最近在翻 Designing Machine Learning System 这本书，非常扎实的一本书。比如，作者建议不要盲目在生产项目中追求 SOTA，而要考虑哪个算法最适用这一商业问题，如果有一个算法又简单又便宜，当然应该选择这一算法，而不是为了追求 SOTA 而选择 SOTA。
类似的，在学校里，我们发论文时只需要考虑模型本身的指标，当然是越高越好；但是在工业界就完全不一样了，因为模型指标和商业需求并一定完全一致，而且衡量模型好坏的指标也不仅仅是模型本身的指标，可能还有一些外在的指标，比如处理速度等等。所以在工业界训练一个模型需要考虑的范围更广，选择如何衡量一个模型比选择什么模型更重要。
我们的人生也是如此，在学校里追求难题或许帮助我们脱颖而出，而在生活中则不然。与其在生活中追寻难题去解决，不如追寻重要的问题去解决。
欢迎订阅《生产力周报》 专栏，获得最新生产力建议！
Hannah England 介绍说，temptation bundling 能帮助我们有效完成不想完成任务的一种方法：就是当我们要做一件不太想做的同时，我们一起做一件比较享受的事。比如我们不喜欢打扫房间，那么可以在打扫房间时听自己喜欢的有声书，这样打扫房间就没那么痛苦了。具体而言，我们可以通过三个步骤来梳理自己的 temptation bundling：
Daily Productive Sharing 491 - 20220704
Ben Kuhn 回顾自己的过去，发现自读书开始，他就倾向于解决难题。这样的选择在学校里当然行得通，因为可以让你拿到更高的分数，但是在现实世界里却并不一定。所以他建议，在现实中，我们要着眼于重要问题，而不是难题。
Daily Productive Sharing 492 - 20220705
卢修斯·阿内乌斯·塞内卡 曾经著有 On the Shortness of Life 一书，DXB 读完这本书之后，以与塞内卡对谈的形式将这本书中的精华展现给大家：
Daily Productive Sharing 493 - 20220706
Will Larson 分享了一个简单的面试技巧：STAR 模型：
Daily Productive Sharing 494 - 20220707
Bessemer Venture Partners 曾经投资了 LinkedIn，Shopify，Pinterest，Twilio，Twitch，Yelp 等一干知名公司。他们是如何做出这些投资决策的呢？他们公布了以上这些投资的备忘录，里面非常详细地记录了各种调查细节，以及他们的决策过程。
Daily Productive Sharing 495 - 20220708
本周的生产力日报集合就到此为止，如果你有什么建议，也欢迎留言告诉我们。如果想要收到最及时的推荐，不妨订阅我们的频道，或者付费解锁更多增值内容，我们下期见。
题图源自 Unsplash
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。