上一篇大哉问我们讨论了这个问题：什么是学习中最大的误区？
以为学习的行动，就是学习本身
学习是以改变为目的的一系列探索活动。如果改变没有发生，没有形成新的视角或行动或规则，那么学习基本上可以说无效。
明确了应该避开「不改变」这个误区，那么下一个大问题来了：
什么是学习中最应该养成的习惯？
00 思考了很久，目前的回答是：
学习是一种训练
学习不是看书、做实验这些行为本身，学习是围绕目标和薄弱点的「训练」，它们指向思想或行动的改变。
学习不是孤立的阅读、孤立的理解、孤立的运用，一个学习的「迭代」包括：
设定目标 - 模块拆解 - 刻意练习 - 评估调整
完整的学习由很多个迭代循环构成，迭代的结果是行为改变。
向机器学习「学习」
最近在学习机器学习和深度学习。机器如何学习给我非常多启发。
机器的学习为什么高效？除了它计算能力超强、根本不会疲劳以外，它们学习的方法——所谓算法——都是最聪明的人类精心设计的。
深度学习的基本思路是：
- 设定目标 Y
- 找到真实数据集（包含自变量 x 和输出值 y）
- 给出初始模型，喂入真实数据集
- 观察模型输出的损失（目标 Y 和实际值 y 的差值）
- 调整模型参数，使损失函数最小
- （重复循环）
- 达到目标 Y ，停止训练
再打开「刻意练习」这本书复习一下。
刻意练习聚焦于提高绩效和表现，它的特点：
- 有定义明确的特定目标
- 专注的
- 包含反馈
- 需要走出舒适区
- 产生有效的心理表征
- 构建或修改那些过去已经获得的技能
See? 机器学习完全遵守了这些规则，能不高效吗？！
GEXTE ：学习循环的模板
事不宜迟，在我们下一个学习计划，启用 00 为你准备的「GEXTE 学习循环模板」吧！
在定义一个学习项目时，我们需要把学习的循环拆分成几个部分：
目标是什么？怎么评估做到了？可以拆分为哪些训练模块？模仿什么？训练步骤是？
| 代号 | 循环项 | 定义 | 每次循环时 |
|---|---|---|---|
| G | 目标 / Goal | 明确可描述的目标，从现状 A 到终点 B | 回顾目标 |
| E | 评估方法 / Error | 如何评估是否达成目标 | 获得反馈 |
| X | 技能模块 / X | 影响 Error 的模块、技能点 | 检查是否有遗漏 |
| T | 模仿对象 / Target | 具体的模仿对象和结果 | 比较的结果差别 |
| E | 单次训练 / Epoch | 每一次训练要做什么 | 调整行动或目标 |
可打印的模板也做好了。HackYourself 公众号回复 「学习模板」即可获得：
看吧，学习是远比我们想象要复杂但也更有趣的挑战。不妨在每个循环后面，增加一些奖励来激励自己。
虽然正儿八经地学个什么颇费力，但总比数十年喊着口号却原地打转强得多，是不是？
下面来看两个例子：编程学习和产品决策能力训练。
栗子1：学习用 Processing 模拟自然现象
Processing 是基于 Java 的一套编程语言和环境，有很强的图形、动画生成能力，被称为「设计师的编程语言」。现在我们就来尝试用 GEXTE 模板定义完整的学习循环。
G 目标
目标1：学习如何用代码可视化表达随机性、力与运动、震荡、粒子、分形等自然现象
现状 A
- 不了解模拟自然现象的算法
- 不知道如何用 Processing 实现
终点 B
- 能用基础的公式表示自然现象背后的数学和物理原理
- 用 Processing 实现动画程序
目标2：练习巩固 Python 语法
现状 A
- 会基本的 Python 语法
- 能看懂简单的 Java 程序
终点 B：用 Python 实现 Processing 动画程序
E 评估
用 processing.py 实现模拟自然现象的动画程序
- 程序运行结果是否如预期
- 抄程序：Java 没问题但 Python 有问题的地方，是需要加强的薄弱点
- 重写程序
- 是否理解原理
- 是否理解 Processing 如何实现
- 是否理清实现的思路
X 模块
- 自然现象的原理
- Processing 语法和模块
- Python 语法
- debug 方法
T 对象
「The Nature of Code」配套视频和例子
E 训练
- 看 youtube 视频和书，学习自然现象的原理
- 看 Java 代码
- 用 Python 抄一遍
- 用 Python 自己写一遍
- 填写训练反馈
- 完成 9 个单元，把所有例子翻译成 python 版本
Bonus
- 上传 NOC python version 到 Github
- 每一章实现一个有意思的小动画
上面这个例子可能比较特殊，因为学习对象是界定非常明确的编程练习，学习产出也容易评估。
下面再举一个不太容易定义的例子。
栗子2：产品决策能力训练
G 目标
提升决策的质量并优化决策的流程
E 评估
决策是否达到预期目标
X 模块
- 逻辑思维、抽象、演绎、分析、综合等能力
- 决策信息的收集
- 提炼、表达和沟通能力
- 决策落地
- 评估标准制定和信息收集
T 对象
- 自己的决策：拥有最全面的信息，方便评估
- 上级/团队的决策：观察、评估上级或团队的决策，也是绝佳的练习机会
E 训练
- 决策问题产生和定义
- 情报收集和分析
- 决策制定和描述
- 推进和项目组织
- 结果评估
- 决策方法总结
每一步可能还有很多细分的练习模块，这里就不具体展开，产品同学们开启脑洞吧。
最后
打造有效的学习循环很难，几乎就像是打造一个产品循环。
这也就是为什么学习容易成为西西弗斯式壮（xiao）举（hua）的原因。因为富有成效的学习，太不符合大脑喜欢最短路径的构造，所以我们总是自欺自人。
但总有一些奖赏，要在经历之后才深明其义。
One of the first rules of science is if somebody delivers a secret weapon to you, you better use it. — Herbert Simon
HackYourself 学习专题：
