学习的模型

作者: 鸭梨山大哎 | 来源:发表于2017-05-21 21:29 被阅读9次

两种增长曲线

对数增长

进步以对数方式增长。随着你做得越来越好,就越来越难取得进步。顶尖运动员花费大量的努力才将他们的最好成绩提升数秒,而普通运动员通过一点点的练习就获得了分钟级的进展。

对数增长是第一种增长类型。这种类型在初期增长很快,但随后进展就越发困难。


指数增长

现在想象一下另一张不同的图。这次你架设了一个博客网站并定期更新,然后考察网站的订户。这张图很可能看起来非常不同:

这是一种指数增长,属于第二种增长类型。网站流量呈指数增长,因为一个博客它吸引越多的读者就有更多机会进行口碑传播。而一个零流量的博客是不会产生口碑传播的。

我注意到大部分事情都是要么呈现对数增长,要么指数增长。尽管如此,线性增长才是大多数人期望的。我们倾向于期望事情和过去一样保持同样的方向和速率移动。这类与我们期望的违背,导致我们在设定目标并实现它们时会犯一些错误。

对数增长错误

第一类错误是假定了线性增长,但现实却是对数增长。有许多情形符合这类模式:

  • 运动成绩
  • 增重/减肥
  • 学习一门新语言
  • 生产效率
  • 掌握一门复杂的技能
    假定线性增长对于长期发展而言则过于自信。结果是,如果不去调整难度以打破舒适的节奏,那就很容易达到瓶颈。

对数增长也意味着更容易退步,因为起步阶段是如此的陡峭。不认真对待的话,那些迅速获得的进步常常也很容易失去。对快速减肥的需求比慢慢减肥更强烈,但一旦你停止努力就有快速反弹的风险。

对数错误是很常见的,但当现实是另一种增长曲线时,错误依旧。

如果你明白一件事是对数增长模式的,就不要对它期望过高。

指数增长错误

同样,人们视增长为线性的,但事实却是指数式的。通常符合指数增长曲线的例子如下,至少它们的部分生命周期是符合的:

  • 科技进步(例如:摩尔定律)
  • 业务增长
  • 财富增长
  • 职业回报
    不像对数曲线,几乎没什么事物能一直保持指数增长。大部分仅能在一定的范围内保持指数增长,越过这个范围后就又会回归到对数增长。

没有业务能达到接近无限的价值,尽管这个业务是按指数曲线增长的。最终市场份额会达到饱和,或者竞争让增长趋于稳定。尽管如此,对于许多类型的业务而言,指数增长会占据其生命周期的大部分时候。

指数曲线相比对数曲线是稍微更罕见些,因而在这里犯错代价也更大。期望线性增长实际却是按指数增长,这让许多人在拐点发生前就放弃了。

数年前,当我对自己的业务收入按线性预测时,感到一阵心灰意冷。按线性增长率,大概需要十二年或更多时间,我才能全职投入并依靠其生活。然而,我的收入却呈现指数增长。尽管其中更多的时间是低于我的理想预测的,但最终却超越了我的理想值。

在呈指数增长的生活领域内,到处都是半途而废者。人们总是按线性方式来评估进展的可见性,然而在指数增长曲线接管前就放弃了。不能说这种放弃都是非理性的,许多指数增长的领域也是充满了高度的波动性。尽管如此,关于指数领域的问题在于:有些反馈看上去很糟,实际却是好的。

关于财富,知识都应该找到指数增长的实践途径。

如何判断增长模式?

你的增长是指数式的还是对数式的?

对于上述两种类型的错误,搞不清楚是处在指数域还是对数域的代价是高昂的。哪个是哪个不总是那么清晰,但通过推导论证一个领域的特征,你会得到更好的感觉,它可能是什么。

最容易分辨的方式是观察在此领域中其他人是如何取得进步的。别把注意力放在他们的增长率上,而是关注他们成长的轨迹。它是随着日渐精进而逐步变缓还是加速?

指数增长的故事往往是这样的:一个人艰苦努力挣扎良久,一直看不到什么成果,然后突然间很快取得了成功。这些故事往往看起来像是一夜成名,因为人们总是忽视了之前多年无名的艰辛。

对数增长的故事包含着持续的投入以保持巅峰的状态。一个流利的第二语言演讲者会说:日常的练习是必须的,没有所谓的一个“突变”时刻。

有些情况到底是指数的还是对数的,通过其他一些环境特征能帮你分辨。指数域环境似乎常建立在一种循环因果或困境之上。有钱能让你更容易赚更多的钱,这不仅仅是因为利率,而是因为人们通常把机会给予富人,而非那些还未取得成功的人。

对数域,一旦采用了“有效的”解决方案,通常其回报呈现递减趋势。你在其上花的功夫越多,你感到越来越难产生洞察以获得新的收益。偶尔,你可能发现一些被忽视的机会,然后重新回到曲线陡峭上升的部分,但这正是其固有的难处。

看看随着学习收获变得快了还是慢了来判断。比如关于记忆的书读多了发现来回就那么几个理论。

如何利用两种思维模式

在对数域,有两种思维模式很重要:

起初,高增长阶段,关注点需放在养成长期习惯。因为,开始阶段增长很快,需要小心一旦停止努力后它不会向下滑落。

之后,低增长阶段,关注点需放在打破习惯上。通常,僵化的例行公事带来的是低增长,需要采取刻意的努力来打破并走出舒适区。

在指数域,柔韧且持久的思维模式是关键。因为在曲线的起步阶段反馈稀少且通常是负面的,要坚持下去需要奉献精神。部分原因是,企业家常常沉溺于他们的愿景之中,这帮助他们抵御了负面反馈直到指数增长的拐点到临。

学习语言关键在于养成习惯。而学习python关键在于入门的兴趣。
人生五种成长曲线,你选择哪种人生? - 简书

相关文章

  • 2.4 机器学习概念 - 其他分类

    在线学习和批量学习 批量学习采用的模型是原始数据生成的模型,输出的结果数据,不会改变原有模型在线学习生成的模型是根...

  • 21/21 时间管理第一阶段的学习复盘

    一、通过本阶段的学习,我学习到了三个重要的模型——“目标模型” “计划模型” “任务模型” “目标模型” 强调的是...

  • 日更-《模型思维》32

    ## 第26章 学习模型 学习模型介于理性选择模型与基于规则的模型之间。 - 理性选择模型假设人们会审慎考虑所处的...

  • 统计学习方法概论

    统计学习方法概论 统计学习 监督学习 统计学习三要素 模型评估与模型选择 泛化能力 生成模型与判别模型 分类问题 ...

  • 分类

    机器学习方法:监督学习, 半监督学习,无监督学习,强化学习。 监督学习:判别模型,生成模型。 判别模型:条件随机场...

  • 大数据-----软件开发模型(详细讲解)

    大数据学习免费学习资料(免费教程) 软件工程中,常用的开了模型有四种:瀑布模型、原型模型、增量模型和螺旋模型。 ⒈...

  • [xactor]学习笔记--序

    最近学习CSP模型和actor模型,actor模型没有玩过。所以开始学习。actor模型在rust语言下有 Xac...

  • 2020-06-17-深度学习推荐系统 第3章

    在第二章学习了传统的推荐模型的发展,本章主要介绍一些比较重要的深度学习模型的进展. 深度学习模型的优势在于: 模型...

  • 《统计学习方法》-第一章(3)

    生成模型与判别模型 监督学习的任务就是学习一个模型,这个 模型一般是决策函数:或者条件概率分布: 分类 监督学习的...

  • 深度学习模型调试和监控(7.2)

    7.2 深度学习模型调试和监控 本小节学习如何监控模型训练的过程。 7.2.1 模型训练中应用回调 当你训练模型时...

网友评论

    本文标题:学习的模型

    本文链接:https://www.haomeiwen.com/subject/fkpvxxtx.html