关于发现问题，分析问题，解决问题。
个人的成长路径其实是从“执行”开始的(很多观点说这个和中国的应试教育有关系)，同时每个人大部分时间也都是在做执行的事情。但“发现问题”（或者说是定义问题）和“分析问题”，在整个过程中其实是更重要的，决定了解决问题的方向以及能够识别出能力提升的GAP。
大家够希望提高自己的能力，很多时候都是从基础的事情做起。例如，学机器学习的东西，打算重新捡回高数，线代，概率论。是否想过重新看一遍这些内容的需要多少时间，看完之后会如何呢？能力提升基于问题去做可能更有效。
首选是发现问题。
机器学习的算法在数学领域应该很早就有了，我们大多数人的大多数时候应该是基于解决问题来去使用这些算法的，并不是去创造新的数学理论和算法，更多的应该是算法的应用。现在信息这么发达，随便在网上搜搜就大把的东西。那学习机器学习目的应该是如何使用好这些算法，并用他解决实际问题。
那么学习机器学习算法（对你来说是一个新的领域）的目的是什么？希望解决的问题是什么？基于这样去思考，去学习可能更有效果。也就是，针对一个新的领域的学习，首先考虑学习他的目的是什么？这个新的领域是否常常会用到（具备平时的大量实践。这个领域对你来看是否市场？）
我对发现问题的认知是：
1：问题是现实和期望之间的差距。
2：期望是一个领域的心理表征。如果不知道什么是好的，那永远做不好。
这里的好的包括：需要达到的目标以及达到目标所付出的成本。
3：学习也是基于目标和问题来做的。如果学到的知识和能力，没有转化为商业成果，可能也不算做学的很好吧 。
4：发现问题大多数来自更深度的思考，来自更差异化的思维框架（跨领域思维框架方式），来自认知的升级。
其次是分析问题。
分析问题的过程是了解问题产生的根本原因，以及短板。这时候就需要把当前的方案或者过程打开来看才能识别出来其中的GAP。例如，学习机器学习的目的是希望通过数学的方法来解决一个业务问题。那么这其中的GAP是：1）我们对机器学习的算法不了解，不知道是否合适，不知道如何选择。
2）业务问题如何转化为数据问题。业务模型如何转化为适合的数学模型？（这里用到的系统性分析的思维模式）
针对1）也可以套用发现问题的思路。例如，很多人都知道机器学习，分为监督学习，无监督学习，半监督学习。但很多人不知道，监督性学习解决哪一类问题，为什么要叫监督性学习。监督性学习包含的算法，都有应用在哪些场景，有哪些场景的限制？由于没有搞清楚这些，所以导致上来就陷入到晦涩的数学公式的海洋之中。（其实可以再反思为什么我们的思维惯性导致我们这样）（这里用到的是why，what，how的思考模式）
针对问题2的分析，还在思考之中。当前遇到的情况是，针对一个问题，经过不同角度的抽象，可以使用不同的算法达到目的。可以将业务问题抽象成监督学习，也可以抽象成无监督的，或者半监督的。但最终要看选取的算法是否能够达到业务目标，这个是唯一的衡量标准。如果在实际产品中，最终的选择是按照投入产出来考虑的（这里使用了“权衡分析”的思考模式）
第三是解决问题。
解决问题的第一步：制定方案和计划；第二步是执行。中间贯穿的是checklist。现在比较流行叫做清单。包括执行清单，检查清单。计划制定考虑smart化，同时要使用“关键路径思考模式”“基于风险的目标思考模式”。
1：清单。
1.1记录了关键的keymessage，不是面面俱到的；
1.2检查清单是记录曾经犯下的错。
1.3作为记录，减少了大脑存储，释放大脑更多的用于思考。
2：关键路径：完成目标，执行方案时的最短路径。这个看似简单，但是却很复杂。
2.1关键路径，从投入产出看，应该是最优解。
2.2关键路径，应该是持续迭代的，中间要不断识别MUDA（日语，浪费）。
3：基于风险的目标思考模式。
2.1最大的风险是完不成。所以是基于完不成的视角，来审视存在哪些可能性。
2.2说到可能性就是个概率问题。所以风险都是有概率的。
2.3风险应对措施。--这个又回到 发现问题，分析问题，解决问题的循环之中。
最后：对“问题”的理解可以参考《你的灯还亮着吗》来提升认知。对问题底层规律的认知，参考《面向对象分析和设计》从中看到抽象，演绎（泛化）。
当然这些也只是我现在对这些地方的认知。而这个认知也是经历了很多才意识到的，同时也在不断的螺旋上升，不断升级。获得大量信息，经过筛选，思考，然后固化。有点像数据集成，数据清晰，数据分析，数据展现。这个和人的大脑以及思维方式有关系，如何将新的知识和已有的知识做链接可以帮助更有效的思考和记忆。这个也就是面向对象的基础知识：类是一类对象的抽象。子类继承了父类，父类泛化了子类。这个就可以把已有的知识和经验进行抽象和提取，然后泛化到新的领域之中。当然还要注意新领域的特化和自身的特点。因此，你会发现很多方案和方法都是互相嵌套和彼此重叠的。