机器都会学习了，可你还不会！

人是自然界最高级的动物，人脑又是进化最好的学习器官，很多事情人类一学就会，触类旁通。而机器在学习方面却是最笨的，可谓是举百反一，甚至举千反一，需要大量的训练才有可能学会。那是什么办法使这么笨的机器具备了智能，甚至在很多方面超越人脑？奥妙就在机器学习的训练方法。我们常说的“读书很多，知识很少，甚至读成了”书呆子”，是因为没掌握学习方法。在学习这件事儿上，我们可以参考“机器学习”的学习方法。

把知识结构化，提炼知识点

我们平时学习，无论是看一本书，学一篇文章或听一场演讲都是成篇成套的，这里面不是每个字、每一段都有用。用IT的话讲，这些都是非结构化数据，不能拿来分析、不能拿来用。须把其中有用的知识挑出来，分门别类，挖掘整理形成知识点后才可以。同一篇文章或同个事件，为什么有的人能提炼、总结出10个有用的知识点，有的人却连1个都没能提炼出来？就在于知识点形成的过程。我们许多人掌握的所谓知识不过是“知趣点”，仅是有趣而已，而非“知识点”。“知趣点”是惰性知识，是碎片的，零散的知识，听起来高大上，然而没有什么用途。知识点的挖掘能力才是学习能力的体现，这就解释了为什么书读了很多，却不见得有多少知识。

再举个医生写病例的例子。病例内容很多，但大部分内容都因是非结构化的，不能被分析，而无法分析就是死数据。如何结构化？就要把各类病人的特征、病史、症状、体征、实验室检查、影像结果、治疗、结果等都列出来，之后进行分析和比较，从而判断是阳性或阴性，正常或异常。这就类似读书的例子，原始内容都若不经过提炼，需要用的时候也拿不出来。可谓书没少读，知识不多。因此读书不在多，而在你能从中提炼出多少有用的知识点。

实际生活中，还有一种情况是你提取的点可能是错误的，或重要的点没有提取出来，提出来的是无用的。例如八卦新闻，就是知趣点，而不是知识点。错误的知识点会构建错误的知识体系，因此有些人看什么都不顺眼，干什么都发牢骚，实际上是知识点的错误和知识体系的偏离。

形成知识图谱

Google公司最早引入知识图谱（Knowledge Graph）概念，用于描述客观世界的概念、实体，事件及其之间的关系。知识图谱的意义就在于它能在盘根错节的数据海洋中，将杂乱的数据或知识点进行梳理和串联，找到之间的逻辑关系：如上下级关系，相关关系，因果关系等。举个例子，知道张三是李四的朋友并不难，但如果涉及10个人你可能就很难知道所有人之间的相关关系以及关系的好坏程度，因此不要轻易讲别人的坏话，不定哪天你说过的坏话就传遍所有人。

知识图谱反映的正是结构化的知识。它将零散的，单点的，单线的知识点串起来形成一个网。网越发达，知识越完善；网越密，知识结构化越好。这就解释了有人看问题能想得更多，看得更远，能看到你看不到的逻辑关系，能挖掘出你挖不出的深层价值，犹如机器学习中的神经网络，秘密就是人家的层次比你多。建立知识图谱就是建立自己的知识体系。尽可能理清各个知识点之间的逻辑关系，再形成网状知识结构。遇到新的知识点，要通过思考，归纳和总结，知道将这个点放在哪部分知识框架里，并能和已有的知识网络串联起来。这是一个梳理的过程。否则，知识堆积在一起，没有清楚的路数，只能是越来越糊涂。

将知识升华成智慧

机器再聪明也只是智能，而人则是智慧。有了知识体系还不够，还需要形成洞察变成认知。只有将它们拓展开来才可以成为活知识，成为你的智慧和能力。大脑中完整的思维体系需要“从知到识”，但还不够，还要从识到行，这是一个升华、领悟的过程，即思考和实践。只有完成了整个过程，才算是有了“知识”。要用总结的过去知识去看未来，解决未来的问题。利用知识是一种思维方式，也是一种能力。

真正的认知必须知行合一，不行动的认知是伪认知，坐而论道没有意义。很多人是思想的巨人，行动的矮子。现今社会，你不行动，一定有人行动，结果白白把机会浪费掉。看准的事情一定要干。立即行动，在行动中形成新的认知。从认知到实践，再到认知，螺旋式上升。这才是真正拥有知识，拥有智慧。

机器虽笨，但机器可以学习，而且越来越替代或辅助人类来学习。这其中的学习秘密，正是“由点到线，有线到面，有面到网”，将知识点串联起来而形成网络，之后凭借知识网络的全面和关联程度做出决策、判断。这也许是我们了解“机器学习”的真正意义。“机器学习”的套路，你也可以这样学。

往期阅读

感谢小伙伴赞赏