写给新读者的文章导航（3）：编程与技术
未来时代，科学、工程与人文三者兼具能力日益重要。人文是明白自己身在何处；工程是有改造世界的能力；科学是能理性解决问题，具备文献追溯与创新的能力。在第三篇文章导航中，这里的工程能力更多侧重编程与数据科学这类软件工程，偶尔涉及到开源硬件这类硬件工程。先让我们从关于编程的元思考谈起。
关于编程的元思考
在我看来，成为杰出专家，应以十年为判断标准，前四年，是培养技能复利的年头。设计、编程、思维训练，均会导致【能力翻倍】效应。所以，按照我的习惯，先从编程的【元思考】说起。这些编程的好习惯与路径，能够导致我们养成更好的习惯与更高效率的学习。
文章1：如何学习一门新的编程语言？
刚开始编程，常心不从心，怎么办？当你开始编程，的确很难，你需要同时掌握语言与逻辑，大脑并不擅长同时处理两件事。所以，我们需要借助一些巧妙的小工具与方法论。这篇文章整理了它们。虽然写于2011年，并没过时，但有几个小提醒：
- 第一个需要特别提醒的是，【刻意练习】并非万灵丹，严格遵循刻意练习方法，大约能解释国际象棋冠军等卓越专家的成绩的百分之三十，而非被大量所谓专家错误科普，学术上并不存在的【一万小时定律】鼓吹的百分之百。
-
另一个需要提醒的是，希望更多了解执行意图，可以参考我后来写的文章与好友小镇的演讲：
- 心智工具箱（4）：执行意图
- @小镇一个关于执行意图的趣味演讲。http://t.cn/zjOiLR7
文章2：如何高效利用GitHub\
这一篇老文，技术社区广为流传。以致几年过去了，用Google检索github，还是这篇文章位居前列。文章中提及的具体链接会过时，但是不会过时的是其中反映出来的思维方法论。尤其是以下几点：
1）对Github文化的分析：强调敏捷开发与快速原型，而又的确成功的创业团队，常具备一个重要气质：有自己的文化风格。 2）认知学徒制：你要学习编程，就应该在github里学习，因为你以后编程就是通过Github。 3）与牛人在一起：参见成为黑客那个链接与集体智慧部分； 4）减少选择：人生不易，满意即可。
Mac效率手册
我当然是Mac粉，晒晒我的Mac Pro。是不是太像垃圾桶？^-^
在我诱惑下，用Mac的朋友越来越多了。将老文汇集在一起，成为一本不断在线更新的《Mac效率手册》供各位参考：
文章3：如何提高创作型任务的效率？（Mac版）
Mac是苹果公司设计开发的一款广受好评的操作系统。如果尝试总结Mac与Windows最大的差异，或许关键字在于：注意力。Mac OSX以简洁的设计取胜，甚至强迫用户将注意力聚焦在当前工作之上。Windows系列操作系统设计，相对而言，缺少一个统一并且强硬执行下去的注意力法则。
这篇文章写得极早，奇迹的是，时隔多年，里面的软件都还没过时。
文章4：Mac开发者2013年新机设置参考
这篇文章是Mac到手之后，可以照着一步一步演练的装机指南。装机之后，同时可以参考我写的Mac入门七篇，网址是：
涉及到Mac新手所需要的方方面面技巧。为了节省时间，重点阅读以下三篇即可：
关于开源技术的布道
前几年，对开源世界做了很多推广工作，Google搜索iterm2、markdown、pandoc、github、jekyll、cask，前几篇都是我的文章。随着近两年步入自己的创作高峰期，以后再也没这心力。这些散落的文字，可以参考这里：
以及这个豆瓣小组：
其中，最常用、最容易改变新读者的使用习惯的是Markdown与iTerm2。建议从此阅读开始。
文章5：Markdown写作浅谈
高效的写作工具，本质是个思想引擎。这个引擎一要快，最快速度帮助你将头脑中混乱的、零碎的想法转为文章；二要智能，自动版本管理，不再让你担心写废与删稿、文风检查；三要恰当好处，进行内容与表现形式的分离。
为了快速入门，可以搭配小容写的在线教程：
入门之后，则可以阅读：
文章6：iTerm2新手应知特色功能
基础，无语多言。
认知科学、数据科学与网络科学
总看到读者在我的技术博客后这种评论：【不说还以为是IT从业人员，怎想是专业心理师】。我从不做心理咨询，不是心理师。编程是认知科学传统。还有用lisp写ACT-R，现在深度学习大牛hinton、贝叶斯大牛Josh都是心理系出身，从事认知科学。大家别把心理学等同于心理咨询，虽然它很重要，但还有更广阔的天地。
文章可以参阅这里：
部分书单可以参阅这里：
文章8：[心理学工作者学什么编程语言？(http://www.yangzhiping.com/tech/psychologist-language.html)
心理学工作者学什么编程语言？我的选择标准是：1）开源，社区友善；2）易入门；3）在特定问题领域，拥有大量最佳实践与外部库，避免重复劳动；4）容易产品化，好卖钱，并且销售基于该程序语言开发的产品不侵犯第三方知识产权。5）不仅学术界，工业界也大量使用,因此好就业好创业。
这篇帖子2011年写的，有些早。建议：
1）侧重数据科学与心理测量，从R入手； 2）侧重人工智能、认知机器人与Web开发，从Python入手； 3）开源硬件，从Arudino入手。
学R可从这里入手：http://t.cn/8FBRgC5 学Python从这里入手：http://t.cn/8FK6nVa
文章9：R in Psychology学习目录
这是前几年整理的一个，给认知科学、心理科学及相关学科的朋友，学习R语言的目录。这一篇文章还可以搭配以下两篇文章阅读：
在处理数据与学习数据科学的时候，最好还订阅以下博客与新闻周刊：
- 其一：老朋友xccds的博客【数据科学与R语言】：http://t.cn/8kvRqBh 精彩，值得收藏。
- 其二：数据科学周报（Data Science Weekly）：http://t.cn/8s3TEbE，存档在：http://t.cn/8s3TgNP ；数据科学资源整理在：http://t.cn/8s3TgNv
文章10：《社会网络分析：方法与实践》译者序
这一篇文章是我给组织翻译的《社会网络分析：方法与实践》写的序言。全书以基于Python的网络分析包NetworkX作为社会网络分析工具,但并不是一本NetworkX使用手册。作者将重点放在如何从庞大的社会网络分析学术积累中，挑选最精要与最实用的知识点，以帮助读者形成关于社会网络分析的知识谱系图。
从社会网络分析，既可以走向更偏社会科学的计算社会科学，也可以走向更偏神经科学的大脑复杂网络研究；还可以走向更偏计算机科学与物理学的网络科学研究。这本书适合新读者与新手，可以作为一个初步了解图论、网络科学的起点。
同时还可以搭配这一篇文章阅读：