总排名： 639

 刘未鹏|C++的罗浮宫
RSS地址： http://blog.csdn.net/pongba/rss.aspx
共有30篇文章被收藏推荐
 鲜果标签： 编程
收录于2007-06-26
认领 报错 推荐

▶ 方法论、方法论——程序员的阿喀琉斯之踵   2008-10-31 19:33

方法论看似是个很抽象的东西，并且的确有一些方法论是抽象到 over-generalized... 方法论看似是个很抽象的东西，并且的确有一些方法论是抽象到 over-generalized （泛化过度）的地步，然而说实话在实践当中我总是发现（正确的）方法论是再现实不过的东西，比如一个大家都明白的道理是：如果方向走错了，那么做的功就基本全白费了（还有比如“如果方法对头，就能事半功倍，反之可能多走很多弯路”）——然而现实中有多少人能够真正实践这个方法呢？绝大多数人都是只顾解决眼前问题，抓了这头丢了那头，更多人是不知道问题是什么，只管把头脑中能联想到的一个以前类似情况下的类似方案套用上来。以前我总是觉得一个公司里面，CEO/CTO 这样的角色是基本摆设，但我现在不这样想了。在 How 层面把事情做好，做成一个精钻的程序员，那顶多就是能把钳子使好，这样的事情很多人都能做到，熟能生巧嘛。换句话说程序员基本上是去解决一个定义好的问题，去实施一个定义好的方案。然而决策问题就不一样了，决策问题是需要去定义问题是什么，以及权衡最佳方案是什么，不管是决策技术架构还是决策商业策略，都是非常复杂的思维过程，需要综合和权衡大量的信息，这种能力就不是简单楞着头搞下去能练出来的了，很多时候需要抬起头来看，免得只

▶ 数学之美番外篇：平凡而又神奇的贝叶斯方法   2008-09-21 18:42

概率论只不过是把常识用数学公式表达了出来。——拉普拉斯。记得读本科的时候，最喜欢到城里的计算机书店里面去闲逛，一逛就是好几个小时；有一次，在书店看到一本书，名叫贝叶斯方法。当时数学系的课程还没有学到概率统计。我心想，一个方法能够专门写出一本书来，肯定很牛逼。后来，�... 概率论只不过是把常识用数学公式表达了出来。——拉普拉斯。记得读本科的时候，最喜欢到城里的计算机书店里面去闲逛，一逛就是好几个小时；有一次，在书店看到一本书，名叫贝叶斯方法。当时数学系的课程还没有学到概率统计。我心想，一个方法能够专门写出一本书来，肯定很牛逼。后来，我发现当初的那个朴素归纳推理成立了——这果然是个牛逼的方法。——题记。这是一篇关于贝叶斯方法的科普文，我会尽量少用公式，多用平白的语言叙述，多举实际例子。更严格的公式和计算我会在相应的地方注明参考资料。贝叶斯方法被证明是非常 general 且强大的推理框架，文中你会看到很多有趣的应用。

▶ 一直以来伴随我的一些学习习惯(part3)   2008-09-17 15:14

[...根据主题来查阅资料，而不是根据资料来查阅主题。以前读书的时候是一本一本的读，眼里看到的是一本一本的书，现在则是一章、甚至一节一节的读，眼中看到的不是一本一本的书，而是一堆一堆的章节，一个一个的知识主题，按照主题来阅读，你会发现读的时候不再是老老实实地一本书看完看... [...根据主题来查阅资料，而不是根据资料来查阅主题。以前读书的时候是一本一本的读，眼里看到的是一本一本的书，现在则是一章、甚至一节一节的读，眼中看到的不是一本一本的书，而是一堆一堆的章节，一个一个的知识主题，按照主题来阅读，你会发现读的时候不再是老老实实地一本书看完看另一本，而是非常频繁地从一本书跳到另一本书，从一处资料跳到另一处资料，从而来获得多个不同的人对同一个主题是如何讲解的。比如最近我发现在看蒙特卡罗算法时就查了十来处资料，其中有三四篇 paper 和六七本书；这是因为即便是经典的书，你也不能指望它对其中每一个主题的介绍都是尽善尽美的，有些书对某个主题（知识点）的介绍比较到位，有些书则对另一些知识点介绍得比较到位。而有时候一篇紧凑的 paper 比一本书上讲得还要好。我硬盘里面的书按主题分类，每个主题下面都有一堆书，当我需要学习某个主题的知识时（譬如贝叶斯学习或者神经网络），我会把里面涉及这个主题的书都翻开来，索引到相关章节，然后挑讲得好的看。那么，如何判断一个资料是好资料还是坏资料呢？...]

▶ 机器学习与人工智能学习资源导引   2008-09-11 20:24

我经常在 TopLanguage 讨论组上推荐一些书籍，也经常问里面的牛人们搜罗一些有关的资料，人工智能、机器学习、自然语言处理、知识发现（特别地，数据挖掘）、信息检索 这些无疑是 CS 领域最好玩的分支了（也是互相紧密联系的），这里将最近有关机器学习和人工智能相关的一些学习资源归一个类。 我经常在 TopLanguage 讨论组上推荐一些书籍，也经常问里面的牛人们搜罗一些有关的资料，人工智能、机器学习、自然语言处理、知识发现（特别地，数据挖掘）、信息检索 这些无疑是 CS 领域最好玩的分支了（也是互相紧密联系的），这里将最近有关机器学习和人工智能相关的一些学习资源归一个类。

▶ 关于邮件列表讨论的几点感想   2008-09-08 12:01

每一个论坛，每一个邮件列表，在其生命历程中都会出现无数次的争吵；这是太正常不过的事情，从日常八卦论坛，到像 comp.lang.c++.std... 每一个论坛，每一个邮件列表，在其生命历程中都会出现无数次的争吵；这是太正常不过的事情，从日常八卦论坛，到像 comp.lang.c++.std 这样专业到牙齿的邮件列表，都会有大量争论的身影。所以我不想也不可能号召大家不要争论，况且一个公开的邮件列表应该是个民主的地方才对。我只想说说我个人对于什么是有价值争论的一点感想。为什么想说这些，是因为我一直觉得一个高质量的邮件列表是一个无价的财富，是每个人（订阅的，潜水的，讨论的）的财富，大家各人的知识结构不一样，看问题的视角不一样，互相补充，互相对照，是件非常美好的事情，也是极有效的学习途径。创建这个邮件列表本属于偶然的念头，但一年过去了，我把它当成这几年来做过的最有价值的一件事情，因为我从中收获了很多东西（如果你是新近加入这个列表的，不妨翻翻以前的存档吧:-)）我觉得有价值的讨论应该具备以下几个性质（对于程序员群落，有许多纯技术讨论，譬如 FAQ 式的问题，其实是不存在以下一些问题的，但也有不少复杂的决策与判断问题）