向一只狗学习 ------ 如何学习真正的知识之初探

本文探讨了如何从书籍中有效获取知识的方法,提出了区分废话与真正知识的观点,并通过具体例子阐述了好书与垃圾书的区别。
                    
    看书就能学得知识吗,怎样评价书中知识的含量呢,我这个什么事情都想弄明白的人就来讨论一下。
    记不得从哪一本书中看到的印象很深的内容,说作者在学习古代文学的时候,由于发现里面有许多落后的思想而郁闷,和一位师长探讨时,师长告诉他要取其精华、弃其糟泊,于是感觉师长真是高明,终于找到了好的学习方法。在回去的路上,偶然看到一只狗在垃圾堆里面拣东西,它不去拣砖头瓦块,专门找那些能下嘴的东西。这时作者灵光一现,原来这只狗都会运用师长的秘诀,今天它让自己学到了更多的东西。
    我也想一想,有多少书中写的东西,连一只狗也知道呢,无怪乎许多书看起来说的都是至理名言,但是花时间看过以后感觉自己什么都没有学到。
    可不可以这样总结一下,凡是结论说出来之后大家【都】会接受的,就是废话,如果结论说出来可能有人提出异议的,就是知识。需要注意的是虽然是知识,是不是能被自己接受的知识就不一定了。
    理论太多往往理解很少,下面举一个例子详细说明,有两句话:
    A是:“北大是新文化运动的中心,清华是工程师的摇篮,经过认真考虑,我终于选择了我喜欢的学校”。
    B是:“北大是新文化运动的中心,清华是工程师的摇篮,我理科擅长,最终选择了清华大学”。
    每句话有四个短句,表达了四种信息,我们从关键的选择学校方面来看,按照上面的原则,“我终于选择了我喜欢的学校”无疑是废话,任何时候这样说都不会错,难道有受虐狂喜欢上自己讨厌的学校吗。“最终选择了清华大学”是知识点,因为很可能有人提出异议不同意这句话的选择,这种有人接受有人不接受的东西才是知识。
    需要注意的是废话和知识的区分会因人因时而变。
    有一个疑问是,A句是废话吗?我怎么感觉还是能够知道了一些东西呢。因为有许多信息隐藏在句子中,所以这些隐藏的信息不经意的会被我们接受到,只是那个最终的结论“选择了喜欢的学校”这个信息点是废话。我们来找一下所有的信息点,首先前两短句:“北大是新文化运动的中心,清华是工程师的摇篮”对于不知道的人来讲确实是知识,后面的:“经过认真考虑,我终于选择了我喜欢的学校”包含的信息有:1、【我】的选择而不是别人。2、是经过【考虑】以后的选择而不是抓阄。3、我最终【选择】了而不是没有定论。
    还有一点,要不要接受发现的知识点呢,像上面的例子,如果你认同“因为我擅长理科,所以选择清华”那么就可以认同这个知识点,如果说北大的理科同样优秀或者还有什么原因,也可以不认同他的观点。其实这就体现出来好书和垃圾书的区别了,好书可以用简单易懂的话让你在不经意之间接受它的知识点,垃圾书的知识点只能死记硬背(如果不考试的话就没必要背了),当然最垃圾的书里面就找不到知识点,通篇废话,如果狗会识字的话,牵过来看看也会认同。
    当然如果每句话都这么细琢磨,那看书还不累死。是啊,我只是举个例子分析一下,就像解剖【一】只青蛙来了解青蛙的构造一样。大家在看书的时候最好有所思索,自己在书里面到底有没有学到知识,书中到底有没有含金量值得学,而不是一本一本看下去,“每周一本的目标基本实现”。
    再举一个例子,大家可以自行分析:
    A:“好的软件界面设计:窗口比例要合适、使用令人舒服的颜色、要让使用者高效方便的使用”。
    B:“好的软件界面设计:窗口比例符合黄金分割、避免使用高饱和度和冷暖对比强烈的颜色、对使用频繁的功能添加快捷键”。
    本文总体来讲也说出了一个知识点,大家认不认同,欢迎灌灌拍拍。 
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值