“幸存者偏差”解析目前学校教法

先声明，作者于某不出名本科入读。

? 前两天，准备出分的助班给我们看了篇文章，讲得是二三本学生如何逆袭，不顾他人看法最终拿到好公司offer的故事，很精彩。这个时候，想起高中同桌跟我讲过的“幸存者偏差”的事，于是好奇地查了一下具体说法。果然说的就是这类事。

简单地说，就是死人不会说话，而出声的，都是飞机失事里活着回来的人。可不是，总算对以前认知的一个现象有了专业名词叙述了。成功的人都是因为你能看到他们成功，而这背后，多少失败的人呢？看不到。

想想自己所读的学校则更有感触。上学期去找辅导员聊，我说周围看不到很厉害的人。对，我的能力不足，见不到。而她的解释呢“我们学院不是没有啊，你看***国家一级创新项目，***发明的又省奖”。我承认，确实有厉害的人在，我见不到。但是背后，有多少失败的，划水的，项目交上去已经“判死刑”的，他们不会说话，因为好资源，资金被前几名占了。（什么？你叫我去找那几名“人才”罢了罢了，你连人影都见不到）

碰巧学校在升大，我觉得，如果仅靠那前几名的光辉就能代表我们学校的话，实在有点空虚。虽然我们学校也不是没做过什么，但真正办实事，做研究的有多少？多少不是为了奖学金去凑的数？?要想真正办好学校，提高本科教育水平，就应该多花点心思在那些没有突出成就的学生身上。培养他们的兴趣，给平台让他们展示。而现实反映的却是为了综测分去“义务”辅导同学，结果半天人影都没。这种态度却能出各种所谓的干部，三好学生。

学校如此“着重”培养“幸存者”，那么普通学生呢？就算平时是玩游戏，上课睡觉，总还是交了学费的吧，不能最后贡献个就业率啊。作为要升大的学校不更应该以人为本，教授除了本科学习外的思维方式和应变能力吗？

讲个题外话：

举两个例子。前天在quora看到MIT本科生对自己教授的评价，大致意思就是：第一节课上台讲了个晶体管的原理，然后结课让学生期末用这凿出一台电脑。完全靠学生自学能力。第二个例子是清华，周一讲了两小时VHDL语言，周五要求做出一个主频30M的CPU，结果学生们是疯狂的泡图书馆通宵自学，最终做出成品。

无独有偶，我们学校有些老师也是这样，上课过一遍PPT，随便提几句然后就布置作业。结果同学们回去照样打游戏，作业就抄答案（包括本人）。是啊，老师讲得简略谁想听呢，也就应付下作业，期末考前还有真题放送呢。这种考试模式，教学方法，学习氛围大大降低了想搞学习的同学。但扪心自问，真正想学的有多少人，即使想学，即使把书翻烂学透了，还不只是个“地头蛇”，难道真的没有办法了吗？当年高考错过就代表人生错了吗？

当然不是。起码作者就不是这样。

想彻底改变我提供三条路：复读，考研，留学。或者期待幸运女神，不断努力成为所谓的“幸存者”。

当然本科还是有很多事能做到的，虽然改变不了环境，就只能改变自己。

很多人或者也有在读，或者不知道怎么读，下面我来简单说一下：

第一点?找书。推荐个网站，这里包含了大部分的书，没有的淘宝就有。

找什么书呢，如果你想了解某门学科，就找这几门代表性人物著作的书籍，李源老师说过读的是作者的思想，而不是书。

第二点?阅读。

“二八原则”80%时间理清主干思想，20%时间阅读琐碎事情和论证的例子。

书读的不多，也不好再继续推荐下去了。

课堂上老师教的，或者自己想学的，基本上网上都有。列举几个网上学习的去处：

1、B站?这里你可以找到很多很多的教程和演示，质量参差不齐?自己决定。

2、学堂在线?清华大学主打 中文字幕?质量一流

3、coursera?美国斯坦福大学创办?多数英文字幕?修改下host就能登陆了

顺带说一句，网站证书只是附带品，学到知识才是主要目的。

最后祝各位跳出“幸存者”带来的迷惑，取得想要的成就。

如何评价 Coursera 的机器学习 (Andrew Ng) 课程？本人统计学专业在读小本一枚。暑假想扩充一下知识面，正好看到了这门课对背景知识要求不高，感觉像是给非计算机专业的业余爱好者开得课程，于是选了这门课。现在已经Week6结束了，现在已经介绍了线性回归、logistic回归、BP神经网络以及机器学习算法中的一些常见问题（例如overfitting、underfitting等），以及一些解决方法（learning curve之类的）。接下来准备学习SVM、推荐系统 (recommend system) 设计和一些案例。小白有以下几个问题：1. 这门课介绍的是非常基础的基本思想，很显然在实务中情况会复杂许多。那么这个“复杂”指的是由于运算量庞大导致的算法复杂化，还是有待解决的问题本身变得复杂了？由此引申的问题是1.1. 学了这门课，我们可以直接地将所学内容用在实践中吗？假设我能够大部分理解教授slide中的内容（仅仅内容本身而已），80%地理解课程作业中的主程序内容（就是每章编程作业里的ex?.m，?为周数），能够独立地编写、调试、完成作业。2. 因为这门课是2011年开设的，教授课上提到的一些“前沿”内容但是在这三年中，数据分析领域有了很大的进步（我作为外行来看），这类的算法是否已经有了替代品，或者直白地说，过时了？例如：在介绍到spam分类问题时，教授提到了porter stemmer英文分词算法，他认为这个算法是很有用的，但我上网检索了以后发现关于这个算法的批判和改进方案还是挺多的。3. 这门课程对于机器学习的主流算法、模型的介绍是否全面？例如：我只上到第六周，我看了syllabus他没有直白地提到决策树算法，但我能够经常地从研究机器学习的朋友口中听到决策树。教授把很大篇幅花在BP神经网络算法的介绍上，是否可以理解为BP算法是机器学习的主流算法？4. 在实务中使用 Octave/MATLAB 来实现机器学习算法是否是理想的选择？除了免费开源与否以外，在运算能力，尤其是针对于处理大规模数据时的性能、以及需要并行运算的情形等。认识的做机器学习的朋友是用numpy和R来实现算法，但教授对Octave的评价很高，并且说在硅谷大多数搞机器学习的程序员都是用Octave来做的。谢谢！本人统计学专业在读小本一枚。暑假想扩充一下知识面，正好看到了这门课对背景知识要求不高，感觉像是给非计算机专业的业余爱好者开得课程，于是选了这门课。现在已经Week6结束了，现在已经介绍了线性回归、logistic回归、BP神经网络以及机器学习算法中的一些常见问题（例如overfitting、underfitting等），以及一些解决方法（learning curve之类的）。接下来准备学习SVM、推荐系统 (recommend system) 设计和一些案例。小白有以下几个问题：1. 这门课介绍的是非常基础的基本思想，很显然在实务中情况会复杂许多。那么这个“复杂”指的是由于运算量庞大导致的算法复杂化，还是有待解决的问题本身变得复杂了？由此引申的问题是1.1. 学了这门课，我们可以直接地将所学内容用在实践中吗？假设我能够大部分理解教授slide中的内容（仅仅内容本身而已），80%地理解课程作业中的主程序内容（就是每章编程作业里的ex?.m，?为周数），能够独立地编写、调试、完成作业。2. 因为这门课是2011年开设的，教授课上提到的一些“前沿”内容但是在这三年中，数据分析领域有了很大的进步（我作为外行来看），这类的算法是否已经有了替代品，或者直白地说，过时了？

百科狗 baikegou.com