學習中的推與拉
昨天讀了池老師的文章《非 CS 專業如何進入網際網路領域》,頗有感觸。
感觸最深的應該是第二點與第三點了。非 CS 專業,歪打正著進入軟體開發行業。由於性格原因,不喜歡直接動手,而是想著把所謂的基礎知識補好再去動手。所以第二點走了很長一段彎路。
第二點說的是先動手快速學會基本技能,獲取第一手的感性認知。為什麼要快速通過這個階段,因為這些都是跨入門檻的基礎啊!有了這些基礎,才有可能進一步往上走,往深處挖。雖然這些看起來出一些瑣碎的小事雜事,但是如果玩的不溜,會影響工作效率。而正因為是一些小事雜事,所以才需要通過大量練習,在短時間內掌握。
現在想來,其實何止換行業是這樣,不如一個新的領域,學習一門新的知識,也是如此。比如我計劃學習 HTTP/2 協議,那麼我選擇先搭建一個支援 HTTP/2 協議的伺服器,在這個基礎上,就可以試驗各種機制。如果抽象的說明難以理解,就可以通過直觀的感性模型來輔助。先構建原型,再通過迭代進行深挖。
在很多技術領域,都有推與拉兩種模型。我想在我們學習的方式上,也存在推與拉這兩種形態。“推”是順序驅動,這也許是我們最為熟悉的一種模式。先學習,後考試,按部就班,逐步深入。而“拉”模式,就是“倒逼”。設定目標,或者激發興趣,主動(也可能是被動)去學習和探索。
我認為“推”與“拉”兩種學習模式,是一直存在在我們的學習、工作和生活中。它們構成了我們學習的兩翼。二者分別是座標軸的橫軸和縱軸,而我們學習的軌跡是座標軸上的一條曲線,每一個區域性片段都可以分解為橫縱兩個方向的向量。橫著不行,就縱著來,反之亦然。
“循序漸進”是教育的不二法則,大體來說,都是由淺入深,由易到難。但是在區域性,是可以推拉並行的,這與“循序漸進”並不矛盾。
理論知識與實踐的關係,也是如此。從來沒有什麼一蹴而就的事情。我們可以先花較短的時間觀其大略,然後通過動手實踐,進行深挖,逐步提升自己的技能。實踐中遇到難以理解的就是看理論,理論上有困惑就去實際驗證一下。
相關文章
- 推薦系統中的前沿技術研究與落地:深度學習、AutoML與強化學習 | AI ProCon 2019深度學習TOML強化學習AI
- 學習筆記:FFT與拉格朗日插值筆記FFT
- 馬拉松式學習與技術人員的成長性
- 學習Django的推薦Django
- 尤拉路徑學習筆記筆記
- 學習python中的pandas有沒有好的教程推薦?Python
- 強化學習-學習筆記7 | Sarsa演算法原理與推導強化學習筆記演算法
- 機器學習 | 詳解GBDT在分類場景中的應用原理與公式推導機器學習公式
- golang中關於死鎖的思考與學習Golang
- Python學習筆記 5.0 元組 與 字典 與 集合 與 公共操作 與 推導式Python筆記
- 深度學習在推薦系統中的應用綜述(最全)深度學習
- 拉格朗日插值學習筆記筆記
- 機器學習中的數學-07-偏度與峰度機器學習
- 我的推薦系統學習之路
- 機器學習/深度學習書單推薦及學習方法機器學習深度學習
- 機器學習中的元學習機器學習
- python中list方法與函式的學習總結Python函式
- RecSys提前看 | 深度學習在推薦系統中的最新應用深度學習
- 淺談個性化推薦系統中的非取樣學習
- 知識圖譜構建與應用推薦學習分享
- 機器學習完整資源推薦(持續更新中)機器學習
- 高德拉特TOC思維繫統學習
- python值得學習嗎?為何推薦學習python?Python
- 【推薦】最常用的Python機器學習及深度學習庫合集!Python機器學習深度學習
- [譯] 強化學習中的好奇心與拖延症強化學習
- 深度學習中的Lipschitz約束:泛化與生成模型深度學習模型
- java學習中問題與解決方式Java
- ffmpeg+rtmp推流/拉流(十)
- 遊戲動畫中尤拉角與萬向鎖的理解遊戲動畫
- GitOps中推送與拉取兩種風格的區別 – thenewstackGit
- 深度學習——學習目錄——學習中……深度學習
- 【恩墨學院】深度學習在美團點評推薦平臺排序中的運用深度學習排序
- 推薦一些學習MySQL的資源MySql
- Spring的學習與實戰Spring
- CORS漏洞的學習與分析CORS
- JVM中ClassLoader的學習JVM
- 學習JavaScript中的“提升”JavaScript
- 深度學習中的Dropout深度學習
- SpringBoot中JPA的學習Spring Boot