核心演算法大量訓練

『壹』 請教學習ACM入門的方法

剛剛接觸信息學領域的同學往往存在很多困惑，不知道從何入手學習，在這篇文章里，我希望能將自己不多的經驗與大家分享，希望對各位有所幫助。
一、語言是最重要的基本功

無論側重於什麼方面，只要是通過計算機程序去最終實現的競賽，語言都是大家要過的第一道關。亞洲賽區的比賽支持的語言包括C/C++與JAVA。筆者首先說說JAVA，眾所周知，作為面向對象的王牌語言，JAVA在大型工程的組織與安全性方面有著自己獨特的優勢，但是對於信息學比賽的具體場合，JAVA則顯得不那麼合適，它對於輸入輸出流的操作相比於C++要繁雜很多，更為重要的是JAVA程序的運行速度要比C++慢10倍以上，而競賽中對於JAVA程序的運行時限卻往往得不到同等比例的放寬，這無疑對演算法設計提出了更高的要求，是相當不利的。其實，筆者並不主張大家在這種場合過多地運用面向對象的程序設計思維，因為對於小程序來說這不旦需要花費更多的時間去編寫代碼，也會降低程序的執行效率。

接著說C和C++。許多現在參加講座的同學還在上大一，C的基礎知識剛剛學完，還沒有接觸過C++，其實在賽場上使用純C的選手還是大有人在的，它們主要是看重了純C在效率上的優勢，所以這部分同學如果時間有限，並不需要急著去學習新的語言，只要提高了自己在演算法設計上的造詣，純C一樣能發揮巨大的威力。

而C++相對於C，在輸入輸出流上的封裝大大方便了我們的操作，同時降低了出錯的可能性，並且能夠很好地實現標准流與文件流的切換，方便了調試的工作。如果有些同學比較在意這點，可以嘗試C和C++的混編，畢竟僅僅學習C++的流操作還是不花什麼時間的。

C++的另一個支持來源於標准模版庫（STL），庫中提供的對於基本數據結構的統一介面操作和基本演算法的實現可以縮減我們編寫代碼的長度，這可以節省一些時間。但是，與此相對的，使用STL要在效率上做出一些犧牲，對於輸入規模很大的題目，有時候必須放棄STL，這意味著我們不能存在「有了STL就可以不去管基本演算法的實現」的想法；另外，熟練和恰當地使用STL必須經過一定時間的積累，准確地了解各種操作的時間復雜度，切忌對STL中不熟悉的部分濫用，因為這其中蘊涵著許多初學者不易發現的陷阱。

通過以上的分析，我們可以看出僅就信息學競賽而言，對語言的掌握並不要求十分全面，但是對於經常用到的部分，必須十分熟練，不允許有半點不清楚的地方，下面我舉個真實的例子來說明這個道理——即使是一點很細微的語言障礙，都有可能釀成錯誤：

在去年清華的賽區上，有一個隊在做F題的時候使用了cout和printf的混合輸出，由於一個帶緩沖一個不帶，所以輸出一長就混亂了。只是因為當時judge team中負責F題的人眼睛尖，看出答案沒錯只是順序不對（答案有一頁多，是所有題目中最長的一個輸出），又看了看程序發現只是輸出問題就給了個Presentation error（格式錯）。如果審題的人不是這樣而是直接給一個 Wrong Answer，相信這個隊是很難查到自己錯在什麼地方的。

現在我們轉入第二個方面的討論，基礎學科知識的積累。

二、以數學為主的基礎知識十分重要

雖然被定性為程序設計競賽，但是參賽選手所遇到的問題更多的是沒有解決問題的思路，而不是有了思路卻死活不能實現，這就是平時積累的基礎知識不夠。今年World Final的總冠軍是波蘭華沙大學，其成員出自於數學系而非計算機系，這就是一個鮮活的例子。競賽中對於基礎學科的涉及主要集中於數學，此外對於物理、電路等等也可能有一定應用，但是不多。因此，大一的同學也不必為自己還沒學數據結構而感到不知從何入手提高，把數學撿起來吧！下面我來談談在競賽中應用的數學的主要分支。

1、離散數學——作為計算機學科的基礎，離散數學是競賽中涉及最多的數學分支，其重中之重又在於圖論和組合數學，尤其是圖論。

圖論之所以運用最多是因為它的變化最多，而且可以輕易地結合基本數據結構和許多演算法的基本思想，較多用到的知識包括連通性判斷、DFS和BFS，關節點和關鍵路徑、歐拉迴路、最小生成樹、最短路徑、二部圖匹配和網路流等等。雖然這部分的比重很大，但是往往也是競賽中的難題所在，如果有初學者對於這部分的某些具體內容暫時感到力不從心，也不必著急，可以慢慢積累。

競賽中設計的組合計數問題大都需要用組合數學來解決，組合數學中的知識相比於圖論要簡單一些，很多知識對於小學上過奧校的同學來說已經十分熟悉，但是也有一些部分需要先對代數結構中的群論有初步了解才能進行學習。組合數學在競賽中很少以難題的形式出現，但是如果積累不夠，任何一道這方面的題目卻都有可能成為難題。

2、數論——以素數判斷和同餘為模型構造出來的題目往往需要較多的數論知識來解決，這部分在競賽中的比重並不大，但只要來上一道，也足以使知識不足的人冥思苦想上一陣時間。素數判斷和同餘最常見的是在以密碼學為背景的題目中出現，在運用密碼學常識確定大概的過程之後，核心演算法往往要涉及數論的內容。

3、計算幾何——計算幾何相比於其它部分來說是比較獨立的，就是說它和其它的知識點很少有過多的結合，較常用到的部分包括——線段相交的判斷、多邊形面積的計算、內點外點的判斷、凸包等等。計算幾何的題目難度不會很大，但也永遠不會成為最弱的題。

4、線性代數——對線性代數的應用都是圍繞矩陣展開的，一些表面上是模擬的題目往往可以藉助於矩陣來找到更好的演算法。

5、概率論——競賽是以黑箱來判卷的，這就是說你幾乎不能動使用概率演算法的念頭，但這也並不是說概率就沒有用。關於這一點，只有通過一定的練習才能體會。

6、初等數學與解析幾何——這主要就是中學的知識了，用的不多，但是至少比高等數學多，我覺得熟悉一下數學手冊上的相關內容，至少要知道在哪兒能查到，還是必要的。

7、高等數學——純粹運用高等數學來解決的題目我接觸的只有一道，但是一些題目的敘述背景往往需要和這部分有一定聯系，掌握得牢固一些總歸沒有壞處。

以上就是競賽所涉及的數學領域，可以說范圍是相當廣的。我認識的許多人去搞信息學的競賽就是為了逼著自己多學一點數學，因為數學是一切一切的基礎。

三、數據結構與演算法是真正的核心

雖然數學十分十分重要，但是如果讓三個只會數學的人參加比賽，我相信多數情況下會比三個只會數據結構與演算法的人得到更為悲慘的結局。

先說說數據結構。掌握隊列、堆棧和圖的基本表達與操作是必需的，至於樹，我個人覺得需要建樹的問題有但是並不多。（但是樹往往是很重要的分析工具）除此之外，排序和查找並不需要對所有方式都能很熟練的掌握，但你必須保證自己對於各種情況都有一個在時間復雜度上滿足最低要求的解決方案。說到時間復雜度，就又該說說哈希表了，競賽時對時間的限制遠遠多於對空間的限制，這要求大家盡快掌握「以空間換時間」的原則策略，能用哈希表來存儲的數據一定不要到時候再去查找，如果實在不能建哈希表，再看看能否建二叉查找樹等等——這都是爭取時間的策略，掌握這些技巧需要大家對數據結構尤其是演算法復雜度有比較全面的理性和感性認識。

接著說說演算法。演算法中最基本和常用的是搜索，主要是回溯和分支限界法的使用。這里要說的是，有些初學者在學習這些搜索基本演算法是不太注意剪枝，這是十分不可取的，因為所有搜索的題目給你的測試用例都不會有很大的規模，你往往察覺不出程序運行的時間問題，但是真正的測試數據一定能過濾出那些沒有剪枝的演算法。實際上參賽選手基本上都會使用常用的搜索演算法，題目的區分度往往就是建立在諸如剪枝之類的優化上了。

常用演算法中的另一類是以「相似或相同子問題」為核心的，包括遞推、遞歸、貪心法和動態規劃。這其中比較難於掌握的就是動態規劃，如何抽象出重復的子問題是很多題目的難點所在，筆者建議初學者仔細理解圖論中一些以動態規劃為基本思想所建立起來的基本演算法（比如Floyd-Warshall演算法），並且多閱讀一些定理的證明，這雖然不能有什麼直接的幫助，但是長期堅持就會對思維很有幫助。

四、團隊配合

通過以上的介紹大家也可以看出，信息學競賽對於知識面覆蓋的非常廣，想憑一己之力全部消化這些東西實在是相當困難的，這就要求我們盡可能地發揮團隊協作的精神。同組成員之間的熟練配合和默契的形成需要時間，具體的情況因成員的組成不同而不同，這里我就不再多說了。

五、練習、練習、再練習

知識的積累固然重要，但是信息學終究不是看出來的，而是練出來的，這是多少前人最深的一點體會，只有通過具體題目的分析和實踐，才能真正掌握數學的使用和演算法的應用，並在不斷的練習中增加編程經驗和技巧，提高對時間復雜度的感性認識，優化時間的分配，加強團隊的配合。總之，在這里光有紙上談兵是絕對不行的，必須要通過實戰來鍛煉自己。

大家一定要問，我們去哪裡找題做，又如何檢驗程序是否正確呢？這大可不必擔心，現在已經有了很多網上做題的站點，這些站點提供了大量的題庫並支持在線判卷，你只需要把程序源碼提交上去，馬上就可以知道自己的程序是否正確，運行所使用的時間以及消耗的內存等等狀況。下面我給大家推薦幾個站點，筆者不建議大家在所有這些站點上做題，選擇一個就可以了，因為每個站點的題都有一定的難易比例，系統地做一套題庫可以使你對各種難度、各種類型的題都有所認識。

1、Ural：

Ural是中國學生對俄羅斯的Ural州立大學的簡稱 ，那裡設立了一個Ural Online Problem Set，並且支持Online Judge。Ural的不少題目演算法性和趣聞性都很強，得到了國內廣大學生的厚愛。根據「信息學初學者之家」網站的統計，Ural的題目類型大概呈如下的分布：

題型
搜索
動態規劃
貪心
構造
圖論
計算幾何
純數學問題
數據結構
其它

所佔比例
約10%
約15%
約5%
約5%
約10%
約5%
約20%
約5%
約25%

這和實際比賽中的題型分布也是大體相當的。有興趣的朋友可以去看看。

2、UVA：

UVA代表西班牙Valladolid大學(University de Valladolid)。該大學有一個那裡設立了一個PROBLEM SET ARCHIVE with ONLINE JUDGE ，並且支持ONLINE JUDGE，形式和Ural大學的題庫類似。不過和Ural不同的是，UVA題目多的多，而且比較雜，而且有些題目的測試數據比較刁鑽。這使得剛到那裡做題的朋友往往感覺到無所適從，要麼難以找到合適的題目，要麼Wrong Answer了很多次以後仍然不知道錯在那裡。 如果說做Ural題目主要是為了訓練演算法，那麼UVA題目可以訓練全方位的基本功和一些必要的編程素質。UVA和許多世界知名大學聯合辦有同步網上比賽，因此那裡強人無數，不過你先要使自己具有聽懂他們在說什麼的素質：）

3、ZOJ：

ZOJ是浙江大學建立的ONLINE JUDGE，是中國大學建立的第一個同類站點，也是最好和人氣最高的一個，筆者和許多班裡的同學就是在這里練習。ZOJ雖然也定位為一個英文網站，但是這里的中國學生比較多，因此讓人覺得很親切。這里目前有500多道題目，難易分配適中，且涵蓋了各大洲的題目類型並配有索引，除此之外，ZOJ的JUDGE系統是幾個網站中表現得比較好的一個，很少出現Wrong Answer和Presentation error混淆的情況。這里每月也辦有一次網上比賽，只要是注冊的用戶都可以參加。

說起中國的ONLINE JUDGE，去年才開始參加ACM競賽的北京大學現在也建立了自己的提交系統；而我們學校也是去年開始參加比賽，現在也有可能推出自己的提交系統，如果能夠做成，到時候大家就可以去上面做題了。同類網站的飛速發展標志著有越來越多的同學有興趣進入信息學的領域探索，這是一件好事，同時也意味著更激烈的競爭。

看看那有沒有幫助，我也是新手入門……

『貳』 常用的數據挖掘演算法有哪幾類

常用的數據挖掘演算法分為以下幾類：神經網路，遺傳演算法，回歸演算法，聚類分析演算法，貝耶斯演算法。

目前已經進入大數據的時代，所以數據挖掘和大數據分析的就業前景非常好，學好大數據分析和數據挖掘可以在各個領域中發揮自己的價值；同時，大數據分析並不是一蹴而就的事情，而是需要你日積月累的數據處理經驗，不是會被輕易替代的。一家公司的各項工作，基本上都都用數據體現出來，一位高級的數據分析師職位通常是數據職能架構中領航者，擁有較高的分析和思辨能力，對於業務的理解到位，並且深度知曉公司的管理和商業行為，他可以負責一個子產品或模塊級別的項目，帶領團隊來全面解決問題，把控手下數據分析師的工作質量。

想要了解更多有關數據挖掘演算法的信息，可以了解一下CDA數據分析師的課程。課程教你學企業需要的敏捷演算法建模能力，可以學到前沿且實用的技術，挖掘數據的魅力;教你用可落地、易操作的數據科學思維和技術模板構建出優秀模型，只教實用干貨，以專精技術能力提升業務效果與效率。點擊預約免費試聽課。

『叄』 中國跳水隊用3DAI技術訓練，這是種什麼樣的技術

在奧運健兒爭金奪銀的背後，除了運動員的刻苦訓練和教練員的悉心教導之外，還出現了很多高科技的訓練設備和手段。中國跳水隊在訓練中採用了3D+AI技術，對動作、姿勢等進行針對性的訓練。有了高科技手段的助力，教練員就可以針對運動員的相關量化指標進行針對性的指導，訓練結束後，運動員還可以使用這套系統像復習功課一樣及時地總結經驗、改進不足，這對於運動員賽前的備戰和准備工作非常重要，毫無疑問，中國跳水夢之隊的驕人戰績，來自隊員的刻苦訓練。為了備戰東京奧運會，今年4月，中國跳水隊還請來了一個"國家AI教練"。

簡單來說，就是利用“3D+AI跳水訓練系統”對跳水動作進行三維姿態計算，對運動員的訓練狀態進行量化評估，重建三維人體模型和跳水場館，自動提取關鍵動作。

『肆』 普通人怎樣成為一個領域的高手

互聯網江湖裡，有一個號稱「沒有圍牆的互聯網創新大學」——混沌大學。它的創始人叫李善友。

有人說混沌大學是個創業黑幫，有人卻說它是個「傳銷」組織。李善友為混沌創業營廣發英雄帖，是這么寫的：

「基督教里，天堂是一道窄門。創業路上，成功是一道窄門。創業營是一個陪你找到窄門的地方，因為我們自己選擇的，也是一道窄門。」

乍一看還有點唬人，其實和魯迅的「世上本沒有路，走的人多了便有了路」異曲同工。

阿婆在混沌大學聽過李善友的「認知升級之第一性原理」，其中他提到了一個概念：刻意練習。

『伍』 需要掌握哪些大數據演算法

數據挖掘領域的十大經典演算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART。

1、C4.5演算法是機器學習演算法中的一種分類決策樹演算法,其核心演算法是ID3演算法。
2、2、k-means algorithm演算法是一個聚類演算法，把n的對象根據他們的屬性分為k個分割，k < n。
3、支持向量機，英文為Support Vector Machine，簡稱SV機（論文中一般簡稱SVM）。它是一種監督式學習的方法，它廣泛的應用於統計分類以及回歸分析中。
4、Apriori演算法是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法。其核心是基於兩階段頻集思想的遞推演算法。
5、最大期望（EM）演算法。在統計計算中，最大期望（EM，Expectation–Maximization）演算法是在概率（probabilistic）模型中尋找參數最大似然 估計的演算法，其中概率模型依賴於無法觀測的隱藏變數（Latent Variabl）。
6、PageRank是Google演算法的重要內容。2001年9月被授予美國專利，專利人是Google創始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指網頁，而是指佩奇，即這個等級方法是以佩奇來命名的。
7、Adaboost是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然後把這些弱分類器集合起來，構成一個更強的最終分類器 (強分類器)。
8、K最近鄰(k-Nearest Neighbor，KNN)分類演算法，是一個理論上比較成熟的方法，也是最簡單的機器學習演算法之一。
9、Naive Bayes。在眾多的分類模型中，應用最為廣泛的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型（Naive Bayesian Model，NBC）。
10、CART, Classification and Regression Trees。 在分類樹下面有兩個關鍵的思想。

關於大數據演算法的相關問題推薦CDA數據分析師的相關課程，課程內容兼顧培養解決數據挖掘流程問題的橫向能力以及解決數據挖掘演算法問題的縱向能力。要求學生具備從數據治理根源出發的思維，通過數字化工作方法來探查業務問題，通過近因分析、宏觀根因分析等手段，再選擇業務流程優化工具還是演算法工具，而非「遇到問題調演算法包」點擊預約免費試聽課。

『陸』 核心演算法是什麼它對機器人有多重要

機器人的演算法大方向可以分為感知演算法與控制演算法，感知演算法一般是環境感知、路徑規劃，而控制演算法一般分為決策演算法、運動控制演算法。環境感知演算法獲取環境各種數據，通常指以機器人的視覺所見的圖像識別等 。

雖然對於工業機器人來說，要想實現高速下穩定精確的運動軌跡，精密的配件必不可少，如電機，伺服系統，還有非常重要的減速機等等。但是這些都只是硬體的需求，僅僅只有好的硬體，沒有相應的核心演算法，也就是缺少了控制硬體的大腦，那麼工業機器人使用再好的硬體，也只能完成一些精確度要求不高的簡單工作，而且還容易出問題。而這就是中國機器人製造商面臨的最大問題。

作為工業級產品，衡量機器人優劣主要有兩個標准：穩定性和精確性。核心控制器是影響穩定性的關鍵部件，有著工業機器人“大腦”之稱。而軟體相當於語言，把“大腦”的想法傳遞出去。 要講好這門“語言”，就需要底層核心演算法。

好的演算法，幾千行就能讓機器人穩定運行不出故障；差的演算法，幾萬行也達不到人家的水準。不掌握核心演算法，生產精度需求不高的產品還勉強可以，但倘若應用到航天航空、軍工等高端領域，就只能依賴進口工業機器人了。

對於機器人來說，每一個動作都需要核心控制器、伺服驅動器和伺服電機協同動作，而現在的機器人通常擁用多個伺服器，因此多台伺服系統更需要核心演算法提前進行計算。只有通過底層演算法，國外核心控制器才可以通過伺服系統的電流環直接操作電機，實現高動態多軸非線性條件下的精密控制，同時還能滿足極短響應延時的需求。這也是為何如今在中國的機器人市場上，6軸以上的高端機器人幾乎被國外的機器人公司壟斷。

『柒』 數據挖掘的經典演算法

1. C4.5：是機器學習演算法中的一種分類決策樹演算法，其核心演算法是ID3演算法。
2. K-means演算法：是一種聚類演算法。
3.SVM：一種監督式學習的方法，廣泛運用於統計分類以及回歸分析中
4.Apriori ：是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法。
5.EM：最大期望值法。
6.pagerank：是google演算法的重要內容。
7. Adaboost:是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器然後把弱分類器集合起來，構成一個更強的最終分類器。
8.KNN:是一個理論上比較成熟的的方法，也是最簡單的機器學習方法之一。
9.Naive Bayes：在眾多分類方法中，應用最廣泛的有決策樹模型和樸素貝葉斯（Naive Bayes）
10.Cart：分類與回歸樹，在分類樹下面有兩個關鍵的思想，第一個是關於遞歸地劃分自變數空間的想法，第二個是用驗證數據進行減枝。
關聯規則規則定義
在描述有關關聯規則的一些細節之前，我們先來看一個有趣的故事： 尿布與啤酒的故事。
在一家超市裡，有一個有趣的現象：尿布和啤酒赫然擺在一起出售。但是這個奇怪的舉措卻使尿布和啤酒的銷量雙雙增加了。這不是一個笑話，而是發生在美國沃爾瑪連鎖店超市的真實案例，並一直為商家所津津樂道。沃爾瑪擁有世界上最大的數據倉庫系統，為了能夠准確了解顧客在其門店的購買習慣，沃爾瑪對其顧客的購物行為進行購物籃分析，想知道顧客經常一起購買的商品有哪些。沃爾瑪數據倉庫里集中了其各門店的詳細原始交易數據。在這些原始交易數據的基礎上，沃爾瑪利用數據挖掘方法對這些數據進行分析和挖掘。一個意外的發現是：跟尿布一起購買最多的商品竟是啤酒！經過大量實際調查和分析，揭示了一個隱藏在尿布與啤酒背後的美國人的一種行為模式：在美國，一些年輕的父親下班後經常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時也為自己買一些啤酒。產生這一現象的原因是：美國的太太們常叮囑她們的丈夫下班後為小孩買尿布，而丈夫們在買尿布後又隨手帶回了他們喜歡的啤酒。
按常規思維，尿布與啤酒風馬牛不相及，若不是藉助數據挖掘技術對大量交易數據進行挖掘分析，沃爾瑪是不可能發現數據內在這一有價值的規律的。
數據關聯是資料庫中存在的一類重要的可被發現的知識。若兩個或多個變數的取值之間存在某種規律性，就稱為關聯。關聯可分為簡單關聯、時序關聯、因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。有時並不知道資料庫中數據的關聯函數，即使知道也是不確定的，因此關聯分析生成的規則帶有可信度。關聯規則挖掘發現大量數據中項集之間有趣的關聯或相關聯系。Agrawal等於1993年首先提出了挖掘顧客交易資料庫中項集間的關聯規則問題，以後諸多的研究人員對關聯規則的挖掘問題進行了大量的研究。他們的工作包括對原有的演算法進行優化，如引入隨機采樣、並行的思想等，以提高演算法挖掘規則的效率；對關聯規則的應用進行推廣。關聯規則挖掘在數據挖掘中是一個重要的課題，最近幾年已被業界所廣泛研究。

『捌』 做房地產銷售的人，是不是只吃青春飯

地產行業的現狀，就是案場銷售很多時候都是靠天吃飯，「把行情當能力」。

市場行情非常好，傻子都賣得出去；但是行情不好，真正考驗一個銷售功力的時候，他們就無能為力。

現在的房地產無論是規劃、設計，還是園林、管理、運營，相比國外的同行都已經做得非常好。但是如果這幾個領域都可以打90分的話，銷售只能打60分。

融創曾經做過統計，同一個售樓處，銷冠比末位的銷售均價高了3%。越是三四五線城市差距越大，有的相差4%、5%。主流的高周轉的公司，每年的凈利潤也就是大概10%左右，同樣的產品、同樣的成本，蹩腳的銷售一哆嗦就丟掉了凈利潤的30%，非常可怕。

從比較狹義的營銷角度來講，營的能力現在各家大公司都做得很好，包括網路營銷、怎麼做活動、怎麼做渠道，大家都做到極致，哪怕派單都整理出精細化20招。唯獨在案場銷售這一塊，我們的研究非常薄弱，這一塊現在是整個房地產行業的短板。

地產銷售為什麼會成為整個行業的短板？怎麼才能提升地產銷售的水平呢？

著名營銷專家、《房地產銷售30講》主理人陳利文，曾在明源地產創新研習社發表了一次演講，揭開了所有秘密。下面是他的演講內容……

01

地產銷售的行業現狀很不合理

地產銷售成為整個行業的短板，我們看到很多不合理的現象……

1、銷售是吃青春飯行業，做到30歲就成老油條，這不合理

賣房子在中國還是一個吃青春飯的行業，售樓處全部都是年輕人；而發達國家的同行，很多人一輩子都在做經紀人，我在國外見過白發蒼蒼的職業經紀人，非常專業，很難問得倒他。

中國房地產公司的銷售隊伍是售而優則仕，銷售做得好，慢慢的就當官了，離地面越來越遠，聽不到一線炮火的聲音。結果就是我們案場都是一群經驗不是很充足、隊伍不是很穩的銷售員上陣。這些人員，要麼是新兵蛋子，要麼是老油條。

前者把握不住客戶，後者把握過度，往往變成勢利眼。每次調控，就是老油條大規模改行的開始。市場最不好的時候，往往沒有經驗的新兵比老油條要賣得好。為什麼呢？很多老油條幹了5年、10年，他覺得現在市場不好，我們這么高的價格賣不掉，固有的經驗對他有很大的束縛。

老油條一般從業6年以上，掌握了大量的信息和熟練的小技巧，但他們實際上是待在自己的舒適區里做一個低水平的重復，再多練幾年也不會有什麼進步，而且還會緩慢退化。如果老售樓員無法擊透自身的臨界點，就干不過新人，只能草草退出。

2、許多銷售做了很多年，背了許多案場的標准說辭，但連「賣點」是什麼都不知道

我在顧問的過程中見到兩個真實案例，深思背面的現象，可以說觸目驚心。

一個是某市的一個中式別墅項目，嚴重滯銷。他一戶有兩個車庫，車庫的開間是7米，進深是6米。而所有的標准車位2.3米寬，如果7米寬，就可以放兩輛超大的車。超大車位是豪宅的一個重要標簽，但他們對這個賣點視而不見。

一個是南方沿海某市的一個別墅項目，停車位配比達到1:2.3，每戶至少有兩個封閉車庫。銷售人員給客戶介紹這個賣點，客戶沒有感覺。

賣點是什麼？賣點是指商品具備了前所未有、別出心裁或與眾不同的特色、特點，從而能引發銷售者的購買慾望。從這個定義我們看到，賣點不是自說自話，賣點是一種比較「關系」，必須放在「關系」的框架內才可以理解。

銷售人員知道了這個原理，如果告訴客戶，全市一共在售16個別墅項目，唯有我們項目是兩個封閉車庫，其他的要麼是地上開放停車位，要麼是地下開放停車位，再好一些的也只有一個封閉車庫，我們的停車私密性是最好的。這才是「賣點」的正確表達方式。

有些案場搞了洋洋灑灑幾萬字的說辭，要求銷售背，一個個過銷講，但是有些銷售新兵，說辭背得很溜，但是到了提問的環節直接露餡。客戶問一些問題，一下就被問倒。

根據我的經驗，很多的疑難雜症項目，都是銷售這個環節出了問題。很多銷售去到一個樓盤就背一個新的說辭，結果那麼多年下來不一定水平高。我認為中國的銷售以後也將會過渡到職業化，也就是這個行業我們可以做一輩子。當然，要做一輩子，我們就必須不斷進步……

02

地產銷售如何才能突破自我？

有本書叫《刻意練習》，這本書討論了一個問題：職業化的高手是如何練成的。他提出一個觀點：必須走出自己的舒適區，只有在學習區里持續地做自己做不好的事情，才可能取得進步。大腦分成三個區，最裡面的區域叫舒適區，外面能力達不到的區域是恐慌區，在舒適區和恐慌區中間的是學習區。

普通的高爾夫愛好者打高爾夫純粹是為了愛好，但是職業的高爾夫選手要在各種不舒適的地方打各種各樣的球。我前面說的那些老油條銷售，他可能幹10年、20年，一直在他的舒適區，所以他是沒有長進的。

一個人如果要想進步，你原來已經學會的東西你不要去重復練習，而是要做自己做不好的事情，這才叫做刻意練習。現在我們的銷售環節就缺乏這樣的刻意練習。

一塊土地之所以能夠升值，就是因為它產生的周邊的生態環境造成了很多的復利，就是貨幣、勞動力和土地三個因素共同構成一個復利系統。

政府開始有錢去投入，比如投入立體交通，引進產業、建一個學校，建了學校之後又有很多的人口，有了人口稅源又增多了，政府就有錢建基礎設施，基礎設施更好了，又會有更多的人過來，政府又會有更多的稅源，這就是一個土地的復利系統，不停地循環……

綜上所述，就像了解房子的本質一樣。銷售只有掌握了房子價值的核心演算法模型之後，才能真正地知道關鍵的地方在哪裡，才能用最簡單的模式去說服客戶。

04

地產銷售以及進入4.0時代

● 1.0時代的銷售員是一個接待員的角色，你願意買就買，不買就不買。現在在三四線城市，很多銷售還是1.0時代的角色。

● 2.0時代的銷售是推銷員，有一點小聰明，懂得一點小技巧，能錦上添花。

●3.0時代是真正的置業顧問，他擔得起顧問這兩個字，他有專業的高度，能用他很清晰的模式和概念給客戶「洗腦」，因此具備價格承載力。

● 4.0時代的銷售是職業經理人，他會嘗到這個行業的甜頭，把這個行業作為終生職業。

4.0時代的經紀人不但要會賣房子，能賣上價格，還要有自己的客戶資源渠道，自己要去拓展客戶資源。在美國買房，我們很難找到售樓處，你只能找你的經紀人，這個經紀人要用自己的辦法去聯系客戶。

現在看到很多行業營與銷的邊界在逐漸的溶解，搞營的人也要有銷的能力，搞銷的人要有營的能力，自己要知道從哪些渠道找客戶。在市場不好的時候，我認為4.0的觀念很重要。

地產銷售4.0時代，置業顧問想要不被淘汰，唯有學習提升自己這一條路！為了幫助大家快速進入4.0時代，明源地產研究院聯合陳利文老師，精心打造了課程《房地產銷售30講》，已經有超過2300位

『玖』 人臉識別技術的核心演算法是什麼

人臉識別核心演算法包括檢測定位、建模、紋理變換、表情變換、模型統計訓練、識別匹配等關鍵步驟，其中最關鍵的技術包括兩部分：人臉檢測（Face Detect）和人臉識別（Face Identification）。

檢測技術核心稱為：迭代動態局部特徵分析(SDLFA)，它是以國際通用的局域特徵分析（LFA）和動態局域特徵分析（DLFA）為基礎，並且針對現實業務場景進行了全面的演算法增強及結果優化，識別技術核心稱為：實時面部特徵匹配（RFFM），其識別特徵數據緊湊，特徵演算法准確高效，是國際國內獨創性的識別技術。

『拾』 怎麼計算自己的核心能力

為什麼這么講呢？專業終歸一種手段，不是目的，歸根結底是一種被前人總結的相對標准化或者是概念化的可操作的經驗。它是基於我們過往的前輩，在解決問題的那個實際場景中來歸納下來的。

所以追本溯源，要先去找到要解決的問題，就是那個目標在哪裡？有了目標以後，才有路徑，才能讓自己活成自己想要的樣子然後才是根據目標來構建自己的核心能力，這個能力一定是跨專業的、多維度的，同時也是系統化的。

第二，我們來講講如何構築核心能力的具體的練習方法。我把它總結為核心演算法加刻意練習。那什麼是核心演算法呢？其實核心演算法是一種習得模式，是一種閉環，它是一系列動作的連續指令，目的是將構建你核心的能力的事情串聯起來。