【测开方法论】学习后如何举一反三

本文探讨了显性知识与隐性知识的概念及其在学习过程中的作用。通过外显化、组合化、内隐化和社会化四个过程,阐述了如何将个人经验和技能转化为可传授的知识,并进一步发展为更全面的专业能力。

前言
学习有俩种方式,一种是显式学习,一种是隐式学习。

显式学习:看书,看教程,看视频,传统培训等。

隐式学习:在公司由老手带,跟师傅修行等。

显式学习会产生显性知识,也就是摸得见看得着的技术。

隐式学习会产生隐性知识,也就是所谓的经验,能力等。

正文
为什么同一个教程,有的同学可以举一反三,有的则不能。

问题就出在这个显性知识和隐性知识的对立和统一上。

原文:

墨格尔认为一切事务的发展变化都是对立统一运动的结果,辩证法就是通过对立统一得到真理。马克思和恩格斯发扬了这个观点,提出了有名的辩证法运动的三大普遍规律,质量互变,对立统一,否定之否定。
从这些晦涩难懂的哲学中,我们其实可以用更简单浅显的道理来应用到我们平时的学习上。

一个人想真正的成为集大成者,是不能只局限在显性知识或隐性知识上,纯显性知识会被人叫成书呆子,甚至还不如百度有用。纯隐性知识又会被人们当成是成功学大师,只会动嘴。

事实上,每一个你所知的学术界大佬,都是显隐结合的存在。

隐性知识存在于个人,一般很难用言语表达,但是当这个人把隐性知识想办法总结来表达出来,分享给其他人后,这个总结就变成了显性知识,显性知识更利于可以大范围传播。这个过程叫做:外显化。

此时有的组织或读者,可以把这些零散和各阶段的显性知识进行整合,补充,迭代。成为新的更加全面和权威的显性知识,成为了定义或者行业标准。此时这个过程就叫做:组合化。

当其他人学完吸收了这个组合化的显性知识后,自己不断的总结经验,举一反三,找出规律,最终形成了属于自己的新的隐性知识,存在于这个人自身内,也就是成为了所谓的经验,此时这个过程叫做:内隐化。

当然,还有其他方式。

当一个师傅带着一个徒弟,徒弟通过观察,模仿和训练来领悟师傅的技艺,这个过程可能没有什么实际的书面技巧,一切都在不言中,这个过程则属于直接的 隐性知识 化成了 新的隐性知识。而省略了 上面需要外显化和组合化和内隐化的步骤。这个更快的过程叫做:社会化。

对辩证法三大规律的解读
这些过程的不断转化中,时而分散,时而统一,这就是所谓的对立统一。所谓分久必合合久必分这个真理就印证在此,揭露了世间一切事务都是不断的运动的真相。

但是,在上述四种过程的任何内,都有可能产生矛盾和偏差甚至争吵。因为无论是隐性还是显性知识,都不可能是完美无缺的。所以产生矛盾后,人们就会进行解决。而解决的方法可能在一段时间后又被否定,然后又被否决。这个过程就是上面所说的:否定之否定。所以你千万不要因为自己被否定,就颓势下去,这是正常的进化代价。

旧知识被否定,产生新知识的过程,不单单可以发生在社会群体内。也有可能发生在个人的意识中,可能很多人会在被否定的时候被击倒无法爬起,然后不断的自我否定。但是如果能看明白此文就会明白,被否定才是真正意义进化的开始。否定后就会产生新的知识。新的知识积累到一定程度,就会发生质的变化。而人发生了质的变化且适应后,就会发生知识的量级变化。这个过程就是上面所说的:质量互变。

具体举例,假如知识可以用个数计算,曾经的你每天只能学习10个知识。当积累到1000个知识后,你突然悟了学习方法论,总结出了适合自己的学习方法。从此之后你每天可以学习100个知识了。

简单来说就是如此。记得多年前,一个测开大佬对我说:“我虽然不会python,但是我学会要不了一天。因为我会c,c++,node,java,go。”

现在我明白了,正是大量的代码语言知识的积累让他早已掌握了学习一门新语言最快的方法,这就是在无数的显性知识中升级成了自己隐性知识的好处。

希望正在阅读的你,能明白此文所说的东西,提高自己学习的信心。
 

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预控制研究”展,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司展需求响应、负荷预和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
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