深度思维十大模型课件（深度思维十大模型课件下载）

思维模型二十二:易得性性偏差

演化者思维模型：持续精进才能成为助力者，弹性竞争力来源于多维能力。投资人思维模型：关注未来趋势看年轻人，极少数人的共性会带来小趋势。1数据科学家思维模型：数据不仅要看平面的，也要看立体的，别漏了折叠区的。1造物者思维模型：最简规则，才可长久有反馈，具有公正性。

重视易得的东西：人们往往更看重容易获得的事物。1 用进废退：经常使用的能力得到保持，不使用则退化。1 毒品有害：这是一个无需证明的事实。 衰老与宽容：随着年龄增长，人们可能变得更加宽容。2 服从权威：权威的存在和行为往往能影响个体和群体的决策。

成长，比拼的不是一瞬间的爆发性，比拼的是持续性和稳定性，所以倡导的理念是持续成长。 没有增强回路，...遵循这样的果因逻辑，你才会拥有真正的市场思维，也才会拥有真正好的成长思维。

一起成长读书会##效能加油站#张利锋阅读分享第253天 【思维模型49/100】人类误判心理思维模型 人类误判心理由查理芒格提出。无论是想要避免落入同样的误判陷阱，还是想要避免受别人误判之害，亦或是想利用其误判获益，你都得知道有哪些常见的误判，还得有更靠谱的认知框架。

李雅普诺夫函数在交易环境中是否存在，取决于负外部性的大小。外部性的存在意味着我们不能直接说系统是不是会达到均衡。当市场上的交易包含了负外部性时，交易就不一定能提高总幸福感了。

显而易见到大一点儿的决定，比如你用你的钱投资了一个自己不太了解的项目，放弃了可能是用同样的钱投资一个自己精通行业里面优质项目的机会等等。第三个思维模型，逆向思维。我们习惯性的去想怎么成功，但在执行的时候总有太多没有预测到的事情，打得我们措手不及。

思维工具:逻辑层次

并帮你避免失败。”掌握了逻辑层次的分析工具，实现认知升级，促使人们去探索和发现自我和组织内在的渴望与动力，并以此创建更好的行动方案，最终能实现叠加式的进步。记住爱因斯坦的那句话：“ 你无法在制造问题的同一思维层次上解决这个问题 。”要解决问题，需要思维上的升级，否则问题很难得到解决。

NLP（神经语言程序，Neuro-Linguistic Programming）领域的大师罗伯特迪尔茨把人的逻辑思维分为6个层次，形成一个被称为“逻辑层次”的分析工具。他认为人的思维逻辑层次从下到上分别为：环境层、行为层、能力层、信念/价值观层、身份层与愿景层。

层次方框图的作用：层次方框图是一种图形化思维工具，主要用于表达复杂的问题或系统。它通过将问题分解为若干个层次和方框，清晰地展示了问题的结构、关系和逻辑。具体来说，层次方框图的作用有： 帮助理清问题：通过将问题分解为多个层次和方框，可以更好地理解问题的本质，从而更好地解决问题。

简要论述五种认知推理模型的理论内容

1、认知理论是研究由经验引起的变化是如何发生的一种学习理论。它强调机体对当前情境的理解，然而人和动物具有不同程度的理解力。

2、在这本书中，我比较系统地阐述了自己对模型的一些看法。“建立认知模型实际上就是建立一种认知理论（局部的或整体的）。

3、在他的职业生涯中，皮亚杰架构出一个模型，用以描述人类是如何通过搜集和整理信息来理解外部世界的，该理论很好的解释个体从婴儿到成人的思维发展过程。他在儿童思维方式上富有洞察力的描述，改变了我们对认知发展的理解。 影响发展的因素 认知发展不是简单的往已有的知识存储里增加新的事实和想法的过程。

4、认知方式的研究始于20世纪40年代早期，在六七十年代认知风格的研究呈现一派繁荣景象，有大量的认知风格结构被提出和验证，如场依存性-独立性、聚合型-发散型、整体型-序列型、言语型-表象型等等。

5、抽象分析：这是将条件和结果进行对照，即将输入和输出联系起来进行推理，以揭示心理现象的内部心理机制。认知心理学的实质在于主张研究认知活动本身的结构和过程，核心是揭示认知的内部心理机制，即信息是如何获得、存储、加工和使用的。

6、Induction（归纳）、Abduction（溯因）和Deduction（演绎）。每一种推理过程都将涉及三个实体：Rule（规则）、Case（情况）和Result（结果）。何时采取何种推理方法，取决于推理过程的起点和已知的其它事实。

教你如何利用大数据思维

1、利用所有的数据，而不再仅仅依靠部分数据，而是全体数据。多角度考虑，多角度猜想。利用大数据多样性，发散思维。并非所有的事情都必须知道现象背后的原因，即因果关系，而应注重相关关系。确定其真实性，虚假的数据固不可取，不说会让你犯下大错误，至少会让你的工作白费时间。

2、大数据的五种思维方式分别是：总体思维、容错思维、相关思维、智能思维和平台思维。 总体思维：在大数据时代，我们可以分析更多的数据，甚至是全体数据，而不再依赖于随机采样。这意味着我们可以更全面地了解事物，发现以前可能被忽视的细节。

3、利用所有的数据，而不再仅仅依靠部分数据，即不是随机样本，而是全体数据。唯有接受不精确性，才有机会打开一扇新的世界之窗，即不是精确性，而是混杂性。不是所有的事情都必须知道现象背后的原因，而是要让数据自己“发声”，即不是因果关系，而是相关关系。