的无知无畏，才敢于把自己的名字，放在这片儿的出品人上？ 您被忽悠给这电影投了多少钱来着？是不是一千八百万&
　　在电影后半， 张麻子对着黄四爷派出来的马车，虚射一枪，“让子弹飞一会”。片刻，枪声四起。&
　　《让子弹飞》上一会，终会成燎原之势。姜文必将瓦解一个“三爷的王朝”，但”姜文的王朝”，永远不会来临。他会从容的从椅子上站起来，让别人搬走。自己骑上白马，悠然的离开我们的视线，化为一个传说。&
[转]&[转]&[转]&[转]&[转]&[转]&
喜欢该文的人也喜欢&p&要评价咪蒙，首先你要了解咪蒙，要了解咪蒙，首先你要了解她的文章&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&首先咪蒙是谁？&/b& &/p&&p&一个拥有500万粉丝的公众号大V，一个永远都能掐中粉丝G点，每篇文章都是100w+阅读量的超级写手，一个一篇软文能卖50万人民币的公司老板。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&咪蒙的文章为什么吸引人？&/b&&/p&&p&&br&&/p&&p&&br&&/p&&h2&&b&第1个套路：制造意想不到的反转，提高文章打开率&/b&&/h2&&p&&br&&/p&&p&她的 &b&标题&/b& 都是这样的：&/p&&p&&br&&/p&&p&&b&抛出一个大家习以为常的现象 & 用直白甚至粗鲁的语言制造反转&/b&&/p&&p&&br&&/p&&p&&br&&/p&&p&《女追男隔层纱？这种屁话你也信！》&/p&&p&《看到直男癌言论，我的脏话不够用了》&/p&&p&《什么门当户对，不就是爱得不够》&/p&&p&《生活不只有诗和远方，还有傻逼甲方》&/p&&p&《矮子们快来幸灾乐祸！原来长得高也很凄惨啊！》&/p&&p&《老子努力奋斗，就是为了包养一个男人》&/p&&p&《我能想到最性感的画面，就是你跪键盘的样子》&/p&&p&&br&&/p&&p&&br&&/p&&p&还有很多就不一一列举了。&/p&&p&&br&&/p&&p&&br&&/p&&h2&第2个套路：制造男人与女人的对立，吸引人读下去&/h2&&p&&br&&/p&&p&我是怎么得出这个结论的呢？&/p&&p&&br&&/p&&p&首先出于好奇，我爬取了咪蒙 &b&113篇文章的标题&/b&，对标题进行分词并用冯氏风格展现出来：&/p&&p&&br&&/p&&figure&&img data-rawheight=&364& src=&https://pic2.zhimg.com/50/v2-40b126c10d501e908cada_b.jpg& data-size=&normal& data-rawwidth=&439& class=&origin_image zh-lightbox-thumb& width=&439& data-original=&https://pic2.zhimg.com/50/v2-40b126c10d501e908cada_r.jpg&&&/figure&&p&发现有 &b&3类词&/b& 出现的频率最高！ &/p&&p&&br&&/p&&p&&b&男人、男生、男朋友、男孩 &/b&这4个词占比最高，达到 &b&20%。&/b&&/p&&p&&b&女人、女孩、女生、女神、少女 &/b&这5个词占比第二高，达到 &b&10%。&/b&&/p&&p&&b&婚姻、吵架、结婚、性生活、爱情、老公、出轨 &/b&等词占比第三高&b&，9%。&/b&&/p&&p&&br&&/p&&p&&br&&/p&&p&我还爬取了咪蒙最近发表的 &b&30篇文章 &/b&的内容，分词后的词云如下：&/p&&figure&&img data-rawheight=&364& src=&https://pic3.zhimg.com/50/v2-a095cbd628efcc711c46a9e_b.jpg& data-size=&normal& data-rawwidth=&430& class=&origin_image zh-lightbox-thumb& width=&430& data-original=&https://pic3.zhimg.com/50/v2-a095cbd628efcc711c46a9e_r.jpg&&&/figure&&p&&br&&/p&&p&&b&前十频次&/b& 的词语如下：&/p&&figure&&img data-rawheight=&595& src=&https://pic2.zhimg.com/50/v2-ada620fbfb8eb0fed12bda_b.jpg& data-size=&normal& data-rawwidth=&876& class=&origin_image zh-lightbox-thumb& width=&876& data-original=&https://pic2.zhimg.com/50/v2-ada620fbfb8eb0fed12bda_r.jpg&&&/figure&&p&&br&&/p&&p&可以看到占据&b& 2,3位&/b& 的是 女生、男生，由此可推断她的第二个套路是探讨 &b&男女关系，&/b&而讨论最多的是 &b&结婚、出轨、吵架 等两性的负面现象&/b&。&/p&&p&你可能会问为什么不是朋友关系，朋友是词频最高的词啊！其实不是，因为这是咪蒙的第三个套路。&/p&&p&&br&&/p&&p&&br&&/p&&h2&&b&第3个套路：讲身边的故事，让你信以为真&/b&&/h2&&p&&br&&/p&&p&“昨天半夜，一个认识多年的朋友说”，“黄小污的朋友南瓜以前也这样”，“小安是我大学的学妹”，“我们公司新招的实习生说”。是不是似曾相似？&/p&&p&咪蒙的文章都在讲故事，很凑巧这些故事都刚好发生在她身边，包括但不仅限于她的 &b&同事、朋友、实习生、大学同学、初中同学、高中同学&/b&。&/p&&p&这跟临时工的作用是一样的，如果有人质疑故事真实性，她可以说，&b&她不过是一个实习生，我有几十上百个实习生，你找去啊&/b&！&/p&&p&&br&&/p&&p&&br&&/p&&h2&&b&第4个套路：永远站在粉丝一边，为粉丝说她们不敢说的话&/b&&/h2&&p&&br&&/p&&p&首先咪蒙的粉丝都是谁？&/p&&p&&br&&/p&&figure&&img data-rawheight=&106& src=&https://pic4.zhimg.com/50/v2-ca802d407c97b51bdb6c_b.jpg& data-size=&normal& data-rawwidth=&368& class=&content_image& width=&368&&&/figure&&p&爬取 &b&咪蒙微博&/b& 近 &b&10万 &/b&条粉丝评论 ，粉丝的分布如下：&/p&&p&&br&&/p&&figure&&img data-rawheight=&357& src=&https://pic3.zhimg.com/50/v2-bca9bdcd9fc5c9_b.jpg& data-size=&normal& data-rawwidth=&390& class=&content_image& width=&390&&&/figure&&p&&b&女性&/b& 粉丝占了绝大多数！&/p&&p&&br&&/p&&p&&br&&/p&&figure&&img data-rawheight=&552& src=&https://pic3.zhimg.com/50/v2-08dbfe95e9603126eaaacfa_b.jpg& data-size=&normal& data-rawwidth=&820& class=&origin_image zh-lightbox-thumb& width=&820& data-original=&https://pic3.zhimg.com/50/v2-08dbfe95e9603126eaaacfa_r.jpg&&&/figure&&p&&b&23-28岁&/b& 的粉丝占了大多数！&/p&&p&&br&&/p&&p&&br&&/p&&p&这个年龄段的女生对婚姻和渣男应该是最敏感的！&/p&&p&那么当年收入上千万，站在金字塔顶端的女皇咪蒙拿起话筒对准 &b&渣男&/b& 狂喷的时候，说实话，坐在电脑前的直男都高潮了！&/p&&p&&br&&/p&&p&&br&&/p&&h2&&b&第5个套路：为什么读咪蒙的文章特别顺滑？短句的堆砌&/b&&/h2&&p&&br&&/p&&p&为什么咪蒙的文章那么长，读起来一点不累？因为她把长句统统拆成短句，一口口喂给你！&/p&&p&随便摘抄一段&/p&&figure&&img data-rawheight=&405& src=&https://pic1.zhimg.com/50/v2-a9c298dd3a4ef5dd68a6ec_b.jpg& data-size=&normal& data-rawwidth=&712& class=&origin_image zh-lightbox-thumb& width=&712& data-original=&https://pic1.zhimg.com/50/v2-a9c298dd3a4ef5dd68a6ec_r.jpg&&&/figure&&p&&br&&/p&&p&天啦噜！如果被小学老师逮到，分分钟给你不及格！你是有多爱短句，你是觉得粉丝很傻，理解能力有限么？&/p&&p&&br&&/p&&p&不！&/p&&p&&br&&/p&&p&&b&“要把读者当婴儿，把复杂的内容掰碎了喂给他”&/b&&/p&&p&短句的堆砌，可以缩短读者思考的时间，长句本身读起来就费时，更不用说理解，如果拆成三个短句，分分钟变德芙巧克力，一口顺滑！&/p&&p&&br&&/p&&p&&br&&/p&&h2&&b&第6个套路：用小清新的图，来掩盖鸡汤的毒&/b&&/h2&&p&&br&&/p&&figure&&img data-rawheight=&691& src=&https://pic4.zhimg.com/50/v2-3d3b3e6c66ba533aac74c4_b.jpg& data-size=&normal& data-rawwidth=&717& class=&origin_image zh-lightbox-thumb& width=&717& data-original=&https://pic4.zhimg.com/50/v2-3d3b3e6c66ba533aac74c4_r.jpg&&&/figure&&p&&br&&/p&&p&&b&几米&/b&大杂烩有木有！从图中看到自己有木有！小清新范扑面而来有木有！&/p&&p&恩，&b&所有的糖衣，都会带着炮弹，所有的毒药，外面都包裹着糖衣！&/b&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&说到这，我打算复制一个咪蒙出来！&/b&&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&大家好，我叫迷梦，我给大家推个文，要10w+哦！&/p&&p&&br&&/p&&figure&&img data-rawheight=&300& src=&https://pic4.zhimg.com/50/v2-e316bcccdf2_b.jpg& data-size=&normal& data-rawwidth=&480& class=&origin_image zh-lightbox-thumb& width=&480& data-original=&https://pic4.zhimg.com/50/v2-e316bcccdf2_r.jpg&&&/figure&&p&&b&《你不是不够努力，你是蠢！》&/b&&/p&&p&&br&&/p&&p&前几天，我公司一实习生的姐姐，给我打电话哭诉 “为什么我那么努力维系，他还是出轨了”。&/p&&p&当时我的反应就是呵呵哒。&/p&&p&&br&&/p&&p&&b&女人常常觉得，男人出轨，是因为她们对他不够好。&/b&&/p&&p&&b&特么你还能更蠢么！&/b&&/p&&p&&br&&/p&&p&我一高中同学的大表姑妈，跟他老公十年恩爱，最后她老公还是出轨了，原因是小三的胸比较大。&/p&&p&我一朋友的母亲的大侄女，嫁给一渣男，因为那男的出轨的原因，是觉得她已经不再是以前的小骚货了。&/p&&p&&br&&/p&&p&&b&我说过一万次，男人出轨，那是他不够爱你，你应该努力投资自己，成为牛逼闪闪的女性，然后找一个真正爱你的人！&/b&&/p&&p&&br&&/p&&p&我一实习生的妹妹的干妈，第一次结婚遇到一渣男，出轨，她头都不回，果断离婚，分得上百万的家产，自己开公司，不到三年成了一小富婆。&/p&&p&后来她找了一老公，长的就是一吴彦祖，还特别爱她，在郊区买了一套别墅，还只署她的名字，这种情况下，她完全心安理得，在家当起全职主妇，到现在也过得特别幸福。&/p&&p&&br&&/p&&p&我一远房表弟的三姨父的姘头....我编不下去了。&/p&&p&&br&&/p&&p&------------&/p&&p&评论区很多人说我编不下去是因为我弱，我把坑摁在这，明天来更 (? ???`?)?&/p&&p&------------&br&&/p&&p&别催了，迷梦来了。&/p&&p&&br&&/p&&p&&br&&/p&&figure&&img data-rawheight=&834& src=&https://pic2.zhimg.com/50/v2-d557bccf318bdd5a9de9_b.jpg& data-size=&normal& data-rawwidth=&1200& class=&origin_image zh-lightbox-thumb& width=&1200& data-original=&https://pic2.zhimg.com/50/v2-d557bccf318bdd5a9de9_r.jpg&&&/figure&&p&&br&&/p&&p&&b&《我喜欢你，抠鼻屎的样子》&/b&&/p&&p&&br&&/p&&p&我的朋友黄小仙昨天给我微信，说她很开心，因为男朋友送了她一件礼物。&/p&&p&&br&&/p&&p&我以为她会说收到一个包包，或者一件衣服，或者一年的自助餐券（对，她很胖），结果她说收到一套耽美漫画，惊的我花容失色，但还是发了一个流口水的表情过去。&/p&&p&&br&&/p&&p&黄小仙谈对象前，就是一个腐女，每天最爱做的事，是边看韩剧，边幻想男一和男二是一对CP。&/p&&p&&br&&/p&&p&后来她牵手了，接吻了，恋爱了，把一切美好都向对方坦白，当然小心翼翼地隐藏了一部分不美好，比如她的喜好。&/p&&p&&br&&/p&&p&有一天，她以前的日记掉在地上，页面是翻开的，她男朋友捡起时发现了她的小秘密，于是第二天，她收到了这份礼物。&/p&&p&&br&&/p&&p&她告诉我，她最开心的，不是有漫画可以看，而是她男朋友知道她小秘密后，是包容的，阳光的，她以后不需要遮遮掩掩了。&/p&&p&&br&&/p&&p&&br&&/p&&blockquote&&b&是啊，世界上最甜的事，是遇上一个愿意包容你的美好，与你的不美好的另一半。&/b&&/blockquote&&p&&br&&/p&&p&“迷梦，我的终身大事交给你了”&/p&&p&&br&&/p&&p&去年9月，我收到一条粉丝留言，这个粉丝叫小贱，她说自己人如其名，性格有点贱，因为她让两个男人围着她团团转。&/p&&p&&br&&/p&&p&又是这种二选一的问题，我收起脸上的黑线，接着读她的留言。&/p&&p&&br&&/p&&p&男人A是个海归，学法律的，风度翩翩，学富五车，能将美国第二百五十六条刑法倒背如流，据她说，每一个在他身边的女生，都会在5秒内变成他的迷妹。&/p&&p&&br&&/p&&p&他们是在一个舞会上认识的，她是他唯一的舞伴，散会后，他来到她身边，用一个迷死人的角度盯着她看，“我很欣赏你的美，做我女朋友吧”。&/p&&p&&br&&/p&&p&男人B跟她是青梅竹马，据她说，小时候的开裆裤，都是穿的他剩下的。&/p&&p&&br&&/p&&p&幼儿园时，她打碎了学校的温水瓶，是B跑了2里路，从家里拧来一个温水瓶，哀求老师不要让她罚站。&/p&&p&&br&&/p&&p&小学时，打预防针，她怕痛，是B一直在旁边做鬼脸，让她噗嗤一笑，痛也跟着笑走了。&/p&&p&&br&&/p&&p&初中时，B无意中看到她洗澡，她屁股上的痣，一直被他笑到现在。&/p&&p&&br&&/p&&p&后来大学，工作，表白，她觉得一切都太平淡，就像王子，没有打败巨龙就救走公主一样。&/p&&p&&br&&/p&&p&我一向不喜欢帮人做决定，当时也是潇洒地键盘一敲，&b&Follow Your Heart&/b&，就忙我的剧本去了。&/p&&p&&br&&/p&&p&前天，我想起这事，给她去了个微信，“你最后选择谁？”&/p&&p&相信聪明的读者都能猜到！&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&“我选择了C”&/p&&p&&br&&/p&&p&“C？” 我一脸懵逼。&/p&&p&&br&&/p&&p&“B只是我幻想出来的”&/p&&p&&br&&/p&&p&“幻想？”&/p&&p&&br&&/p&&p&“A很优秀，但他只喜欢我的美，如果他发现我的不美，应该就没那么喜欢我，于是我幻想了B出来，来帮自己做决定，拒绝A的决定”&/p&&p&&br&&/p&&p&“那C是？”&/p&&p&&br&&/p&&p&“C是我后来认识的，家境一般，但很体贴！”&/p&&p&&br&&/p&&p&“那他应该有打动你的地方吧？”我问。&/p&&p&&br&&/p&&p&“恩，有一次我问他，你到底喜欢我什么？他的回答很奇葩，他说：我喜欢你抠完鼻屎，发现纸巾用完，于是随意抹在桌子底下，然后左顾右盼，一脸慌张的样子。”&/p&&p&&br&&/p&&p&&br&&/p&&blockquote&&b&如果一个男人说你美，你就把自己丑的地方告诉他。&/b& &b&如果你喜欢一个人，你应该去了解他的怪癖，看知道真相的你，还是不是他的迷妹。&/b&&/blockquote&&p&&br&&/p&&p&&br&&/p&&figure&&img data-rawheight=&377& src=&https://pic4.zhimg.com/50/v2-1d2f44a1ca4fa174c186ff66a7838863_b.jpg& data-size=&normal& data-rawwidth=&600& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic4.zhimg.com/50/v2-1d2f44a1ca4fa174c186ff66a7838863_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&迷梦开通微信公号了，搜索“挖数”&/p&&p&&figure&&img data-rawwidth=&640& data-rawheight=&370& src=&https://pic1.zhimg.com/50/v2-cbca_b.jpg& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic1.zhimg.com/50/v2-cbca_r.jpg&&&/figure&&/p&&p&欢迎围观我撕逼&/p&&p&&br&&/p&&hr&&p&日更新&/p&&p&&br&&/p&&p&最近对文本挖掘产生了兴趣，在研究词向量时，突然有一个有趣的设想，有无可能构建一个自动写文章的机器人，它可以根据我设定的词眼，把文章续写下去。&/p&&p&在网上找案例，都是用词向量提取中心思想，提高阅读效率之类，突然灵光一现，想到Python的结巴分词包有一个函数，叫tokenize，它可以返回词语在原文的起止位置，比如我们对“&b&咪蒙的毒鸡汤&/b&”这句话使用这个函数，会有以下结果：&/p&&p&&br&&/p&&p&word：咪蒙，start ：0，end：2&/p&&p&word：的，start：2，end：3&/p&&p&word：毒，start：3，end：4&/p&&p&word：鸡汤，start：4，end：6&/p&&p&&br&&/p&&p&于是可以用这样一个逻辑来构建机器人：&/p&&p&&b&1、收集足够多的语料，对这堆语料使用tokenize这个函数，这样就构建了一个庞大的词包，这个词包除了分好的词，还有该词的起始位置和结束位置；&/b&&/p&&p&&b&2、设定一个开始词，比如“我们”，用这个开始词去遍历词包里边所有的“我们”，匹配所有结束位置，随机选择一个结束位置作为我们下一个词的开始位置，这样就匹配到“我们”的下一个词，假设匹配到的下一个词是“是”；&/b&&/p&&p&&b&3、把“是”赋给开始词，再去匹配它下一个词，循环这个过程，这样就构建了一篇上下词通顺的随机文章。&/b&&/p&&p&&br&&/p&&p&对这个机器人，我们只需要2个参数，1个是开始词，1个是循环的次数，也就是词数。我把咪蒙几十篇文章作为语料，用这个机器人来随机输出文章，结果比较有趣。&/p&&p&&br&&/p&&figure&&img data-rawheight=&521& src=&https://pic4.zhimg.com/50/v2-80ecfa7d38187ffd1f3ce2_b.jpg& data-size=&normal& data-rawwidth=&596& class=&origin_image zh-lightbox-thumb& width=&596& data-original=&https://pic4.zhimg.com/50/v2-80ecfa7d38187ffd1f3ce2_r.jpg&&&/figure&&p&&br&&/p&&p&&b&小黄文集锦&/b&：&/p&&blockquote&你花几分钟，世界的那碗面是你的，我对你戒烟，绝对不是为了保持2个通宵喝酒，说你的坏话，而是选择看各种激情互撩撩到小卧室，这是你的菜。&br&我们也不觉得爱情具有毁灭性。&br&不要忘了，今天要为奥运冠军加油，他的人生给了李易峰。&/blockquote&&p&&br&&/p&&blockquote&如果当年没有爱，请掏出来你的XX………&br&日日好吧”，来到小区超市，把阴毛卖了，谈梦想，换成“在灯火辉煌孕期出轨，性爱是需要你干杂事；&/blockquote&&p&&br&&/p&&blockquote&他流产，只看了男人裤裆里的精神。&br&为了性”&br&只要你？&br&不要冷战，40多岁的时候容易自卑，那你真是旷世传奇。&/blockquote&&p&&br&&/p&&blockquote&2万块。男神可能会卖。&br&老公，日日好感动。&br&阿九跟进了，去找你，我们一样啊，都是需要的人，这5月了你也会喜欢啊、更有彭于晏&/blockquote&&p&&br&&/p&&blockquote&男人无趣吧。&br&小朵已经配不上。&br&对于他而言，13cm，猥琐，这件事。&br&啊！事情太多了，决心，谈笑风生，还算个小奶狗。记者说：纸媒一直鼓励女性，毫无心理准备的，我该感动的故事告诉李野都可以接受&/blockquote&&p&&br&&/p&&blockquote&帅呀，最好还黑，还特别看不惯他还有一位是从哈佛辍学的偶像，爱情只是因为它的增大手术&/blockquote&&p&&br&&/p&&p&输出的文章70%都是这样的小黄文你信
&_&||| &/p&&p&&br&&/p&&figure&&img data-rawheight=&300& src=&https://pic2.zhimg.com/50/v2-be3044cfbddd3e2e863bfeb_b.jpg& data-size=&normal& data-rawwidth=&300& class=&content_image& width=&300&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&b&很厉害的样纸：&/b&&/p&&blockquote&粉丝说世上最美好的黑料，是荒岛上的签名CD，有16个蜡染的节目，说，他真的挺想去。&br&马云自己的设计LOGO啊，那是，大家的理由！&/blockquote&&p&&br&&/p&&p&&br&&/p&&figure&&img data-rawheight=&534& src=&https://pic3.zhimg.com/50/v2-0df23efa476cb92a8d8f4f3c79a344a8_b.jpg& data-size=&normal& data-rawwidth=&503& class=&origin_image zh-lightbox-thumb& width=&503& data-original=&https://pic3.zhimg.com/50/v2-0df23efa476cb92a8d8f4f3c79a344a8_r.jpg&&&/figure&&p&&b&这，真的很屎尿屁&/b&：&/p&&blockquote&现在把一个毫无心理准备的朋友胖，他非常生气了，但他湿漉漉的&br&我多么屎尿屁！如果聊到吃，不会背叛过大的本能——&br&我对她老公，一定谨慎使用电钻&/blockquote&&p&&br&&/p&&blockquote&我相信的。&br&“你的公司吃一顿，怕我不，要。&br&这是苟且，这只是每个人畜无害的时候，看到桌上摆着自己活成一个男人。&br&那天开始翻垃圾。可是，我那么穷，&/blockquote&&p&&br&&/p&&figure&&img data-rawheight=&304& src=&https://pic3.zhimg.com/50/v2-def27c6b389_b.jpg& data-size=&normal& data-rawwidth=&549& class=&origin_image zh-lightbox-thumb& width=&549& data-original=&https://pic3.zhimg.com/50/v2-def27c6b389_r.jpg&&&/figure&&p&&br&&/p&&p&&b&明星集锦&/b&：&/p&&p&&br&&/p&&blockquote&男人，白衬衫外面这么好赚？&br&女人放在眼里。男生惹毛了傻逼的老师。&br&李易峰好男儿决赛那天，不走心。&/blockquote&&p&&br&&/p&&blockquote&我愣了呀。&br&别怀疑自己当孙子，不是陌生人才看到了，咪蒙的专业性。&br&他真的是当初是一种能力。&br&一个屁都挤满了呀。&br&林丹还能不能不要喜欢他&/blockquote&&p&&br&&/p&&blockquote&男人不会尴尬。&br&因为不满意，你都去了再PS：&br&王小波的屎也在，我每天跟服务员理论。&/blockquote&&p&&br&&/p&&blockquote&我留在这座城市，搞起来。&br&大佑问阿九这样的人生，就是最高的搪瓷碗。&br&喝一杯皇家有机纯天然一锅汤&/blockquote&&p&&br&&/p&&p&&br&&/p&&hr&&p&&br&&/p&&p&评论区一直说句子不通顺，确实有这个问题，因为生成的下一个词仅考虑到上一个词的依赖关系，而跟上上个词没有关系，那假设让它跟上上个词也有依赖关系呢？于是有了下面的优化逻辑：&/p&&p&&br&&/p&&p&&b&1、设定2个开始词，比如“我”和“身边”；&/b&&/p&&p&&b&2、匹配关键词是“我”的结束位置，匹配关键词是“身边”的起始位置，取这2个集合的交集，目的是匹配所有“我身边”这个连续词组对应的下一个词；&/b&&/p&&p&&b&3、随机取交集中任意一个数字，匹配这个数字对应的词，假设匹配到的是“有”；&/b&&/p&&p&&b&4、把“身边”赋给第1个词，把“有”赋给第2个词，再去匹配第3个词，循环这个过程，这样就构建了一篇上上下词通顺的随机文章。&/b&&/p&&p&&br&&/p&&p&看看文章会不会通顺一点：&/p&&p&&br&&/p&&figure&&img data-rawheight=&499& src=&https://pic4.zhimg.com/50/v2-33a61ee881d88780a7fcba4a2b4dffa6_b.jpg& data-size=&normal& data-rawwidth=&963& class=&origin_image zh-lightbox-thumb& width=&963& data-original=&https://pic4.zhimg.com/50/v2-33a61ee881d88780a7fcba4a2b4dffa6_r.jpg&&&/figure&&p&&br&&/p&&blockquote&后来才知道，只有我最欣赏的创业者傅盛就说，对不起啊，加了罂粟壳吗。&br&有些忐忑，下午放学，我今天想说把公司搞垮&br&每次做完兼职，他的兴趣爱好就是跟她收入相当，传说中的少男少女，祝你们天天好体位，我擦。&/blockquote&&p&&br&&/p&&blockquote&我坐在末班车上，呕吐、头晕各种花式折磨，需要发泄情绪。&br&现在结婚已经9年了，因为我们信错了人。&/blockquote&&p&&br&&/p&&blockquote&失败者却满怀傲慢与偏见。&br&守护这样的货色要多少有多少。&br&他重启一次电脑，喝水用的还是橡胶暖水袋……&/blockquote&&p&&br&&/p&&blockquote&爱情世界里，最难的功课不是喜欢人，比如，他一出场，简直能让人恶心呢？&br&我会大声地告诉你了，先检讨自己。&br&没错，他也会当场脱裤子的。&br&很多时候，还全方位挑刺。&/blockquote&&p&&br&&/p&&p&&br&&/p&&p&确实通顺了一些，也没有错位的标点符号了，当然，内容还是很屎尿屁，毕竟咪蒙的风格。&/p&&p&&br&&/p&&p&我会继续优化的，需要你的支持需要你的点赞哦
(&口＜-)&/p&&p&&br&&/p&&p&关注我微信公号，搜索挖数&/p&&figure&&img data-rawwidth=&640& data-rawheight=&370& src=&https://pic1.zhimg.com/50/v2-cbca_b.jpg& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&https://pic1.zhimg.com/50/v2-cbca_r.jpg&&&/figure&&p&&b&围观我跟咪蒙撕逼&/b&&/p&
要评价咪蒙，首先你要了解咪蒙，要了解咪蒙，首先你要了解她的文章 首先咪蒙是谁？ 一个拥有500万粉丝的公众号大V，一个永远都能掐中粉丝G点，每篇文章都是100w+阅读量的超级写手，一个一篇软文能卖50万人民币的公司老板。 咪蒙的文章为什么吸引人？ 第1个…
谢邀，下面已经这么多答案了，可能写了也没有多少人看到。但是看到很多人都在分享高中的学习经验，显然这不是题主希望看到的，高中的学习呢，简单地讲就是重复重复重复，就那么些知识点，反反复复练三年，其实收获甚微，而且，高中时外界干扰不多，可以专心学习。&br&&br&对于题主所说的长时间，是不是可以理解成需要一些好的学习习惯，就把之前在Coursera看到的一些和大家分享，希望对看到的人有所帮助，并感谢&a href=&//link.zhihu.com/?target=http%3A//vancexu.github.io& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&vancexu&/a&。&br&&br&&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/learn/learning-how-to-learn/outline& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Learning How to Learn: Powerful mental tools to help you master tough subjects&/a&是UCSD开的一门课。&br&&blockquote&Whether you are an outstanding or a struggling student, “Learning How to Learn” will give you powerful mental tools that will help you learn more effectively in tough-to-master subjects. You will discover practical, immediately useful insights that will help you to more deeply master your studies.&/blockquote&--------------------&br&Week 1. 学习是什么？&br&&i&1.1 专注模式和发散模式&/i&&br&大脑很复杂，了解一些关于大脑的工作原理可以让我们更好地学习，减少困惑。&br&首先介绍人在学习和思考时两种不同的模式：&b&专注模式 (Focused mode) 和发散模式 (Diffuse mode)&/b&，专注模式就是集中精力学习或理解某事，只有局部的神经链接处于激活状态，有利于你解决实际问题。比方说你熟悉四则运算，那么解决算数题的时候就主要靠那部分神经出力；而发散模式就是人脑放松的时候，神经信号可以在脑内大面积移动，有利于发挥创造性，比方说你洗澡的时候突然想到一个久攻不破的问题的解决方案。&br&当你面对熟悉的事物时，一般处于专注模式，而当你需要新想法和办法时，或者你需要从宏观上把握某件事时就切换到发散模式，这两个模式是可以互相切换的，但不能同时进行。可以在紧张的学习新知识的时候通过洗澡、散步等让自己放松的事情主动进入发散模式来帮助加深理解。&br&打个比方，如下图，专注模式是针板密集的时候，球在局部弹来弹去，发散模式是针板稀疏的时候，球在整个桌面游走。&br&&figure&&img src=&https://pic3.zhimg.com/50/37e17fa3d5d60f9e8bcba3bdc7e7dc06_b.jpg& data-rawwidth=&956& data-rawheight=&497& class=&origin_image zh-lightbox-thumb& width=&956& data-original=&https://pic3.zhimg.com/50/37e17fa3d5d60f9e8bcba3bdc7e7dc06_r.jpg&&&/figure&大脑是一个昂贵的器官，需要消耗同等体重躯干部分10倍的能量。而大脑中有1,000,000,000,000,000数量级的突触，这些突触连接是动态的，因此你一觉醒来之后就不是你了，你的大脑已经发生了变化。&br&&i&1.2 拖延、记忆和睡眠&/i&&br&&figure&&img src=&https://pic2.zhimg.com/50/ec42b4f969f150e88f576_b.jpg& data-rawwidth=&897& data-rawheight=&411& class=&origin_image zh-lightbox-thumb& width=&897& data-original=&https://pic2.zhimg.com/50/ec42b4f969f150e88f576_r.jpg&&&/figure&&br&当你做一件你不想做的事情比如学习时，大脑中和痛苦相关的区域被激活 (insular cortex), 大脑就趋向于将注意力转移到其他不那么痛苦的事情。&br&&figure&&img src=&https://pic3.zhimg.com/50/b765be0c9_b.jpg& data-rawwidth=&1064& data-rawheight=&547& class=&origin_image zh-lightbox-thumb& width=&1064& data-original=&https://pic3.zhimg.com/50/b765be0c9_r.jpg&&&/figure&后面会有更多关于拖延的介绍。&br&介绍一个应对拖延症的简单办法：&b&番茄工作法 (Pomodoro)&/b&。番茄工作法由Francesco Cirillo发明，听上去很简单：&br&&ul&&li&25分钟&/li&&li&没有任何干扰&/li&&li&专心学习&/li&&/ul&最后当这25分钟结束后，你需要休息5分钟。&br&&blockquote&Practice makes permanent.&/blockquote&你需要不断的练习来增强大脑中的连接，形成比较深刻的记忆模式。&br&记忆分为&b&长期记忆 (Lone-term memory) 和工作记忆 (Working memory)。&/b&工作记忆也就是短期记忆，一般认为可以存放4块 (Chunks, 关于chunk后面会深入介绍) 信息，就像一块不太好用的黑板，不仅大小有限，而且很容易就被抹掉了，所以你需要不断重复，比如记电话号码，你需要一直重复直到你有机会把它写下来。而长期记忆的容量很大，从工作记忆转化到长期记忆需要时间以及不断的重复，这里提到了一个小技巧：&b&spaced repetition&/b&, 就是一晚上重复20遍的效果不如你每天重复几遍。&br&&b&睡眠对学习也十分重要。&/b&我们觉醒时大脑会产生有毒的物质，而睡觉时大脑细胞收缩，细胞间隙变大，脑脊液可以通过并且清理掉这些东西。睡眠的意义不止于此，它也是学习与记忆的重要的一部分。睡眠时大脑会整理你的想法和你学习的内容，不重要的记忆会被清理掉，而你想要记住的会得到加强。睡眠时大脑还可以重复你白天学习的复杂知识，对解决难题和理解知识都有帮助。在睡觉之前看的东西更容易进入你的梦境，而梦到它又有助于你对它的理解，关于睡觉对学习的作用具体可见我的另一个回答：&br&&a href=&http://www.zhihu.com/question//answer/& class=&internal&&睡眠可以帮助大脑整理白天学过的知识吗？ - 知乎用户的回答&/a&&br&&b&另外，&/b&&b&锻炼身体很重要。&/b&除了散步洗澡听音乐等让你放松的方式会帮助你进入发散模式，锻炼身体能让你从之前集中精力的地方解放出来，使得发散模式有机会呈现，锻炼身体对大脑生长新的神经元有益。&br&&b&隐喻和类比是强大的学习技巧。&/b&&br&&br&Week 2. Chunking&br&&p&Chunk中文直译是“块”，在这里是指&strong&组合起来的有意义的知识&/strong&。比如字母d,o,g你可以很容易的把它们组成单词dog并在脑海中浮现狗的模样；比如拼图，鼻子眼睛耳朵背景等等，最后凑成一张图。chunk也像是把一些相近的文件做成的压缩包，节省空间的同时，便于搜索。之所以关心chunk，是因为&b&chunk是已经加工好的知识，是我们解决问题的时候真正会使用的东西。&/b&&/p&&p&如何形成chunk呢？&/p&&p&学一首新的吉他曲（可以视为一个chunk），通常是先完整听几遍曲子，看别人弹，然后自己一个小节一个小节练熟，最后串起来。 学一门新语言，一般会先从基本的音节，然后把音节串成单词，熟练了再把词串成句子，还要不断的融合语音语调之类的更多的细节。 这些都是给了我们形成chunk的直观感受：由mini chunk不断拼接，直到最后在我们的大脑形成了坚固的神经通路，使我们可以不用多想就可以迅速作出反应。&/p&&p&&b&生成chunk的方法：Focus, Understand, Practice。&/b&&br&&/p&&p&首先需要集中注意力。在形成chunk的时候，工作记忆像一只四脚章鱼一样，在努力建立新的神经结构，分心会占用章鱼有限的四只脚使得原本的chunk很难形成。&/p&&p&接着是理解，理解像是强力胶水，能让chunk之间相互关联，使得知识更容易被想到和使用。&br&&/p&&p&最后一步就是练习，形成context（上下文），从而巩固chunk，并建立多个指向chunk的入口。&br&&/p&&p&&figure&&img src=&https://pic4.zhimg.com/50/f6cd77bcc2e05d39e4958_b.jpg& data-rawwidth=&976& data-rawheight=&752& class=&origin_image zh-lightbox-thumb& width=&976& data-original=&https://pic4.zhimg.com/50/f6cd77bcc2e05d39e4958_r.jpg&&&/figure&要形成上下文，得跳出原来要解决的问题，开阔思路，不断的使用相关的或不相关的chunk进行练习，&b&直到我们不仅理解了何时该使用这个chunk，还能知道什么时候不能用它为止。&/b&Chunk告诉你如何解决问题，上下文告诉你什么时候使用chunk，以及这个chunk在整张知识图中的位置。&br&&/p&&p&&b&另外，学习时&/b&&b&不要过多的画重点&/b&，因为这可能会给你一种错觉：你记住了这些划过的内容，提倡在学习的过程中多提炼中心思想。对于我们已经掌握的东西，没必要一直重复学习了，&strong&你更应该多花时间和精力在你感觉最难的部分，这就叫deliberate practice&/strong&。著名的10000小时理论也十分强调deliberate practice, deliberate practice往往能把顶尖和普通的学生区分开来。&/p&&br&&p&Week 3. 拖延和记忆&/p&&p&拖延就像毒品，每次品尝一点点，虽然获取了短暂的快感，但是已经上瘾了，你的大脑慢慢建立起了稳定的神经结构，使得你再看到数学题的时候会自动产生更多的痛苦，而同时无需经过你的抵抗就让你自动拿起手机或者打开网页。如此循环，你发现自己越来越难以将注意力转回原来要做的事情。&/p&&figure&&img src=&https://pic3.zhimg.com/50/b765be0c9_b.jpg& data-rawwidth=&1064& data-rawheight=&547& class=&origin_image zh-lightbox-thumb& width=&1064& data-original=&https://pic3.zhimg.com/50/b765be0c9_r.jpg&&&/figure&&p&这时，你尝试着用自己钢铁般的意志力去跟拖延症战斗，结果往往不理想，因为用意志力去解决问题会消耗很大脑力，所以并不是很好的策略。&/p&&p&那怎么办？用习惯，将你想靠意志力完成的事情变成靠习惯来完成。&/p&&p&&b&习惯的养成有四个部分：导火索(cue)，习惯动作(routine)，奖励(rewards)，信念(belief)。&/b&&/p&&ol&&li&导火索就是触发事件的原因，可能是时间，地点，感受，对外界的反应，比如午饭，沙发，疲劳，互联网，短信，邮件等。导火索会在不知不觉中让你做出习惯动作，它本身是没有好坏之分的，有好坏之分的是接下来的习惯动作，比如对“做数学作业”你的习惯动作是打开电脑先上会儿网，那就不好了。在这个阶段可以做到是尽可能减少危险的导火索，比如手机一震你就要看手机然后半小时回不了神，那就别带手机或者关机；一开电脑就想刷社交网络，那就断网或者别用电脑。&/li&&li&习惯动作就是你对导火索的反应，它之所以叫习惯动作，是因为你在无意识中就做了动作，比如你一要做作业就先上网玩了一会儿。很明显，这步很重要，你要重建会导致拖延的习惯动作。怎么重建？做计划，在脑中先想象自己一会儿要做的事，比如“我走进了图书馆，拿出来打印好的作业，读了第一道题，用书上例题中类似的方法和步骤解了出来，然后看第二题……”，到了真正去写作业的时候，就按照自己想象的计划做，这时候需要用一点意志力。再比如你每次学了一小时想休息一下，习惯性地刷刷朋友圈，结果停不下来了，如果做了计划，休息的时候只听某一两首歌，或者出去走一圈，就好很多。你做的计划一开始可能不能完美执行，没关系，尽力坚持就好，习惯慢慢肯定可以改过来。&/li&&li&奖励是指在养成习惯的过程中每当有收获就给自己奖品，比如买点自己心仪的东西，或者毫无悔恨的放开玩等。它在养成习惯的过程中是非常重要，也是容易被忽视的。非常重要是因为如果你的奖励是你非常想要得到的，比如一项荣誉，一个舍不得买的物品等，在你想到它的时候会激励你坚持下去。从来只付出不奖励自己，在养成习惯的效果上会差很多，应该善用奖励机制。&/li&&li&信念就是要相信自己能形成新的习惯，能战胜拖延。恶疾容易复发，经常会有朋友新习惯没坚持多久就又回到老习惯的情况。别在意，要相信之前的付出是有用的，为了更好的贯彻信念，可以找志同道合的朋友一起努力。&/li&&/ol&&p&看了这么多关于通过改变习惯战胜拖延的东西，有人会说这有啥用啊，我每次一看到数学题还是头疼要死，即使强忍着不干乱七八糟的，也完全做不进去，马上就开始拖延了，根本改不了。&/p&&p&存在痛苦的感受是很正常的，关键是你如何看待这些痛苦。&b&那些不拖延的人，遇到困难之后告诉自己的是：我知道你很难过，但别浪费时间，开始做一点点吧，一定会慢慢变好的。你要相信确实是有办法让情况好转的。&/b&&/p&&p&&b&一个技巧是：专注于过程，而非结果 (Focus on process rather than product)。&/b&番茄工作法之所以有用，就是因为他让你专注过程的25分钟。&br&&/p&&p&&b&另一个建议是做计划，weekly list of key tasks, and daily to-do list。&/b&每周对主要任务列个计划，每天再列个待办事项。&br&&/p&&p&还有三个提升效率的技巧和建议：&/p&&ol&&li&&b&最难的事情最先做。&/b&因为越难越需要最充足的脑力去战斗，而且最难的最容易拖延的事情都解决了，后面都好办。&/li&&li&&b&给自己定一个结束时间，这跟制定工作时间一样重要。&/b&比如定好下午5点以后就不学了，之后去吃去玩去运动，所以5点之前，就专注把清单上的任务一个个做下来，尽量抓紧时间多做些，5点就解放。&/li&&li&&b&遇到困难先试试再说。&/b&只要试一下，头不疼了，心不乱了，过一会儿就发现，居然做完了。&/li&&/ol&&p&一定要战胜拖延症。学习是一个日积月累的过程，人脑需要时间来建造神经蓝图，就像健身增肌那样。所以我们要保持一个良好的学习惯性，避免拖延到最后一刻，以防在脑内搭建豆腐渣工程。建立新的习惯是战胜拖延的良方，可以从习惯的四个部分入手养成好习惯。关注过程而非结果，做好计划都是提高效率的技巧。&/p&
谢邀，下面已经这么多答案了，可能写了也没有多少人看到。但是看到很多人都在分享高中的学习经验，显然这不是题主希望看到的，高中的学习呢，简单地讲就是重复重复重复，就那么些知识点，反反复复练三年，其实收获甚微，而且，高中时外界干扰不多，可以专心…
&p&&b&网络公开课：&/b&&/p&&ul&&li&&a href=&https://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&——学习矩阵理论及线性代数的基本知识&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//open.163.com/special/opencourse/algorithms.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&麻省理工公开课 算法导论&/a&——学习高效率算法的设计及分析技巧&/li&&li&&a href=&https://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&/a&——Andrew Ng（吴恩达）在斯坦福开设的CS229&/li&&/ul&&p&&b&机器学习：&/b&&/p&&ul&&li&&a href=&https://link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《机器学习》&/a&——俗称西瓜书，机器学习相关理论&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《统计学习方法》&/a&——机器学习算法的理论推导&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《机器学习实战》&/a&——机器学习算法的Python实现&/li&&/ul&&p&&b&Python：&/b&&/p&&ul&&li&&a href=&https://link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《利用Python进行数据分析》&/a&——Python常用的库学习（numpy，pandas）&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《Python Machine Learning》&/a&——这本书还没有中文版，主要讲scikit-learn包&/li&&/ul&&p&&b&面试：&/b&&/p&&ul&&li&&a href=&https://link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《剑指offer》&/a&——常见面试题&/li&&li&&a href=&https://link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《程序员代码面试指南》&/a&——进阶面试（重点动态规划）&/li&&/ul&
网络公开课：——学习矩阵理论及线性代数的基本知识——学习高效率算法的设计及分析技巧——Andrew Ng（吴恩达）在斯坦福开设的CS229机器学习：——俗称西瓜书，机器…
&figure&&img src=&https://pic4.zhimg.com/v2-a8ef32be2fe8bdf5b589e72458dc50bb_b.jpg& data-rawwidth=&426& data-rawheight=&240& class=&origin_image zh-lightbox-thumb& width=&426& data-original=&https://pic4.zhimg.com/v2-a8ef32be2fe8bdf5b589e72458dc50bb_r.jpg&&&/figure&&p&&strong&1. 引言&/strong&&/p&&p&也许你和这个叫『机器学习』的家伙一点也不熟，但是你举起iphone手机拍照的时候，早已习惯它帮你框出人脸；也自然而然点开今日头条推给你的新闻；也习惯逛淘宝点了找相似之后货比三家；亦或喜闻乐见微软的年龄识别网站结果刷爆朋友圈。恩，这些功能的核心算法就是机器学习领域的内容。&/p&&p&套用一下大神们对机器学习的定义，机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身。简单一点说，就是计算机从数据中学习出规律和模式，以应用在新数据上做预测的任务。近年来互联网数据大爆炸，数据的丰富度和覆盖面远远超出人工可以观察和总结的范畴，而机器学习的算法能指引计算机在海量数据中，挖掘出有用的价值，也使得无数学习者为之着迷。&/p&&p&但是越说越觉得机器学习有距离感，云里雾里高深莫测，我们不是专家，但说起算有一些从业经验，做过一些项目在实际数据上应用机器学习。这一篇就我们的经验和各位同仁的分享，总结一些对于初学者入门有帮助的方法和对进阶有用的资料。&/p&&p&&strong&2. 机器学习关注问题&/strong&&/p&&p&并非所有的问题都适合用机器学习解决(很多逻辑清晰的问题用规则能很高效和准确地处理)，也没有一个机器学习算法可以通用于所有问题。咱们先来了解了解，机器学习，到底关心和解决什么样的问题。&/p&&p&从功能的角度分类，机器学习在一定量级的数据上，可以解决下列问题：&/p&&p&1.分类问题&/p&&p&根据数据样本上抽取出的特征，判定其属于有限个类别中的哪一个。比如：&/p&&ul&&li&垃圾邮件识别(结果类别：1、垃圾邮件 2、正常邮件)&/li&&li&文本情感褒贬分析(结果类别：1、褒 2、贬)&/li&&li&图像内容识别识别(结果类别：1、喵星人 2、汪星人 3、人类 4、草泥马 5、都不是)。&/li&&/ul&&p&2.回归问题&/p&&p&根据数据样本上抽取出的特征，预测一个连续值的结果。比如：&/p&&ul&&li&星爷《美人鱼》票房&/li&&li&大帝都2个月后的房价&/li&&li&隔壁熊孩子一天来你家几次，宠幸你多少玩具&/li&&/ul&&p&3.聚类问题&/p&&p&根据数据样本上抽取出的特征，让样本抱抱团(相近/相关的样本在一团内)。比如：&/p&&ul&&li&google的新闻分类&/li&&li&用户群体划分&/li&&/ul&&p&我们再把上述常见问题划到机器学习最典型的2个分类上。&/p&&ul&&li&分类与回归问题需要用已知结果的数据做训练，属于“&strong&监督学习&/strong&”&/li&&li&聚类的问题不需要已知标签，属于“&strong&非监督学习&/strong&”。&/li&&/ul&&p&如果在IT行业(尤其是互联网)里溜达一圈，你会发现机器学习在以下热点问题中有广泛应用：&/p&&p&1.计算机视觉&/p&&p&典型的应用包括：&strong&人脸识别、车牌识别、扫描文字识别、图片内容识别、图片搜索&/strong&等等。&/p&&p&2.自然语言处理&/p&&p&典型的应用包括：&strong&搜索引擎智能匹配、文本内容理解、文本情绪判断，语音识别、输入法、机器翻译&/strong&等等。&/p&&p&3.社会网络分析&/p&&p&典型的应用包括：&strong&用户画像、网络关联分析、欺诈作弊发现、热点发现&/strong&等等。&/p&&p&4.推荐&/p&&p&典型的应用包括：&strong&虾米音乐的“歌曲推荐”，某宝的“猜你喜欢”&/strong&等等。&/p&&p&&strong&3. 入门方法与学习路径&/strong&&/p&&p&OK，不废话，直接切重点丢干货了。看似学习难度大，曲线陡的机器学习，对大多数入门者也有一个比较通用的学习路径，也有一些优秀的入门资料可以降低大家的学习门槛，同时激发我们的学习乐趣。&/p&&p&简单说来，大概的一个学习路径如下：&/p&&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/Blog/archives/36900/image& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&ppvke.com/Blog/archives&/span&&span class=&invisible&&/36900/image&/span&&span class=&ellipsis&&&/span&&/a&&p&简单说一点，之所以最左边写了『数学基础』『典型机器学习算法』『编程基础』三个并行的部分，是因为机器学习是一个将数学/算法理论和工程实践紧密结合的领域，需要扎实的理论基础帮助引导数据分析与模型调优，同时也需要精湛的工程开发能力去高效化地训练和部署模型和服务。&/p&&p&需要多说一句的是，在互联网领域从事机器学习的人，有2类背景的人比较多，其中一部分(很大一部分)是程序员出身，这类同学工程经验相对会多一些，另一部分是学数学统计领域的同学，这部分同学理论基础相对扎实一些。因此对比上图，2类同学入门机器学习，所欠缺和需要加强的部分是不一样的。&/p&&p&下面就上述图中的部分，展开来分别扯几句：&figure&&img src=&https://pic2.zhimg.com/v2-0e0fe385a629c8a31b1b59_b.jpg& data-rawwidth=&472& data-rawheight=&211& class=&origin_image zh-lightbox-thumb& width=&472& data-original=&https://pic2.zhimg.com/v2-0e0fe385a629c8a31b1b59_r.jpg&&&/figure&&/p&&p&3.1 数学基础&/p&&p&有无数激情满满大步向前，誓要在机器学习领域有一番作为的同学，在看到公式的一刻突然就觉得自己狗带了。是啊，机器学习之所以相对于其他开发工作，更有门槛的根本原因就是数学。每一个算法，要在训练集上最大程度拟合同时又保证泛化能力，需要不断分析结果和数据，调优参数，这需要我们对数据分布和模型底层的数学原理有一定的理解。所幸的是如果只是想合理应用机器学习，而不是做相关方向高精尖的research，需要的数学知识啃一啃还是基本能理解下来的。至于更高深的部分，恩，博主非常愿意承认自己是『数学渣』。&/p&&p&基本所有常见机器学习算法需要的数学基础，都集中在微积分、线性代数和概率与统计当中。下面我们先过一过知识重点，文章的后部分会介绍一些帮助学习和巩固这些知识的资料。&/p&&p&3.1.1 微积分&/p&&ul&&li&微分的计算及其几何、物理含义，是机器学习中大多数算法的求解过程的核心。比如算法中运用到梯度下降法、牛顿法等。如果对其几何意义有充分的理解，就能理解“梯度下降是用平面来逼近局部，牛顿法是用曲面逼近局部”，能够更好地理解运用这样的方法。&/li&&li&凸优化和条件最优化 的相关知识在算法中的应用随处可见，如果能有系统的学习将使得你对算法的认识达到一个新高度。&/li&&/ul&&p&3.1.2 线性代数&/p&&ul&&li&大多数机器学习的算法要应用起来，依赖于高效的计算，这种场景下，程序员GG们习惯的多层for循环通常就行不通了，而大多数的循环操作可转化成矩阵之间的乘法运算，这就和线性代数有莫大的关系了&/li&&li&向量的内积运算更是随处可见。&/li&&li&矩阵乘法与分解在机器学习的主成分分析（PCA）和奇异值分解（SVD） 等部分呈现刷屏状地出现。&/li&&/ul&&p&3.1.3 概率与统计&/p&&p&从广义来说，机器学习在做的很多事情，和统计层面数据分析和发掘隐藏的模式，是非常类似的。&/p&&ul&&li&极大似然思想、贝叶斯模型 是理论基础，&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/Blog/archives/25093& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&朴素贝叶斯&/a&(&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/Blog/archives/25211& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Na?ve Bayes &/a&)、语言模型(N-gram)、隐马尔科夫（HMM）、隐变量混合概率模型是他们的高级形态。&/li&&li&常见分布如高斯分布是混合&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/Blog/archives/24049& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&高斯模型&/a&(GMM)等的基础。&/li&&/ul&&p&3.2 典型算法&/p&&p&绝大多数问题用&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/Blog/archives/35228& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&典型机器学习的算法&/a&都能解决，粗略地列举一下这些方法如下：&/p&&ul&&li&处理分类问题的常用算法包括：逻辑回归(工业界最常用)，支持向量机，随机森林，朴素贝叶斯(NLP中常用)，深度神经网络(视频、图片、语音等多媒体数据中使用)。&/li&&li&处理回归问题的常用算法包括：线性回归，普通最小二乘回归（Ordinary Least Squares Regression），逐步回归（Stepwise Regression），多元自适应回归样条（Multivariate Adaptive Regression Splines）&/li&&li&处理聚类问题的常用算法包括：K均值（&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/Blog/archives/25352& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&K-means&/a&），基于密度聚类，LDA等等。&/li&&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/Blog/archives/35335& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&降维的常用算法包括：主成分分析（PCA）,奇异值分解（SVD） 等。&/a&&li&推荐系统的常用算法：&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/Blog/archives/27413& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&协同过滤算法&/a&&/li&&li&模型融合(model ensemble)和提升(boosting)的算法包括：bagging，adaboost，GBDT，GBRT&/li&&li&其他很重要的算法包括：&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/Blog/archives/35474& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&EM算法&/a&等等。&/li&&/ul&&p&我们多插一句，机器学习里所说的“算法”与程序员所说的“数据结构与算法分析”里的“算法”略有区别。前者更关注结果数据的召回率、精确度、准确性等方面，后者更关注执行过程的时间复杂度、空间复杂度等方面 。当然，实际机器学习问题中，对效率和资源占用的考量是不可或缺的。&/p&&p&3.3 编程语言、工具和环境&/p&&p&看了无数的理论与知识，总归要落到实际动手实现和解决问题上。而没有工具所有的材料和框架、逻辑、思路都给你，也寸步难行。因此我们还是得需要合适的编程语言、工具和环境帮助自己在数据集上应用机器学习算法，或者实现自己的想法。对初学者而言，Python和R语言是很好的入门语言，很容易上手，同时又活跃的社区支持，丰富的工具包帮助我们完成想法。相对而言，似乎计算机相关的同学用Python多一些，而数学统计出身的同学更喜欢R一些。我们对编程语言、工具和环境稍加介绍：&/p&&p&3.3.1 python&/p&&p&python有着全品类的数据科学工具，从数据获取、数据清洗到整合各种算法都做得非常全面。&/p&&ul&&li&网页爬虫：&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/Blog/archives/34600& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&scrapy&/a&&/li&&li&数据挖掘：&/li&&/ul&&p&1.pandas：模拟R，进行数据浏览与预处理。&/p&&p&2.numpy：数组运算。&/p&&p&3.scipy：高效的科学计算。&/p&&p&4.matplotlib：非常方便的数据可视化工具。&/p&&ul&&li&机器学习:1.scikit-learn：远近闻名的机器学习package。未必是最高效的，但是接口真心封装得好，几乎所有的机器学习算法输入输出部分格式都一致。而它的支持文档甚至可以直接当做教程来学习，非常用心。对于不是非常高纬度、高量级的数据，scikit-learn胜任得非常好(有兴趣可以看看sklearn的源码，也很有意思)。2.libsvm：高效率的svm模型实现(了解一下很有好处，libsvm的系数数据输入格式，在各处都非常常见)3.keras/TensorFlow：对深度学习感兴趣的同学，也能很方便地搭建自己的神经网络了。&/li&&li&自然语言处理:1.nltk：自然语言处理的相关功能做得非常全面，有典型语料库，而且上手也非常容
易。&/li&&li&交互式环境：1.ipython notebook：能直接打通数据到结果的通道，方便至极。强力推荐。&/li&&/ul&&p&3.3.2 R&/p&&p&R最大的优势是开源社区，聚集了非常多功能强大可直接使用的包，绝大多数的机器学习算法在R中都有完善的包可直接使用，同时文档也非常齐全。常见的package包括：RGtk2, pmml, colorspace, ada, amap, arules, biclust, cba, descr, doBy, e1071, ellipse等等。另外，值得一提的是R的可视化效果做得非常不错，而这对于机器学习是非常有帮助的。&/p&&p&3.3.3 其他语言&/p&&p&相应资深程序员GG的要求，再补充一下java和C++相关机器学习package。&/p&&ul&&li&Java系列&/li&&li&WEKA Machine Learning Workbench 相当于java中的scikit-learn&/li&&li&其他的工具如Massive Online Analysis（MOA）、MEKA 、 Mallet 等也非常有名。&/li&&li&更多详细的应用请参考这篇文章《25个Java机器学习工具&库》&/li&&li&C++系列&/li&&li&mlpack，高效同时可扩充性非常好的机器学习库。&/li&&li&Shark：文档齐全的老牌C++机器学习库。&/li&&/ul&&p&3.3.4 大数据相关&/p&&ul&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/Blog/archives/34423& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Hadoop&/a&：基本上是工业界的标配了。一般用来做特征清洗、特征处理的相关工作。&/li&&li&&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/Blog/archives/category/big-data/cloud-computing/spark-big-data& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&spark&/a&：提供了MLlib这样的大数据机器学习平台，实现了很多常用算法。但可靠性、稳定性上有待提高。&/li&&/ul&&p&3.3.5 操作系统&/p&&ul&&li&mac和linux会方便一些，而windows在开发中略显力不从心。所谓方便，主要是指的mac和linux在下载安装软件、配置环境更快捷。&/li&&li&对于只习惯windows的同学，推荐anaconda，一步到位安装完python的全品类数据科学工具包。&/li&&/ul&&p&3.4 基本工作流程&/p&&p&以上我们基本具备了机器学习的必要条件，剩下的就是怎么运用它们去做一个完整的机器学习项目。其工作流程如下：&/p&&p&3.4.1 抽象成数学问题&/p&&ul&&li&明确问题是进行机器学习的第一步。机器学习的训练过程通常都是一件非常耗时的事情，胡乱尝试时间成本是非常高的。&/li&&li&这里的抽象成数学问题，指的我们明确我们可以获得什么样的数据，目标是一个分类还是回归或者是聚类的问题，如果都不是的话，如果划归为其中的某类问题。&/li&&/ul&&p&3.4.2 获取数据&/p&&ul&&li&数据决定了机器学习结果的上限，而算法只是尽可能逼近这个上限。&/li&&li&数据要有代表性，否则必然会过拟合。&/li&&li&而且对于分类问题，数据偏斜不能过于严重，不同类别的数据数量不要有数个数量级的差距。&/li&&li&而且还要对数据的量级有一个评估，多少个样本，多少个特征，可以估算出其对内存的消耗程度，判断训练过程中内存是否能够放得下。如果放不下就得考虑改进算法或者使用一些降维的技巧了。如果数据量实在太大，那就要考虑分布式了。&/li&&/ul&&p&3.4.3 特征预处理与特征选择&/p&&ul&&li&良好的数据要能够提取出良好的特征才能真正发挥效力。&/li&&li&特征预处理、数据清洗是很关键的步骤，往往能够使得算法的效果和性能得到显著提高。归一化、离散化、因子化、缺失值处理、去除共线性等，数据挖掘过程中很多时间就花在它们上面。这些工作简单可复制，收益稳定可预期，是机器学习的基础必备步骤。&/li&&li&筛选出显著特征、摒弃非显著特征，需要机器学习工程师反复理解业务。这对很多结果有决定性的影响。特征选择好了，非常简单的算法也能得出良好、稳定的结果。这需要运用特征有效性分析的相关技术，如相关系数、卡方检验、平均互信息、条件熵、后验概率、逻辑回归权重等方法。&/li&&/ul&&p&3.4.4 训练模型与调优&/p&&ul&&li&直到这一步才用到我们上面说的算法进行训练。现在很多算法都能够封装成黑盒供人使用。但是真正考验水平的是调整这些算法的（超）参数，使得结果变得更加优良。这需要我们对算法的原理有深入的理解。理解越深入，就越能发现问题的症结，提出良好的调优方案。&/li&&/ul&&p&3.4.5 模型诊断&/p&&p&如何确定模型调优的方向与思路呢？这就需要对模型进行诊断的技术。&/p&&ul&&li&过拟合、欠拟合 判断是模型诊断中至关重要的一步。常见的方法如交叉验证，绘制学习曲线等。过拟合的基本调优思路是增加数据量，降低模型复杂度。欠拟合的基本调优思路是提高特征数量和质量，增加模型复杂度。&/li&&li&误差分析 也是机器学习至关重要的步骤。通过观察误差样本，全面分析误差产生误差的原因:是参数的问题还是算法选择的问题，是特征的问题还是数据本身的问题……&/li&&li&诊断后的模型需要进行调优，调优后的新模型需要重新进行诊断，这是一个反复迭代不断逼近的过程，需要不断地尝试， 进而达到最优状态。&/li&&/ul&&p&3.4.6 模型融合&/p&&ul&&li&一般来说，模型融合后都能使得效果有一定提升。而且效果很好。&/li&&li&工程上，主要提升算法准确度的方法是分别在模型的前端（特征清洗和预处理，不同的采样模式）与后端（模型融合）上下功夫。因为他们比较标准可复制，效果比较稳定。而直接调参的工作不会很多，毕竟大量数据训练起来太慢了，而且效果难以保证。&/li&&/ul&&p&3.4.7 上线运行&/p&&ul&&li&这一部分内容主要跟工程实现的相关性比较大。工程上是结果导向，模型在线上运行的效果直接决定模型的成败。 不单纯包括其准确程度、误差等情况，还包括其运行的速度(时间复杂度)、资源消耗程度（空间复杂度）、稳定性是否可接受。&/li&&/ul&&p&这些工作流程主要是工程实践上总结出的一些经验。并不是每个项目都包含完整的一个流程。这里的部分只是一个指导性的说明，只有大家自己多实践，多积累项目经验，才会有自己更深刻的认识。&/p&&p&3.5 关于积累项目经验&/p&&p&初学机器学习可能有一个误区，就是一上来就陷入到对各种高大上算法的追逐当中。动不动就我能不能用深度学习去解决这个问题啊？我是不是要用boosting算法做一些模型融合啊？我一直持有一个观点，『脱离业务和数据的算法讨论是毫无意义的』。&/p&&p&实际上按我们的学习经验，从一个数据源开始，即使是用最传统，已经应用多年的机器学习算法，先完整地走完机器学习的整个工作流程，不断尝试各种算法深挖这些数据的价值，在运用过程中把数据、特征和算法搞透，真正积累出项目经验 才是最快、最靠谱的学习路径。&/p&&p&那如何获取数据和项目呢？一个捷径就是积极参加国内外各种数据挖掘竞赛，数据直接下载下来，按照竞赛的要求去不断优化，积累经验。国外的Kaggle和国内的DataCastle 以及阿里天池比赛都是很好的平台，你可以在上面获取真实的数据和数据科学家们一起学习和进行竞赛，尝试使用已经学过的所有知识来完成这个比赛本身也是一件很有乐趣的事情。和其他数据科学家的讨论能开阔视野，对机器学习算法有更深层次的认识。&/p&&p&有意思的是，有些平台，比如阿里天池比赛，甚至给出了从数据处理到模型训练到模型评估、可视化到模型融合增强的全部组件，你要做的事情只是参与比赛，获取数据，然后使用这些组件去实现自己的idea即可。具体内容可以参见阿里云机器学习文档。&/p&&p&3.6 自主学习能力&/p&&p&多几句嘴，这部分内容和机器学习本身没有关系，但是我们觉得这方面的能力对于任何一种新知识和技能的学习来说都是至关重要的。 自主学习能力提升后，意味着你能够跟据自己的情况，找到最合适的学习资料和最快学习成长路径。&/p&&p&3.6.1 信息检索过滤与整合能力&/p&&p&对于初学者，绝大部分需要的知识通过网络就可以找到了。&/p&&p&google搜索引擎技巧——组合替换搜索关键词、站内搜索、学术文献搜索、PDF搜索等——都是必备的。&/p&&p&一个比较好的习惯是找到信息的原始出处，如个人站、公众号、博客、专业网站、书籍等等。这样就能够找到系统化、不失真的高质量信息。&/p&&p&百度搜到的技术类信息不够好，建议只作为补充搜索来用。各种搜索引擎都可以交叉着使用效果更好。&/p&&p&学会去常见的高质量信息源中搜索东西:stackoverflow（程序相关）、quora（高质量回答）、wikipedia（系统化知识，比某某百科不知道好太多）、知乎（中文、有料）、网盘搜索（免费资源一大把）等。&/p&&p&将搜集到的网页放到分类齐全的云端收藏夹里，并经常整理。这样无论在公司还是在家里，在电脑前还是在手机上，都能够找到自己喜欢的东西。&/p&&p&搜集到的文件、代码、电子书等等也放到云端网盘里，并经常整理。&/p&&p&3.6.2 提炼与总结能力&/p&&p&经常作笔记，并总结自己学到的知识是成长的不二法门。其实主要的困难是懒，但是坚持之后总能发现知识的共性，就能少记一些东西，掌握得更多。&/p&&p&笔记建议放到云端笔记里，印象笔记、为知笔记都还不错。这样在坐地铁、排队等零碎的时间都能看到笔记并继续思考。&/p&&p&3.6.3 提问与求助能力&/p&&p&机器学习的相关QQ群、论坛、社区一大堆。总有人知道你问题的答案。&/p&&p&但是大多数同学都很忙，没法像家庭教师那样手把手告诉你怎么做。&/p&&p&为了让回答者最快明白你的问题，最好该学会正确的问问题的方式:陈述清楚你的业务场景和业务需求是什么，有什么已知条件，在哪个具体的节点上遇到困难了，并做过哪些努力。&/p&&p&有一篇经典的文章告诉你怎样通过提问获得帮助：《提问的智慧》，强力推荐。 话锋犀利了些，但里面的干货还是很好的。&/p&&p&别人帮助你的可能性与你提问题的具体程度和重要性呈指数相关。&/p&&p&3.6.4 分享的习惯&/p&&p&我们深信：“证明自己真的透彻理解一个知识，最好的方法，是给一个想了解这个内容的人，讲清楚这个内容。” 分享能够最充分地提升自己的学习水平。这也是我们坚持长期分享最重要的原因。&/p&&p&分享还有一个副产品，就是自己在求助的时候能够获得更多的帮助机会，这也非常重要。&/p&&p&&strong&4. 相关资源推荐&/strong&&/p&&p&文章的最后部分，我们继续放送干货。其实机器学习的优质资源非常多。博主也是翻遍浏览器收藏夹，也问同事取了取经，整合了一部分资源罗列如下：&/p&&p&4.1 入门资源&/p&&p&首先coursera（&a href=&https://link.zhihu.com/?target=https%3A//www.coursera.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Coursera | Online Courses From Top Universities. Join for Free&/a&）是一个非常好的学习网站，集中了全球的精品课程。上述知识学习的过程都可以在上面找到合适的课程。也有很多其他的课程网站，这里我们就需要学习的数学和机器学习算法推荐一些课程(有一些课程有中文字幕，有一些只有英文字幕，有一些甚至没有字幕，大家根据自己的情况调整，如果不习惯英文，基础部分有很多国内的课程也非常优质)：&/p&&ul&&li&微积分相关&/li&&/ul&&blockquote&&p&Calculus: Single Variable （&a href=&https://link.zhihu.com/?target=https%3A//www.coursera.org/learn/single-variable-calculus& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Calculus: Single Variable Part 1 - Functions | Coursera&/a&）&/p&&p&Multivariable Calculus（&a href=&https://link.zhihu.com/?target=http%3A//ocw.mit.edu/courses/mathematics/18-02sc-multivariable-calculus-fall-2010/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Multivariable Calculus&/a&）&/p&&/blockquote&&ul&&li&线性代数&/li&&/ul&&blockquote&&p&Linear Algebra（&a href=&https://link.zhihu.com/?target=http%3A//ocw.mit.edu/courses/mathematics/18-06-linear-algebra-spring-2010/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Linear Algebra&/a&）&/p&&/blockquote&&ul&&li&概率统计&/li&&/ul&&blockquote&&p&Introduction to Statistics: Descriptive Statistics（&a href=&https://link.zhihu.com/?target=https%3A//www.edx.org/course/introduction-statistics-descriptive-uc-berkeleyx-stat2-1x& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Introduction to Statistics: Descriptive Statistics&/a&）&/p&&p&Probabilistic Systems Analysis and Applied Probability（&a href=&https://link.zhihu.com/?target=http%3A//ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-041-probabilistic-systems-analysis-and-applied-probability-fall-2010/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Probabilistic Systems Analysis and Applied Probability&/a&）&/p&&p&统计与概率（&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/10398.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&大数据统计学基础-PPV课&/a&）&/p&&/blockquote&&ul&&li&编程语言&/li&&/ul&&blockquote&&p&Programming for Everybody:Python（&a href=&https://link.zhihu.com/?target=https%3A//www.coursera.org/learn/python& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Programming for Everybody (Getting Started with Python) | Coursera&/a&）&/p&&p&中谷教育python专题（&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/10388.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&中谷教育Python专题-PPV课&/a&）&/p&&p&R语言（&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/class/select%3Ftopicid%3DR%25E8%25AF%25AD%25E8%25A8%2580& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&http://www.ppvke.com/class/select?topicid=R语言&/a&）&/p&&p&DataCamp: Learn R with R tutorials and coding challenges:R（&a href=&https://link.zhihu.com/?target=https%3A//www.datacamp.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Learn R, Python & Data Science Online | DataCamp&/a&）&/p&&/blockquote&&ul&&li&机器学习方法&/li&&/ul&&blockquote&&p&Statistical Learning(R) （&a href=&https://link.zhihu.com/?target=https%3A//lagunita.stanford.edu/courses/HumanitiesandScience/StatLearning/Winter2015/about& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Statistical Learning&/a&）&/p&&p&machine learning（&a href=&https://link.zhihu.com/?target=https%3A//www.coursera.org/learn/machine-learning& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning | Coursera&/a&）：强烈推荐，Andrew Ng老师的课程&/p&&p&机器学习基石（&a href=&https://link.zhihu.com/?target=https%3A//www.coursera.org/course/ntumlone& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Browse | Coursera&/a&）&/p&&p&机器学习技术（&a href=&https://link.zhihu.com/?target=https%3A//www.coursera.org/course/ntumltwo& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Browse | Coursera&/a&）：林轩田老师的课相对更有深度一些，把作业做完会对提升对机器学习的认识。&/p&&p&自然语言处理（&a href=&https://link.zhihu.com/?target=https%3A//class.coursera.org/nlp/lecture& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Coursera&/a&）:斯坦福大学课程&/p&&p&机器学习（&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/10394.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习--斯坦福大学公开课-PPV课&/a&）：斯坦福大学&/p&&p&机器学习（&a href=&https://link.zhihu.com/?target=http%3A//www.ppvke.com/10400.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习-PPV课&/a&）&/p&&/blockquote&&ul&&li&日常阅读的资源&/li&&/ul&&blockquote&&p&北航@爱可可-爱生活的微博（&a href=&https://link.zhihu.com/?target=ht