1 以问题为导向
所有的学习过程如果不是为了解决该问题而学,那便没有必要。因为学了就会忘记,我们对于知识最深的感触就是它解决了什么问题,只有用它解决了某个问题。才能学到它,不用则不学。
2 理解任何知识的万能推导公式(笛卡尔)
- 自明律
除非自明,否则绝不承认任何东西为真。
举个例子:比如1+1=2,这种显然的东西,否则都不承认为真。
- 分析律
把问题分析的越细越好(数学分析)
举个例子:
- 比如对你的问题的综述,就类似于分析,它把这个问题来龙去脉说的特别细。
- 越细小越是博士越要加油的地方,比如提一个大问题下的小问题,然后自己解决它。
- 综合律
由最简单、最容易的知识一步步的推出最复杂的知识。
举个例子:
- 比如概率图模型的理论基础
- 泊松分布的理论基础,就是概率论的概率空间
- 一切从最简单的,也就是数学建模中假设非常强。
- 朴素贝叶斯模型的理论基础(每个变量都独立)
- 枚举律
分类讨论,对每种情况都细细的检查。(分类讨论)
举个例子:
- 我所研究方向的波利亚罐子模型,对所有随机生成树上的分类讨论。一种算法,多种应用场景,分类讨论
- 传播是图还是树
3 数学思想
3.1 整理思想
选择什么规则整理获取新信息。
3.2 函数思想
定量变量的之间联系。
3.3 分类讨论
都某个变量发生变化,结果可能有根本性不同。
3.4 转化思想
复杂简单化、一般特殊化、未知变为已知,就是抽象。
3.5 具体化
一般特殊化(比如赋极限值)
3.6 逆向思想
反证法。