有个TED演讲简直是为这个问题量身订做的。
The first 20 hours-How to learn Anything. Josh Kaufman at TEDxCSU
首先，可能有些地方中文表达不够精到，所以我会尽量听写引用原文，同时引用原文之后尽量用中文过渡，方便英文不太好的知友理解，英文好的知友可以直接拉到末尾，有Youtube链接，同时我也Down了高清的下来放Youku了，Josh Kaufman演讲极有感染力，你们就不用听我废话了。
同时我也会在我自己 深有体会的point加上自己的理解，见笑了。
首先作者澄清了一件事：
就是10000小时理论其实是 你需要花10000小时才能做到极致，做到行业顶尖，后来却被理解成需要花10000小时去学习。
然后就是我们耳熟能详的理论了，学习时间和学习效果有边际效用递减的关系。
Josh 通过实践，发现：
你想学什么技能，只要你有规划，用心思的投入20小时左右去学，你会被自己的表现震惊的。
然后就是重点了。
（因为知乎技术宅众多，以下我就结合我5 hour从零自学PS学到基本满足我需求的程度的经历来理解Josh的理论好了，方便大家理解）
1.Deconstruct the skill.
例子来了：
我学习PS的时候，其实主要需求是做海报，偶尔PPT展示需要做几张图，自己有时候参加各种东西做project需要做logo等，参加项目P张网页图等，而我发现我自己是走简洁风的，所以在PS那么多Skill里面，我只需要学习：
1.图层的概念
这是最最核心的，大概15Min 我才做到真正理解，当时查了很多资料，甚至拿了几张纸比划了一下。
2.如何添加字体
这个相对easy,几秒钟搞定。
3.抠图
相对难一点点，不过如果对图层的概念有深刻理解，也不算难。
2.Learn Enough to self-correct
作者举了个栗子，如果你想学编程，不要给自己买20本书然后告诉自己“等我读完这20本书就开始编程”。不要这样，你开始只要学到你 足以练习并足以自己纠错的程度就好了。
还是PS的栗子，当时我也找了几本书看，但我 从没想过要把书读完，我只是找了上一步中我发现我需要的skill学习。
3.Remove practice barriers.
简单的说就是 排除一切干扰。电脑电视游戏小说，等等等等。
这个就不举栗子了，楼主从来就没被这些干扰过，偶尔沉迷知乎后来听知友的建议装了WasteNoTime之后也不沉迷了。。
4.Practice at least 20 hours.
作者发现你学习任何skill的时候都会有一个叫做“ frustration barrier”的东西干扰你，在你没有学到一定程度之前，你可能不会有任何突破，但是一旦你过了这个frustration barrier,一切就像打通了任督二脉一样美好（你找谁？我是任督二脉。）用咱中国人的话说就是 开窍了。
所以 一开始见不到效果的时候不要放弃，一定坚持20h（这个应该只是估计值，你可以理解为你能投入的最大时间/精力）左右看看效果。
这个也不举栗子了，相信大家都能理解。
最后，Josh Kaufman 欢快的用他刚20h学会的（小吉他？）给大家奏了一曲（各种串烧，我听出来的有泰坦尼克主题曲，I'm yours,和Taylor 小美女的一首歌）
我也用5个h学会的PS做了一些勉强能看的东西。
最后是原演讲视频
墙外地址： http://youtube.com/watch?v=5MgBikgcWnY
墙内地址：
The First 20 Hours -How to Learn Anything Josh Kaufman
我的其它回答：
如果一辈子无法赚大钱成大事业，那我为什么还活着？ - Liu Cao 的回答
听过刘欢《西方音乐史》的同学，对他的课有什么评价？ - Liu Cao 的回答
金融相关：
Liu Cao 在话题 金融 下的回答
The first 20 hours-How to learn Anything. Josh Kaufman at TEDxCSU
首先，可能有些地方中文表达不够精到，所以我会尽量听写引用原文，同时引用原文之后尽量用中文过渡，方便英文不太好的知友理解，英文好的知友可以直接拉到末尾，有Youtube链接，同时我也Down了高清的下来放Youku了，Josh Kaufman演讲极有感染力，你们就不用听我废话了。
同时我也会在我自己 深有体会的point加上自己的理解，见笑了。
首先作者澄清了一件事：
what outlier actually say is:it takes 10000 hours to get to the top of an ultra competitive field in a very narrow subject. Thats what that means.
but here is what happened.
After outlier came out, 10000 hours rule was everywhere.
but the message, it takes 10000 hours to get to the top of an ultra competitive field became it takes 10000 hours to become an expert,which became it takes 10000 hours to become good,which became it takes 10000 hours to learn.
But its not true.
就是10000小时理论其实是 你需要花10000小时才能做到极致，做到行业顶尖，后来却被理解成需要花10000小时去学习。
然后就是我们耳熟能详的理论了，学习时间和学习效果有边际效用递减的关系。
Josh 通过实践，发现：
if you put 20 hours of focused deliberate practice into whatever you want to learn. you would be shocked how good you are.
你想学什么技能，只要你有规划，用心思的投入20小时左右去学，你会被自己的表现震惊的。
然后就是重点了。
There is way to practice intelligently,There is way to practice efficiently that will make sure you invest those 20 hours in the most effective way you possibly can.
（因为知乎技术宅众多，以下我就结合我5 hour从零自学PS学到基本满足我需求的程度的经历来理解Josh的理论好了，方便大家理解）
1.Deconstruct the skill.
- 想明白你真的想学的是什么？
- 很多我们想学的skill，其实是很多小一点的skill的集合。每个小部分都有自己的要求。如果你能想明白这些小的skill里面，那些小的skill能帮助你达到你的目标，你就可以先学习这些小的skill，如果你能先学会这些最重要的东西，你就能在最短的时间提升自己的表现。
例子来了：
我学习PS的时候，其实主要需求是做海报，偶尔PPT展示需要做几张图，自己有时候参加各种东西做project需要做logo等，参加项目P张网页图等，而我发现我自己是走简洁风的，所以在PS那么多Skill里面，我只需要学习：
1.图层的概念
这是最最核心的，大概15Min 我才做到真正理解，当时查了很多资料，甚至拿了几张纸比划了一下。
2.如何添加字体
这个相对easy,几秒钟搞定。
3.抠图
相对难一点点，不过如果对图层的概念有深刻理解，也不算难。
2.Learn Enough to self-correct
Learn just enough so you can actually practice and self-correct
Learning is a way to become better and better, make mistake and self-correct.
作者举了个栗子，如果你想学编程，不要给自己买20本书然后告诉自己“等我读完这20本书就开始编程”。不要这样，你开始只要学到你 足以练习并足以自己纠错的程度就好了。
还是PS的栗子，当时我也找了几本书看，但我 从没想过要把书读完，我只是找了上一步中我发现我需要的skill学习。
3.Remove practice barriers.
简单的说就是 排除一切干扰。电脑电视游戏小说，等等等等。
这个就不举栗子了，楼主从来就没被这些干扰过，偶尔沉迷知乎后来听知友的建议装了WasteNoTime之后也不沉迷了。。
4.Practice at least 20 hours.
作者发现你学习任何skill的时候都会有一个叫做“ frustration barrier”的东西干扰你，在你没有学到一定程度之前，你可能不会有任何突破，但是一旦你过了这个frustration barrier,一切就像打通了任督二脉一样美好（你找谁？我是任督二脉。）用咱中国人的话说就是 开窍了。
所以 一开始见不到效果的时候不要放弃，一定坚持20h（这个应该只是估计值，你可以理解为你能投入的最大时间/精力）左右看看效果。
这个也不举栗子了，相信大家都能理解。
最后，Josh Kaufman 欢快的用他刚20h学会的（小吉他？）给大家奏了一曲（各种串烧，我听出来的有泰坦尼克主题曲，I'm yours,和Taylor 小美女的一首歌）
我也用5个h学会的PS做了一些勉强能看的东西。
最后是原演讲视频
墙外地址： http://youtube.com/watch?v=5MgBikgcWnY
墙内地址：
The First 20 Hours -How to Learn Anything Josh Kaufman
我的其它回答：
如果一辈子无法赚大钱成大事业，那我为什么还活着？ - Liu Cao 的回答
听过刘欢《西方音乐史》的同学，对他的课有什么评价？ - Liu Cao 的回答
金融相关：
Liu Cao 在话题 金融 下的回答
看了一圈，没看到什么满意的回答，我来根据自己的自学经验来谈一谈自学一门新学科，从“小工”到专家的思想与方法吧，权当参考。
这个方法或者思想来源于机器学习领域里面一个优化求解的基础性算法： 随机梯度下降算法。
核心思想是：把成为专家当成一个目标来进行优化，定下总目标， 每一步前进，都选取对当下自己最有利、能力提升最大的方向前进，不断迭代，直到总目标基本达成。
具体实施的步骤：
1.选定总目标，明确成为某个领域的专家所需要的全部知识、能力、素质；
2.对1中的总目标进行分解（分解为小目标），选择当下最有兴趣或者最能提升自己的小目标，开始学习；
3.对当下的个人能力进行评估，再次选取在当下 能提升自己最大的方向前进；
4.迭代以上步骤，直到总目标基本完成。
下面是对这个方法或者思想的解释，或者说，回答一个问题： 使用这个模拟“随机梯度下降算法”的自学方法的好处是什么？
其实，自学一个领域我们一般会面临两方面的问题：
其一： 个人心态方面的问题，要知道，成为一个领域的专家，往往需要学习一整个体系的知识，体系庞大，即便是列下计划，也很可能半途而废，或者正如我在这个答案（ 高度自律是一种怎样的体验？）里面说的那样，由于反馈周期太长，一个人得到学习的成就感要很久，所以很多人就会焦虑，以至于最终失败；
其二： 知识体系方面的问题，又包括两个小的方面，一个是很多基础性的理论，虽然不能直接实用，但是却是支撑性的，很多人求快而不稳，不懂“曲线救国”，很难静下心学习；另一个是一个人能力的提升，往往不是线性的，而是阶段性的，层层叠叠如金字塔，按照线性的学习方法前进，不仅扩大了周期，学习效果不好，也很容易陷入纸上谈兵的困境。
而模拟“随机梯度下降”的自学方法刚好能完美解决这两方面的问题，每次选取能提升自己最多的方向前进，目标短小，很容易有成就感（要知道，成就感分两种，一是“做出了一件东西”的成就感，一是“学到或者得到某种知识”的成就感，这种学习，两种成就感都能得到）；宏观的目标落实到了微观的学习，学习也是踏实稳妥的，不会半途而废；最后，这种学习方法也符合一个人的能力是层次变化而非线性增加的基本情况，节省时间，也有很好的效果。
要注意的几点是：
1.这个办法不仅仅适用于理论知识的学习，而是也包括综合能力的提升，比如你学到了一定的理论知识之后觉得动手能力差，那你完全可以转向于提升自己的动手能力；
2.这个方法是 实用主义至上的，不提倡往往做只是写出来给自己看的“长期计划”，而是讲求一城一池的攻城略地；
3.这个方法还有一个很大的好处就是 可定制性，可以根据每个人自己不同的出发点和基础能力储备，定制自己的计划，每次选择对你个人提升最大的方向前进，而不用按照别人的学习方法依葫芦画瓢；
4.学习到某一个阶段之后，你会发现前进的道路平坦了，也就是对于几个选择方向，无论向哪个方向，可能提升都差不多，这个时候，要考虑一下你的评估是不是太感性了，拿出纸和笔，好好列举评估一下自己，或者做一些较难的项目，感受下欠缺的是什么；
最后，我用学习 数据挖掘领域的知识做一个举例吧：
（PS：其余领域学习也许可以参详一下：
你会如何重新学习编程？
如何提升个人经济学素养？
如何快速成为数据分析师？ ）
数据挖掘领域的知识与理论是交叉性质的，总的来说包括数学方面（主要是数值计算，数学分析，高等代数，概率论与数理统计，最优化等）；计算机方面（编程能力，算法与数据结构，计算机系统，数据库编程等）；行业知识方面（数据挖掘往往是特定领域的应用，对特定领域，比如说营销、教育、社会网络、金融学，以及生物学物理学等领域的知识要了解才知道如何下手以及后续优化）
其实，很多准备学习数据挖掘并且准备在这个领域有所作为的人，大多都是来自于以上三个领域，他们对自己的领域或多或少都有一定的了解，这个时候，如果准备学习，完全可以按照一个步骤来走：
1.先学习《 数据挖掘 (豆瓣)》这本书，总观大略，看不懂也没关系，标记起来，有个整体的印象就好，然后结合一些数据挖掘工程师的要求，明确总目标；
2.根据自己的情况，看书自学，选择自己最有兴趣的方向前进，比如对数学方面不太了解的，可以先看陈希孺的《 概率论与数理统计 (豆瓣)》或者蓝以中的《 高等代数简明教程（上册） (豆瓣)》，两本的讲解都非常清晰明了，我想即便是文科生好好看也完全能够摸透；对计算机方面不太了解的，可以看下《 计算机科学概论（第11版） (豆瓣)》，对计算机与编程有一个整体了解，然后看一点python教程（python在机器学习方面的应用，代码很清晰）；
3.有了一定的了解后，继续参照总目标，选择学习更多的理论知识，选择的原则还是“对当下有最大提升”这个指标；
4.理论知识学了个大概，动手能力不能落下，开始动手，下载数据集测试调校；
5.深入学习理论知识；
6.迭代以上步骤，理论知识学习与动手能力提升，一个也不要落下，直到成为该领域的专家为止。
好了，趁数据还在测试，打了一个小时的字，谢谢诸位阅读。
另1：机器学习、数据挖掘交流群：470465986，加群须注明个人技能；
另2：治疗拖延的一个答案，也许可以一看： 如何说服自己去做一件需要较长时间周期、必须坚持做才能做好的事情？
另3：如果你觉得写得还好，可以扫描下面的二维码请我喝一杯茶，感谢：
这个方法或者思想来源于机器学习领域里面一个优化求解的基础性算法： 随机梯度下降算法。
核心思想是：把成为专家当成一个目标来进行优化，定下总目标， 每一步前进，都选取对当下自己最有利、能力提升最大的方向前进，不断迭代，直到总目标基本达成。
具体实施的步骤：
1.选定总目标，明确成为某个领域的专家所需要的全部知识、能力、素质；
2.对1中的总目标进行分解（分解为小目标），选择当下最有兴趣或者最能提升自己的小目标，开始学习；
3.对当下的个人能力进行评估，再次选取在当下 能提升自己最大的方向前进；
4.迭代以上步骤，直到总目标基本完成。
下面是对这个方法或者思想的解释，或者说，回答一个问题： 使用这个模拟“随机梯度下降算法”的自学方法的好处是什么？
其实，自学一个领域我们一般会面临两方面的问题：
其一： 个人心态方面的问题，要知道，成为一个领域的专家，往往需要学习一整个体系的知识，体系庞大，即便是列下计划，也很可能半途而废，或者正如我在这个答案（ 高度自律是一种怎样的体验？）里面说的那样，由于反馈周期太长，一个人得到学习的成就感要很久，所以很多人就会焦虑，以至于最终失败；
其二： 知识体系方面的问题，又包括两个小的方面，一个是很多基础性的理论，虽然不能直接实用，但是却是支撑性的，很多人求快而不稳，不懂“曲线救国”，很难静下心学习；另一个是一个人能力的提升，往往不是线性的，而是阶段性的，层层叠叠如金字塔，按照线性的学习方法前进，不仅扩大了周期，学习效果不好，也很容易陷入纸上谈兵的困境。
而模拟“随机梯度下降”的自学方法刚好能完美解决这两方面的问题，每次选取能提升自己最多的方向前进，目标短小，很容易有成就感（要知道，成就感分两种，一是“做出了一件东西”的成就感，一是“学到或者得到某种知识”的成就感，这种学习，两种成就感都能得到）；宏观的目标落实到了微观的学习，学习也是踏实稳妥的，不会半途而废；最后，这种学习方法也符合一个人的能力是层次变化而非线性增加的基本情况，节省时间，也有很好的效果。
要注意的几点是：
1.这个办法不仅仅适用于理论知识的学习，而是也包括综合能力的提升，比如你学到了一定的理论知识之后觉得动手能力差，那你完全可以转向于提升自己的动手能力；
2.这个方法是 实用主义至上的，不提倡往往做只是写出来给自己看的“长期计划”，而是讲求一城一池的攻城略地；
3.这个方法还有一个很大的好处就是 可定制性，可以根据每个人自己不同的出发点和基础能力储备，定制自己的计划，每次选择对你个人提升最大的方向前进，而不用按照别人的学习方法依葫芦画瓢；
4.学习到某一个阶段之后，你会发现前进的道路平坦了，也就是对于几个选择方向，无论向哪个方向，可能提升都差不多，这个时候，要考虑一下你的评估是不是太感性了，拿出纸和笔，好好列举评估一下自己，或者做一些较难的项目，感受下欠缺的是什么；
最后，我用学习 数据挖掘领域的知识做一个举例吧：
（PS：其余领域学习也许可以参详一下：
你会如何重新学习编程？
如何提升个人经济学素养？
如何快速成为数据分析师？ ）
数据挖掘领域的知识与理论是交叉性质的，总的来说包括数学方面（主要是数值计算，数学分析，高等代数，概率论与数理统计，最优化等）；计算机方面（编程能力，算法与数据结构，计算机系统，数据库编程等）；行业知识方面（数据挖掘往往是特定领域的应用，对特定领域，比如说营销、教育、社会网络、金融学，以及生物学物理学等领域的知识要了解才知道如何下手以及后续优化）
其实，很多准备学习数据挖掘并且准备在这个领域有所作为的人，大多都是来自于以上三个领域，他们对自己的领域或多或少都有一定的了解，这个时候，如果准备学习，完全可以按照一个步骤来走：
1.先学习《 数据挖掘 (豆瓣)》这本书，总观大略，看不懂也没关系，标记起来，有个整体的印象就好，然后结合一些数据挖掘工程师的要求，明确总目标；
2.根据自己的情况，看书自学，选择自己最有兴趣的方向前进，比如对数学方面不太了解的，可以先看陈希孺的《 概率论与数理统计 (豆瓣)》或者蓝以中的《 高等代数简明教程（上册） (豆瓣)》，两本的讲解都非常清晰明了，我想即便是文科生好好看也完全能够摸透；对计算机方面不太了解的，可以看下《 计算机科学概论（第11版） (豆瓣)》，对计算机与编程有一个整体了解，然后看一点python教程（python在机器学习方面的应用，代码很清晰）；
3.有了一定的了解后，继续参照总目标，选择学习更多的理论知识，选择的原则还是“对当下有最大提升”这个指标；
4.理论知识学了个大概，动手能力不能落下，开始动手，下载数据集测试调校；
5.深入学习理论知识；
6.迭代以上步骤，理论知识学习与动手能力提升，一个也不要落下，直到成为该领域的专家为止。
好了，趁数据还在测试，打了一个小时的字，谢谢诸位阅读。
另1：机器学习、数据挖掘交流群：470465986，加群须注明个人技能；
另2：治疗拖延的一个答案，也许可以一看： 如何说服自己去做一件需要较长时间周期、必须坚持做才能做好的事情？
另3：如果你觉得写得还好，可以扫描下面的二维码请我喝一杯茶，感谢：
758
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
