【学习总结】 - 老喻的人生算法课

一、人生算法A计划:把你打造成一辆赛车

《人生算法》的造车计划,四个轮子是“感知-认知-决策-行动”,发动机就是我们每个人的内核,导航系统是愿景。 这辆车就是你我的个人系统,通过它,我们才能长途跋涉,去坚持做长期且有复利的事情。

1、闭环:

PDCA循环:计划(Plan)、执行(Do)、检查(Check)、处理(Action)

认知闭环:感知、认知、决策、行动 (反馈系统)

2、切换:

只用“主动控制系统”,你会太累;只用“自动驾驶系统”,你的生活就像梦游。

1、把不那么重要的事情交给“自动驾驶系统”;

2、在使用“自动驾驶系统”后,积极用“主动控制系统”复盘(切片检视);

3、在大脑中用“主动控制系统”去模拟“自动驾驶系统”(于脑海中想象演练全过程)。

由“主动控制系统”来管理、训练,刻意练习,达到一定熟练程度,再由“自动驾驶系统”来接管。

3、内控:

认知闭环:好奇感知、灰度认知、黑白决策、疯子行动(转换的内控节点-提前或者复盘理由)

在外界刺激和回应之间,存在着一个空间, 我们的回应就存在于这个空间之中,我们的成长和幸福蕴含在我们的回应中。(《高效能人士的7个习惯》柯维)

4、重启:

决策的独立性,从当前局面重头思考,并找到当前胜率最高的一手棋。把既定事实当做已知条件,重新配置资源,寻找最优解。

成功就是从失败到失败,也依然不改热情。(丘吉尔)

5、增长:

聚焦能力、社会网络以及未来的赚钱能力。

1.增长假设;

2.增长验证;- 建立最小化闭环,在输得起的时候快速试错

3.大规模增长。

6、内核:

第一,要简单,这样才可以大规模复制;

第二,要有构建系统的潜力(一堆可重复的小事,形成系统),这样才能防止被别人复制。

7、复利:

标签就是你独一无二的价值,意味着你占据了一个赛道。别人有相关的需求,也许第一个想起来的就是你。

你在一个公司里面地位是否牢靠,不取决于你有多厉害,或者是有多么勤奋,而是取决于你是不是占据了一个心智,是不是“不可或缺”。这就是个人意义的“垄断”。

延迟满足&持续学习

8、愿景:

北极星优于地图。愿景两大组成要素,核心理念和未来蓝图。

核心理念就是你努力要变成一个什么样的人;

未来蓝图就是你努力要做成什么样的事。模糊的精确,好过精确的模糊。

9、涌现:

大量微观的个体在一起相互作用之后,就会有一些全新的属性、规律或模式自发地冒出来,这种现象就称为涌现,而且最后的效果是“整体大于部分之和”。

如何构建自己的系统

你需要切换另一个角度来看待自己,我们引入“时间”这个变量。

在一个个时间切片里的我们,就像一只只蚂蚁和蜜蜂。此时此刻的你,和下一秒的你,就是两只蚂蚁。作决策的你是一只蚂蚁,行动的你是另一只蚂蚁。无数个不同时刻的你,叠加在一起,就像蚂蚁社会一样,构建了一个智能系统。所以,你自己就是一个超级智能系统。蚂蚁之间的传输控制协议,是这个智能系统的算法。不同时刻的你之间的关系、反馈、奖赏和连续性,就是你的算法。

二、人生算法B计划:力求在正确的赛道上获胜

1.片面:

二维困阻。三个“运气旋钮”: (升维,置于系统中,而非原子化)

A.老板旋钮,负责找到最好的赛车场资源;(选赛道比努力更重要)

B.教练旋钮,负责调兵遣将,分配赛道;(寻找、获取、分配资源)

C.车手旋钮,负责全力以赴,执行任务。

2、狭隘:

A.时间权,其实就是你能不能掌握时间给你带来的长期价值。如果你对未来预期很高,你就能忍受当下的不确定性,延迟满足,你就掌握了时间权。但如果你对未来预期不高,你当然希望尽快兑现,这样你就打折甩卖了时间权。

B.概率权,你能不能计算出一件事的概率,并且忍受风险的存在。

3、模糊:

量化。范围比精准更重要,量化是初步圈定了范围,但并不要求一步就到达绝对的精准。

OKR Objectives and Key Results目标与关键结果

第一,设立正确的目标,也就是明确什么样的指标是需要量化的。

第二,设计关键结果,也就是拆分需要做的动作,这个结果是可以明确量化的。

4、侥幸:

随机性,不管我们的选择有多复杂,我们多擅长支配运气,随机性总是最后的裁判,我们仅剩的只有尊严。(《黑天鹅》塔勒布)

尊严就是处变不惊,不要去寻求迷信、巧合,而是勇敢去直面,尝试去计算,拥抱不确定。

5、宿命:

概率思维,我们的思考模式和行为方式,其实就是我们每个人的人生概率。你自己就像一个骰子,没有办法改变游戏规则,就只能改变自身的结构。

6、追悔:

大数定理,大数对小数的稀释作用。大数定律不会对已经发生的情况进行平衡,而是利用新的数据去削弱它的影响力,直到前面的数据从结果上看,影响力非常小,可以忽略不计。

如果我们人生中犯了一两个错误,你不要纠结,你应该用更多正确的事,把这件事稀释掉。当我们讨论一生的命运时,我们的个人命运不取决于一两次选择,而取决于我们的系统。

短期看,生命充满了偶然;长期看,生命会呈现出必然。最好的人生大奖不是中彩票,而是调整你的人生系统。把小概率的偶然优势,变成你人生大概率会出现的必然结果。

7、非理性:

四个动物属性

我们是丛林动物,我们“恐惧”;

我们是社会动物,我们“多情”;

我们是科学动物,我们“无知”;

我们是经济动物,我们“贪婪”。

策略1: 要勇于承认“我不知道”。大脑经常只能处理一小部分信息。别骗自己。

策略2: 从长期出发。出发点和愿景很重要,你需要长线思考,关注长远目标。

策略3: 知错就改,不要追逐损失,不要自圆其说。学会止损,让过去成为过去。

策略4: 多学习,知识+实践,独立思考,深入观察事物的本质。

策略5: 掌握求真、理性的科学精神。

策略6: 学习多元化的思维模型,实现从多个维度去证伪。

策略7: 将正确的思维方式内化为一种行为习惯。

8、冲动:

只要维度不断精细,那我们的决策肯定越来越准确。先用直觉思维选定范围,再用理性逐个分析计算。

9、犹豫:

灰度认知,黑白决策。

灰度认知,你在分析选项的阶段,先不急于作非黑即白的判断,保持一定灰度,这个灰度最好有一个数值。

黑白决策,我们在形成最终决定时,必须有一个黑白分明的选择,不能模棱两可。

10、武断:复盘的时候,如何评估作过的决策?如何根据以往经验,迭代你的决策系统?

11、情面:极度坦诚,是一种效率最高的沟通方式,虽然经常很残忍。

12、霉运:运气的运气。去基础比率高的地方。配置层(要不要做)&执行层(怎么做)

13、孤独:要么扩大基数,要么提升概率

14、爆仓:剩者为王。

15、迷信:于不确定中寻找确定的解释。大胆试错和快速迭代。

16、无知:算法+心法

17、衰朽:人生算法的魔力,几乎都是通过时间来实现的。所谓时间的算法,就是专注于“现在”,将“过去”串起来,或者“放下”,通过重新配置和理性计算,用于不可知的“未来”。

18、贪婪:贪多,半径算法。扩大认知半径,明确能力半径,减小行动半径。

行动半径-规模,本质上不是能力强的结果,而是一个简单动作大量重复的结果

能力半径-你取胜的唯一途径就是知道自己擅长什么,不擅长什么,并坚持做你擅长的事情。

认知半径-视野尽可能的宽

So:

你只管把自己的人生定位这个环节打造好,自然就会被嵌入到社会的资源链条里,这远远好过只图虚名的社交。

拥有一个成功的人生,其实就是清楚地认识你是谁,同时也让别人知道你是谁。

“时刻准备着”,是在不知何时是“重大时刻”的情况下,依然尽量去做正确的事情。即使那一刻永不来临,你也会一直体验到接连不断涌来的幸福小高潮。

原文地址:https://www.cnblogs.com/ljt1412451704/p/12009415.html

时间: 2024-08-02 06:48:01

【学习总结】 - 老喻的人生算法课的相关文章

算法课笔记系列(六)—— 图(Part2)

上一周去了一趟说走就走的治疗之旅,所以算法课都没能上.:( 不过,人生有过这样一次,很足够.只要永远做自己认为对的事情就不会有跨不过去的坎. 跟上周一样,这一周的内容包含几个小部分,分别为最短路径动态规划.所有点对之间的最短路径和网络流. 第一部分:最短路径动态规划 对于一个有向图G=(V, E), 每一条边权重为cvw(权重可为负), 问题是找到从节点s到t的最短的路径.如果边的权重中有负值,则Dijkstra方法不适用.因此我们想到一个办法,给每一个权值加上一个正常数使得每一条边的权重都为非

javascript学习5-练习之2冒泡排序算法

复习冒泡排序算法,同时自己也写了一个排序算法. 实现效果: 1.自己的算法思想: 数组中数据取第一个为默认最小,依次和后面每个数据比较,只要有比其小的就交换直至找出最小的. 然后将第二个数据与其后面所有数据比较,找出最小,依次重复 2.冒泡排序算法思想: 数据从最低端到最高端为 a[n] ......a[0] 第一轮:将a[0]与a[1]比较,高者上,然后依次比较a[1]和a[2]....a[n-1]和a[n]每次将大的往上冒 第二轮: 将a[0]与a[1]比较,高者上,然后依次比较a[1]和a

Construct Binary Tree from Inorder and Postorder Traversal (算法课上的题)

Construct Binary Tree from Inorder and Postorder Traversal 这道题之前算法课上好像遇到过,思路也很简单的. 思路:后序序列的最后一个元素就是树根,然后在中序序列中找到这个元素(由于题目保证没有相同的元素,因此可以唯一找到),中序序列中这个元素的左边就是左子树的中序,右边就是右子树的中序,然后根据刚才中序序列中左右子树的元素个数可以在后序序列中找到左右子树的后序序列,然后递归的求解即可.(在去除了根节点之后,中序遍历和后序遍历的前N个树都是

最大熵学习笔记(五)最优化算法

  生活中我们经常听到人们说"不要把鸡蛋放到一个篮子里",这样可以降低风险.深究一下,这是为什么呢?其实,这里边包含了所谓的最大熵原理(The Maximum Entropy Principle).本文为一则读书笔记,将对最大熵原理以及由此导出的最大熵模型进行介绍,重点给出其中所涉及数学公式的理解和详细推导. 相关链接 最大熵学习笔记(零)目录和引言 最大熵学习笔记(一)预备知识 最大熵学习笔记(二)最大熵原理 最大熵学习笔记(三)最大熵模型 最大熵学习笔记(四)模型求解 最大熵学习笔

OpenCV学习笔记(27)KAZE 算法原理与源码分析(一)非线性扩散滤波

http://blog.csdn.net/chenyusiyuan/article/details/8710462 OpenCV学习笔记(27)KAZE 算法原理与源码分析(一)非线性扩散滤波 2013-03-23 17:44 16963人阅读 评论(28) 收藏 举报 分类: 机器视觉(34) 版权声明:本文为博主原创文章,未经博主允许不得转载. 目录(?)[+] KAZE系列笔记: OpenCV学习笔记(27)KAZE 算法原理与源码分析(一)非线性扩散滤波 OpenCV学习笔记(28)KA

用Spark学习FP Tree算法和PrefixSpan算法

在FP Tree算法原理总结和PrefixSpan算法原理总结中,我们对FP Tree和PrefixSpan这两种关联算法的原理做了总结,这里就从实践的角度介绍如何使用这两个算法.由于scikit-learn中没有关联算法的类库,而Spark MLlib有,本文的使用以Spark MLlib作为使用环境. 1. Spark MLlib关联算法概述 在Spark MLlib中,也只实现了两种关联算法,即我们的FP Tree和PrefixSpan,而像Apriori,GSP之类的关联算法是没有的.而

语言的学习基础,100个经典的算法

POJ上做做ACM的题 语言的学习基础,100个经典的算法C语言的学习要从基础开始,这里是100个经典的算法-1C语言的学习要从基础开始,这里是100个经典的算法 题目:古典问题:有一对兔子,从出生后第3个月起每个月都生一对兔子,小兔 子长到第三个月后每个月又生一对兔子,假如兔子都不死,问每个月的兔子总数 为多少? __________________________________________________________________ 程序分析:兔子的规律为数列1,1,2,3,5,8

计划:怎样学习在图像分割中水平集算法

水平集方法由 Osher 和 Sethian 于 1988 年提出[1],最初应用于流体力学领域,后被广泛应用于各种同曲线演化相关的科学研究和工程领域.1997 年Caselles等人率先将这一理论应用到图像科学领域后,开始了基于水平集方法的图像处理技术的研究. 为了提高分割的稳健性,先后提出了基于边界边缘的几何轮廓线模型.基于区域的几何轮廓线模型.基于先验形状知识的几何轮廓线模型,纹理图像分割模型.运动图像的分割分割模型及这些模型集成化的图像分割模型.多模型成分集成是近年该学术流派发展的重要趋

[算法课][分治]寻找凸包 (Convex Hull)

凸包问题是算法中经典的题目了,最近算法课讲分治问题时提到了Convex Hull,算法导论的书上也花了篇幅讨论了Convex Hull的求解,主要是Graham方法. 为了能更好地理解分治和Graham这两种解法,我决定自己动手把代码写一遍. 然而,在写之前,我发现我大一学的用行列式求解由三个点围城的三角形面积已经忘得差不多了,现在补充一下: 利用这个计算结果来判断点p3在p1p2直线的左侧还是右侧 下面是分治算法求解: #include <iostream> #include <alg