数学骰子和解码学习经验

在2017年春季,我很高兴能从Stacie Rohrbach的学习者体验设计(LXD)中学习,深入探讨人类参与不同学习体验和处理信息的方式。 我将一路使用人机交互(HCI)工具包中的所有工具,将它们与教学设计理念和教育方法相结合,为学习者设计有意义的(希望是有趣的!)体验。 每节课结束后,我都会对我学到的或正在思考的一些东西进行简短的反思。 是什么让学习游戏变得有趣且有效(有趣?)。 我们花了一些时间在课堂上玩游戏,而我对如何使该游戏在我的情况下特别有趣的想法不屑一顾,并认为其中有些想法可以普遍应用于其他学习型游戏。 Stacie随机将这些游戏分配给我们,所以当我的小组分配Math Dice时,我感到有些难过。 为什么? 我有点讨厌大多数数学。 当Stacie解释说这个游戏在她的孩子们中不受欢迎时,我更加感到难过。 全家人都开心吗? 开始时我们很难过-说明不直观,甚至花了些时间我们才知道我们应该如何玩游戏(如果我们甚至不理解说明,那么8岁以上的孩子应该怎么看?至?)。 但是一旦开始,我们实际上就过得很愉快。 我一直在思考为什么会这样,以及除此之外,为什么Stacie的孩子们可能不会参加这个游戏的一些原因。 竞争,但赌注低 我发现游戏的竞争性,时效性方面“对我的大象说话”。这使我专注于主题,如果有选择,我将永远不会愿意专注于(算术)。 同时,如果我没有及时给出正确的答案,那么实际上没有任何危险。…

思维导图:成为学习的莱昂纳多·迪卡普里奥

线性代数是一个无所不包的学科。 我接受的教育越深入,我就越深信线性代数是一切事物的基础。 互联网,机器学习,量子力学都需要一定水平的线性代数。 无论我们是数学家还是路边的先知,我们都可以同意的是线性代数是不可避免的。 因此,在以后继续执行我们深感兴趣的事情(例如当今的标准,机器学习(流行语警报))时,构建坚固的线性代数框架以巩固我们的理解至关重要。 我们可能不记得确切如何找到特征向量,但至少我们知道它们的价值以及它们如何适合更大的视野。 在量子力学中,特征向量有时是无限方阱中粒子的能量本征函数。 在机器学习中,它们可以是协方差矩阵的组成部分,在卡尔曼滤波器中非常有用。 特征向量可以是您想要的任何东西,但是线性代数网络中的灵活性允许在扩展到新的主题或应用程序时提供更大的移动性。 整个夏天,在NASA实习期间,我都接受了有关该研究小组开发的一种算法的技术写作的任务。 作业需要了解算法本身如何工作以及如何适应小组的项目,然后以其他人可以理解的方式进行解释。 技术写作 ,将复杂的主题分解为直观的解释的艺术, 这是我从未做过也从未想过的事情。 毫不奇怪,它在“技术”和“写作”方面都要求舒适,我觉得我在一条未铺砌的道路上行走。 但是,这是一个难得的机会,迫使我从非常简单的角度研究一个非常复杂的主题。 为了做到这一点,我提取了算法的最基本的概念, 骨骼…