我們理解事物的方式和 machine learning 其實沒有兩樣, 就是看很多例子 (input+output) 找出規則 (model), 想辦法套規則預測新的結果
如果這個規則愈有系統性或愈好理解, 就愈有機會擴充成更好用 (通用) 的規則, 解決更多問題
有時候會先學別人整理好的規則, 加速上手時間。累積夠多的規則後, 有更高的機率能「觸類旁通」, 用更少的例子掌握到新的規則怎麼用
不管是什麼規則, 最終都會成為自己理解的版本。使用上有問題時, 和別人比對才會發覺哪裡理解錯了; 或是理解無誤, 是原有的規則有漏洞。無論何者, 結果都是修正自己理解的版本
順著這個思路, 就不需要糾結到底有沒有掌握到「正確」的規則, 反正最後都是自己的版本, 能用來解決在自己情境下的問題即可。有時看得太多反而索引速度變慢, 不見得更好用。
舉例來說, 「一般來說 90% 適合用 A 作法, 10% 適合用 B 作法」, 而我的環境出現適用 B 的情況占 80%, 那我理解的版本就該先試 B 才對。
所以看任何東西就腦補一下, 自己覺得說得通, 就先用這個 0.1 版規則試看看; 之後溝通或使用上有問題時, 再多查一下資料修正成 0.2 版。
長期這麼做都覺得很順暢後, 就會對這個「meta 規則」更有信心, 而能更快理解各種不同規則
目前覺得最大的瓶頸是記憶力, 需要適當的索引方式找回以前建立的各種
