新途径讲判断推理 下载 pdf 电子版 epub 免费 txt 2025

暂无相关简介，正在全力查找中！

暂无相关目录，正在全力查找中！

暂无相关内容，正在全力查找中

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：新途径讲判断推理在线阅读

在线听书地址：新途径讲判断推理在线收听

在线购买地址：新途径讲判断推理在线购买

暂无原文赏析，正在全力查找中！

暂无其它内容！

• 作者：萧二十 发布时间：2023-10-02 14:45:00

  图书馆借到了第二卷，感慨一句：好精致的书，彩印图片清晰，还在文字介绍上搞了高亮标记（虽然我并不知道为什么那些句子要标高亮）

  总结：非铜版纸，很轻一本，内容较浅薄，适合历史与艺术入门级读者

• 作者：Kyra 发布时间：2016-10-05 00:43:37

  強迫症想把全套看完，但是其實質量已經下降了……特別是感情方面……真真噁心……

• 作者：启罗米突 发布时间：2013-06-02 00:48:11

  后记好玩

• 作者：legend 发布时间：2013-07-13 21:32:06

  介绍TCP/IP很详细，概念很清晰，并且附带很多计算机实际应用，只是有些应用在linux系统下找不到。

• 作者：想飞的鱼 发布时间：2022-08-28 12:54:25

  百年前发生的千年文物的流转，一代故宫人二十多年的青春，换来千万年的文化传承。

• 作者：海船上的酒馆 发布时间：2022-07-11 05:00:07

  很好很贵

• 创意，个人努力+合作

  作者：雪地里的水煮蛋 发布时间：2012-03-08 06:28:46

  Imagine - Jonah Lehrer

  Imagine (Jonah Lehrer)

  这本书不深，挺容易读的，新意也不算特多。类似方面的书看多后也是觉得都差不多。基本就是想做重大创新的，不要学太多太死。不记得哪本说的，大约大二学生的水平即可，（但是不知道这个claim的根据是什么，数据怎么来的。毕竟重大创新是挺罕见的，有足够的数据能支持这个说法么？“大二”知识是怎么quantify的？）anyway表挑刺。基本知识到场，用暗时间后台处理。多多接触貌似完全无关领域，增加random noise刺激自己产生崭新联系。老雕似乎也有类似说法。从商的未必就只跟从商的人讨论，也可以跟文学，艺术方面懂行的人谈话。有时候容易觉得无关领域就没有意思，于是不去听别人说。其实“没有兴趣”本身就是关闭创新的窗户了吧。新想法多多的牛人经常是对各种东西都有兴趣，设计的公司有各种玩具，杂志，乱七八糟的小东小西来激起新想法。

  1 右脑

  随机联想状态，找寻新联系，新点子。creativity现在基本被定为为重组，而不是一定要弄出崭新的，无论在本领域还是其他领域都没有过的东西。

  早上刚刚醒的时候别忙起来，潜意识里面的新点子可能可以被送到前台。刺激性，兴奋的东西抑制随机联想，阻碍新点子产生。现在有说法是那种ADD思想天马行空的人更加有创造力，当然我觉得也得结合下面说的“抑郁性”把点子carry through才行。经常practice mindfulness的人，可以让自己脑子非常集中，又可以非常分散，收放自如，要点子有点子，要执行有执行。

  好心情：

  从无到有的产生idea期间，杂音多才好。增加variation从而寻求偏离常态的outlier，里面很可能有真金。

  有时候特意添加限制这些限制等于是台阶，踩着能高升。增加不同领域信息重组的机会。太过真心，无法跳出盒子的时候，特意去打断自己的专注，有助于开阔思路。好心情，散步，洗热水澡之类放松活动助于让大脑里面的“暗运算”呈现出来。高高兴兴的情况更能想到好多点子更有创造力。

  假象自己又是个小孩这一简单的心理暗示也可以让人更加有创意。

  2. 左脑

  分析跟审慎也有用武之地的。

  抑郁：

  有了大体idea后完善之，需要能沉下去，耐心的不断做小改进，直到改好。Imagine里面说的是一个人的完善。这个过程不是特别愉快，小抑郁的心情可能更好保证人能沉下心做小tweaking. 在Idea hunter里面描述这个过程是team work，一个高效workflow比一个好点子重要多了。有的点子开始也未必就多牛叉，反复修改，相互提意见做改进，最终可能就牛叉了。

  在找到好点子，跟无目的的白日梦之间有个小小的平衡点。练习放松脑子让其自由联系，同时又保证观察自己找到的联系，免得后台都已经找到了，但是前台都不知道。找到这种平衡貌似就是个人创意的基础了。

  有时候很困了，可以意识到自己正在进入睡眠状态，但还没有真正睡着。如果你一使劲动脑子想东西，或者外界有什么声音之类刺激，就醒来了；如果没有，就slip into sleep失去意识了。这个时候很有趣。感觉作者描述的平衡点就像这个点。

  无论是发散思维还是坚持做小改进的毅力都是可以训练出来的（当然我觉得这个也有天生差异，后天弥补吧。。。。）人还有能力判断是否正在接近答案，无法解释，但是可以感知。感知还差得远，就多发散。感觉有谱了，就耐心微调。

  这里作者也说了知识太多不利于想象力。2年大学的教育就差不多了。（怎么衡量的？？？）那怎么办呢？作者解法是不断换行业，太过熟悉后就稍微的转转行，保持新人的视角。这点我看着有点犹豫。我觉得我们系里老师都还是很牛叉的，很老了依然在发新文章什么的。可能科研很大程度上是个“微调”的活儿，而不是特别的创新？那这么说的话，到底什么样的工作称得上是创意的工作呢？做graphics design的多数时候还不是参考别人的设计。。。写小说写电视剧的，写来写去也经常是俗套。真正重大的创意直接就不多吧，所以case study里面讲来讲去都是那么几个。。。。。。。离题了。

  旅游

  出去走，离开熟悉环境，假定的好多东西都不对了需要检查，不会滑入auto mode. 于是好像每个毛孔都打开了，更容易发现和真的看见(see, instead of merely look)新鲜的东西。这也是旅游的重大魅力之一。如果不太旅游，有多个social identity社会角色，也有类似效果，顺便也接触了不同圈子的人。

  用别人的想法

  纠结多年的时间机会成本问题。生活在大农村，物理上非常封闭，通过网络和偶尔见见朋友来接触外界。突然搬家住进城或者频繁参加什么什么meetup似乎不太靠谱。过去的经验是网络上先大致认识觉得还说的拢的，那么见面后玩的拢的概率比较高。创新固然重要，但一定拧着自己性格做不喜欢的事情效果也不见得好，自己权衡吧。虽然各种的实验似乎都在指向，大量的weak ties带来的好处多过少量的strong ties，要说服自己去adopt lots of weak ties还真的不容易。----------- 在idea hunter书里面似乎想明白。All sources are not created equal. 保持open mind跟人交谈完全必要，但是并不是所有人所有交谈都创造同样的价值。一方面要克服default状态，尽量去接触不同的人，另外记得记录这些产生的价值来评估谈话source。并不是随便跟任何无关的人谈话都一样好使，不信干嘛做IT tech startup的都钻硅谷，不去钻纽约的唐人街？哪个密度大？

  不同书对brainstorming session褒贬不一。有的innovation/design的书(好几本，忘记哪几本)大大的推崇，强调不要批评；有的（e.g. Imagine)很反对，说就是适量的批评才是有效的地方，有的反对是说这些都太shallow，容易形成group think，比独自想清楚然后拿一起比还糟糕，不如找对人性和meaning认识深刻的牛人领队。有的说引出大量idea但是在refine那一步做的不好，所以效果才不好的，如果改进就效果好。

  都引用了些貌似有理的数据。

  到底什么情况下好用？How do you know? How did you test the hypothesis? What make brainstorming work in this particular circumstance? What contributed to the end result? How can we extend the result to other areas?

  Team要敢于说真话，敢于指出别人不足的地方，这样才有的改进，一派和气反而不好。提意见不要光说不好，最有效的方式：提出改进意见让这个点子可用，instead of shooting it down...

  关于face to face meeting超越online交流，当然是的。不过在计算机软件这样的领域可能online communication受限也少点吧，另外科技现在进步很快，记得facetime 之前都还没有什么video audio都特别顺畅的软件，现在不也有了？voice transcribe现在起码英文的已经不错了，中文的还差的远。如果说diversity是王道，那么网上认得的人应该比路上随机遇到的要更diverse，起码如果选择这样去认识人的话。相信随机遇到生人很重要，跟半生不熟的人谈话也很重要，不过还是对科技有信心。

  现在的sns什么的都是跟已经是熟人的人联系，感觉是很好，创新方面用处却有限。新技术如果能更仿真人在analogue world的偶遇邂逅，将促进更多创新。感觉豆瓣就还8错起码可以按兴趣找到一批批的人。但是排除了二逼青年，不知道是否也因此排除了一些random noise，减少新点子发生率？G+控制噪音率是个很不错的feature。

  另外关于人口密度与创新的关系，我没有什么历史知识，记得Niall Ferguson的书里描述古中国人口密度大被描述为弱点用来解释为什么鸦片战争之前欧洲成为列强而中国被宰割。改革开放之前的中国更别提。所以作者后面说的几条很重要。光有人口密度显然不成的。作者的数据貌似是说美国国内，密度大专利多。中国人辣末多，如果能有类似东西研究研究应该很有意思。那么多年轻人挤破头的往那么a handful of cities里面挤，多大程度是因为从彼此的交流里面相互都获得更多点子然后as a whole提高全民生产力呢？

  微微局部提高效率，不如look at the big picture，提高创新能力从不同角度考虑，带来的不那么efficient但是有翻天覆地变化的新模式，才是正理。（warfalcon 貌似前几天的博文也有这么一篇title的）公司往往很大以后，每增加一个员工带来的利益反而越来越少。城市呢想法，越大越好（again，我对此持怀疑态度）。

  当然作者说了，光密度不行还需要有：1能容忍一定程度上打破陈规 2 尊重知识产权 3 教育的普及，尤其是让儿童从实践中学习而不是死读书，死听讲。现在国内密度，wk那叫一个大。教育做的还蛮好了，虽然实践上也有提升空间，但是我一贯真心觉得现在的小孩里面颇有一批很牛的人。容忍不守规矩，这个更是了哈哈，只要有利可图，breaking the rules算虾米。知识产权估计是问题所在了。不尊重别人的，咱大可以山寨。可是然后自己也被山寨。山寨如此的容易便宜，以至于何必浪费时间精力冒风险去创新？创新出来了也不过是被别人山寨去。当然这个也在改进。但是我想中美人口密度的重大差异是diversity。美国可能的确是密度大的地方（NYC, Chicago, SF, etc）碰巧人也形形色色，世界各地，各种教育程度和背景都有，大量高技术移民。中国因为本身外来人就不够多，至少目前来说，美国的移民跟中国的背景层次也太不一样了。中国人内部homogeneity也非常高，所以对difference的容忍貌似稍微低。

  读书。

  旅行。

  倒空自己的杯子，然后决定用来装什么。

• 《决战大数据》-养数据解决问题

  作者：Annie 发布时间：2020-08-29 18:23:12

  

  写在前面

  跟《数据的本质》同一个作者，基于同样的原因一口气翻完了这本书，私以为从实际应用上而言，这本书对于实践中遇到的问题和解决的思路与套路更结构化一些。能够把事情做到出彩的人，往往是能够提出好的问题并且能够讲好故事的人。所谓功夫在身外，好的数据分析的应用更需要降低学习成本，提升数据分析的运营效率，腿部、腰部、脑部，在不同的逻辑框架层次中着力，

  win the war not the battle

  。

  一、从数据化运营到运营数据

  1. 用兵法的思维看数据：

  道：分析师对人和事物基本规律的诠释；数据分析不应该从数据开始，而是要从对世界、产品、商业行为最基本的认知着手。

  计：使用合适的计谋，利用商业智能形成的不对等信息形成战略优势，造就优胜的“势态”。

  胜：找到取胜的要领，数据分析上要做到快速精准、高规模可复用、产品化应用等。

  2. 数据应用的三个阶段：

  用数据、养数据、从看数据到用数据。

  3. 数据产品化关键：

  数据分析也要讲究用户体验，用产品化理念来管理数据团队，数据分析框架是给到数据产品养分的关键点；把分析的理念和框架变成数据产品，本质上是一个

  数据泛化

  的过程。

  

  //好的数据报告......必须要知道以下5个问题//

  1）这是什么问题？

  2）这是谁的问题？

  3）这个问题现在必须马上解决吗？

  4）这个问题我们能解决吗？

  5）我们有足够的数据来解决吗？

  首先，报告的前3页一定吸引人，让人有继续阅读的欲望；

  其次，当别人看到一页数据，心里在猜测背后的各种原因时，下一页的的报告要能够解决他们的疑问。

  产品化的数据分析团队必须先要学会问“问题是什么”并以此作为切入点。

  

  4.让用户喜欢数据，就会让团队喜欢自己。

  5. 数据应用内三板斧-用数据：混、通、嗮。

  

  混:数据打通，前期后后逻辑要严密，数据与数据要跟业务联系得上。混在商业场景中，把数据与商业场景打通，将数据产品作为载体。和业务方混在一起，和用户混在一起，贴近业务和用户才能培养出敏锐的商业意识。

  通：打通数据和商业的链接，让数据真实反映商业引导决策；同时建立合理的数据使用体系，打通部门与部门间的数据交叉。

  “晒”即是要学会如何数据可视化，把数据以最适当的方式晒出来，让更多的人使用。对于用户要一般宣传理念，以便教授技巧，让用户知道怎么使用数据、怎么用好数据，知道数据的价值。呈现有价值的数据，让数据证明（衡量）业务、优化业务、发现业务机会、创造商业价值。

  

  6.

  数据应用外三板斧-养数据：

  存、管、用。

  存：数据收集，学会用数据产品来解决获取及使用数据的问题。

  管：数据治理

  用：数据赋能，在数据的分列和重组上做到颠覆性创新。

  通过内外三板斧形成数据化运营闭环，看数据有没有，细不细，全不全，稳不稳，快不快。

  

  7. 用数据找机会，养有实效的数据，锻造数据力和思考力的合力。

  8. 数据十戒：见下。

  

  //数据十诫//

  1.一切从定义问题开始，问题问好了，答案就在里面。

  2.在万物皆数据的年代，要以“假设数据都能获取”为前提去思考问题。

  3.数据助力企业的“四部曲”:描述现况、深入诊断、预测趋势、指挥行动。

  4.“快＋准”的数据，让我们可以从已知规律中寻找价值

  5.“广＋乱”的数据，给予我们从发现中获取颠覆过去规律的能力。

  6.大数据不是独奏，而是不断连接无处不在的数据。

  7.数据技术就是加速和积累（数据、分析、服务）的能力。

  8.大数据生态的连接需要建立标准与规范。

  9.大数据是诸多小数据的组合。

  10.数据是一种信仰。

  

  9.

  应对数据运营的困境：

  用数据的人不知道数据从哪里来，做数据的人不知道数据如何使用。想用的人不敢用，担心数据的真实性；做的人不知道怎么用，因为数据的复杂性……数据量越来越大，越来越无效使用。

  10. 相比数据的断层，对数据分析而言，人的断层是数据分析更严重的问题。

  11.

  数据化思考：

  问题就是答案，问好问题，关注思考的角度，形成数据化思考方式。

  

  12.

  关于数据价值的思考：

  1）能否清晰清楚的识别用户的身份？

  2）能否搞清楚所收集的数据对你的价值是什么？

  3）收集数据时的场景是什么？

  4）数据的五大价值：

  a.识别与串联：让似是而非的行为数据串联起来；

  数据收集的价值包含两个维度：是否能衡量这个数据对企业产生的价值(企业价值--实现企业资源的合理分配）；是否能衡量这个数据对客户的价值--如何帮助企业为客户提供更好的服务（客户价值-实现客户体验的提升）；

  角色不同，对数据的看法不同，所以在衡量价值时需要考虑到受众和给与者两个不同的立面给与不同的看法。

  b.描述价值

  将用户的行为、现状串联起来，勾勒出用户的行为画像，进行场景还原。判断用户的需求，通过对需求进行刺激，以促进消费行为。描述数据最好的一种方式就是分析数据的框架。

  数据盲点

  物理盲点：应该收集但却没有收集到的数据

  逻辑盲点：应该关联分析出，但是没有被分析出的数据

  人为制造的盲点：通过混淆、偷换概念得到的没有实际意义的数据

  c.时间价值

  数据是有保质期的，看行业的趋势数据要看三年，天气预报的数据有效性则止于当下。用数据来进行业务分析，一定要关注原始数据的时间：数据所处的时间段长短，数据所处的时间点都是数据的时间属性中所需要关注的。

  d.预测价值

  数据价值的关键是数据前置，根据前置数据来进行趋势预测，从而顺应趋势来进行决策。在以往的数据模型中，有太多的条件假设是固定不变的，但是用于商业活动的数据预测，一定要假设一切都在改变，要关注新的数据收集源头，注入新的信息，尤其是拐点信息。

  e.产生数据的价值

  先开枪后瞄准:在没有数据的时候，在探索中发现有参考价值的数据并最终发现目标作出决策。

  这并不符合常理，常理讲的是有的放矢。但大数据的情况是面对海量的数据、有用的，无用的，重复的，缺失的，要从中找到有价值的信息。

  所谓开枪，就是在一堆海量数据中盲选，而瞄准是在海量数据中盲选出有价值的数据。

  在没有数据的时候，在探索中寻找有参考价值的数据，最后发现目标，作出决策。

  二. 养活数据

  “

  兵无常势，水无常形，能因敌变化而取胜者，谓之神。

  1. 养活数据，让更多人用好数据：

  分析--》推荐--》反馈--》再推荐；以解决问题出发，建立多样化的自循环方式：

  1）“活”做数据收集，不仅收集自己用户的数据，还要把别人的数据也收集过来综合分析，抓住相关性；

  2）“活”看数据指标，不仅局限于自己已有的数据框架，而且需要结合用户需求的不同场景来灵活应用收集到的“活”数据，激活数据并用场景来验证----我们的数据为用户体验改善了什么；我们的数据为企业解决了什么问题/开创了什么机会。

  2. 组装数据仪表盘：

  1）开启上帝视角，做到执行合一。

  2）做好数据分类，通过不同的角度思考数据的价值。

  以是否可再生为标准；

  以所处的存储层次为标准--基础层必须要做到统一；

  以数据业务归属为标准；

  以是否为隐私为标准;

  3）把数据放进“框”中；

  公司当前的投入产出比；

  与竞争对手的博弈；

  考虑时间因素；

  4）用框架来做决策：从小角度切入；

  首先，确定有什么问题，从解决问题的角度出发去收集数据；

  其次，把收集的数据整理好，放入一个“数据框架”内；

  再次，看框架与做决策的关系；

  最后，根据决策行动，检查行动是否达到目的；

  三、数据未来与跨界思考

  //小趋势//

  应用无线化；

  信息数据化；

  交易无纸化；

  人类智能化；

  决策实时化；

  线下线上化；

  1.大数据的趋势是运用集体智慧去优化个体的意愿，这种互动是一种新的生活方式。

  2. 好的问题里潜藏了答案：先反复解题，厘清选择逻辑；搞清楚已知和未知；在不确定中做判断；

  3. 量化数据大小与决策好坏的关系，利用趋势为未来把脉。

  4. 还原是深入洞察的根本；开扩思维，负面信息也是决策的关键。

  5. 让数据透过产品说话；

  

  //小故事与小思维//

  1、小偷思维

  多数人只会想通过哪些事情获得成功，而小偷会想如何避免失败。从另外一个角度想问题，或许会有不同的答案。

  2、关掉多任务窗口

  唯有专注才能更高效能地处理事务，在职场上总有各种琐碎的事情打乱节奏，那就要学习关掉多任务，集中精力做更重要最核心的事情，避免时间再琐碎的工作中流失。

  3、积累个人大数据

  再聪明的人成功也没有捷径，车品觉会每天定时阅读各类专业文章，给这些文章打标签，搭建和完善个人的数据库。日积月累培养自己的数据思维，并且在关键时刻可以找到所需要的数据。这应该是自己从今天就可以开始学习的好习惯。

  1）从数据收集的角度：选择有效的数据源，并区分重要性进行积累，实现知识量和思维方式上的突破；

  2）打通运营数据--》数据化运营--欲奴应数据的循环闭环，学会借势；

  4、忘掉必杀技，在迂回中寻找落点

  不断地去提问，而不是直接给答案。

  

  写在后面

  

  跳出数据，学会问问题，学会讲故事，学会从不同的角度接待去探索价值，学会更新和迭代分析框架……在逻辑中找到有趣点，通养然后应用。

  以上，谢谢你阅读到最后一个字。