机器和人类的学习成本

认为大脑就像一座城市。 道路是传递信息的神经高速公路,而街区则是相互作用的不同大脑区域。 我们人类喜欢学习,但是我们无法学习所有我们想学习的事物。 选择一个“学习机会”总是伴随着不选择另一个的代价。 我们可以观察到许多领域的成本模式。 在经济学中,我们具有机会成本,而在统计分析中,我们具有I型至II型错误的权衡。 在炼金术中,还有一个折衷,表示为等效交换。 有限的时间和脑力是两个限制我们自学的因素。 在实施算法来教授机器时,我们需要进行时空权衡。 在模型拟合中,我们要权衡“欠拟合”与“过拟合”,而在软件程序中,我们必须在更高的效率或精度之间进行选择。 深度学习是生物大脑的“卡通”,这是我们甚至不了解的事物的极大简化版本。 迈克尔·乔丹 确认偏差和预测中的过拟合 想象一下,现在我们的大脑决定学习另一种东西。 我们使用经验法则(试探法)来最大化决策的回报。 机器学习使用启发式或元启发式优化算法或经验法则来最小化真值逼近之间的成本函数。 大脑渴望对未来进行估计和计划,以便从决策中选择朝着最佳结果的明智行为。过去和先前的信念的结合可能是最重要的因素,可以有意或无意识地指导未来的行为。 但是,过去永远是现实的歪曲证据,因为现实不再存在。…

较小的学生,产生更大的变化

乔·安·克洛斯特(JO AN KLOSTER) 这个故事起源于威斯康星州格林贝的贝尔德小学。 学校人口统计资料:大多数是中产阶级/工人阶级白种人,但由于我们的ESL老师在扩大西班牙裔和苗族(这是老挝和越南附近的一群人)的一部分时间,因此多样性不断增加。 这是我在贝尔德的第二年。 在担任此职位之前,我曾在格林贝(Green Bay)担任以下专业职务:特殊教育资源室讲师和阅读恢复一对一教学。 去年是我第一次担任全日制普通教育课堂老师。 自从我进入教学以来,我的目标一直是激发学生认识到他们可以改变世界。 我努力创造真实的体验,让我的学生以新颖有趣的方式运用他们的学习成果。 由于我的学区正在实施合作学习的TRIBES流程,因此我也在寻求促进鼓励学生在开展合作小组工作时互相学习的项目。 去年,我的21名一年级和二年级学生参加了这个项目,这个项目成倍增长,这使我们通过TRIBES合作学习过程进入了新奇的学习领域。 在11月的社会学习课程中,我们探讨了感恩的主题。 然后,就在感恩节之前,我们读了比阿特丽斯的山羊,那是关于一个乌干达小姑娘的,还有她的家人从小母牛国际组织匿名获得的山羊礼物,这使她的家人摆脱了贫困和营养不良。 她甚至能够上学。 这个故事以及比阿特丽斯如何将她的山羊后代的礼物传递给另一个有需要的家庭,令学生们深受感动。 学生们跳出了我最初的挑战,即“有所作为”,并以自己的口号“是的,我们也要帮助!”来帮助另一个家庭。他们迫切地希望有机会赠送一份礼物,并继续给予。…