您可能应该了解的有关“机器学习”的知识

一个人的好建议。 不适用于机器。 这只是所谓的(我)计算谬论的一个例子,描述了当我们将特征/行为/属性/技能/能力应用于只能正确地应用于整体(大部分完好无损)的机器和计算机时出现的逻辑矛盾。人类和一些(非人类)动物。 机器学习这个词是(我)经常引用的这种谬论的例子之一。 当两个单词(按照它们的定义)按该顺序组合时,将产生一个逻辑上矛盾的术语,并在逻辑上是不可能的东西的产生,即学习机器。 机器无法学习,如果不再这样做,它将不再是机器。 尽管这是个废话,但荒谬的计算机“科学家”和技术炒作的实践者仍在继续使用它,但效果却丝毫不减。 显然,他们认为,自从人类意识开始出现以来,就已经违反了公认的普遍定律(逻辑定律),这是有事实根据的,因为其他所有人都在这样做,而且没有人对词语的含义或逻辑给予任何废话。 它听起来既性感又酷,并且在薪水变现和/或给予写作时间时毫无疑问地填补了ole的皮夹,这并没有什么坏处。 在单词“ deep”之前打上一个“深金”。 从字面上看,它是虚拟的,不是真实的,不是真实的东西,机器是无法学习的。 他们没有能力进行“监督”学习或“无监督”或“强化”学习。 他们没有能力学习数字,字母,单词,概念,定义甚至算法。 您知道最常见的机器学习算法列表中的所有算法都有什么共同点,它们都是简单的旧算法,其中许多是自古以来就存在的东西,早在机器没有学习时就出现了,这恰恰是从那时到今天 是不是很困惑? 用一个或什至全部对机器/计算机进行编程不会神奇地使所述机器学习,而是使所述机器具有使用所述算法进行计算/计算的能力。 不知道这对了解机器学习是否有用,但我认为您可能应该知道。

硕士课

经过多次辩论,我终于获得了大师班。 180美元的价位对于大学生来说似乎有点不舒服,但是当我看到播放列表功能时,我已经知道这是值得的投资。 最让我着迷的是它毫不费力地推出了通过类似于Netflix的界面教授隐性知识的平台的能力。 与显性知识相反,隐性知识是一种难以通过口头传递给他人的知识。 做饭,打网球,玩乐器或设计的能力不是很明确的知识。 具有讽刺意味的是,这些领域的佼佼者很少能确切地告诉您他们如何成为大师。 他们只能告诉我们他们所知道的。 大师班似乎发现,制作大师很少是关于他们的技能,而是他们的性格,他们对生活的看法,他们的思维方式,他们传达自己的才能的能力。 通过“播放列表”功能可以非常优雅地捕获这些内容。 这些小小的智慧就像我们在学习过程中遇到障碍时所采取的处方。 对于每个主题(例如“从他人那里寻找灵感”),我都很喜欢,它是来自不同领域的大师的汇集,显示了各个学科之间的相互联系和首要原则。 这很重要,因为在一个人的各自领域内传播视力非常容易,并且会迷失在该气泡的细节中。 我们专注于速度而不是速度,而不是方向。 我正在设计教学大纲以学习,而看到Masterclass给我一些启发,提供了我自己的学习结构。 我决定一种新的学习方式包含四个主要组成部分: (1)动机 动机是关于为什么我想学习我所学到的东西。 为什么这很重要?…

比较学习理论

有很多不同的学习方法。 我们都有自己的学习和教学经验,但是对于我们大多数人来说,很少有时间花时间去思考这一切是如何发生的。 在本文中,我将通过总结它们的核心原理,以及从我作为学习者和/或老师的经验中提取的示例,对几种不同的学习理论进行比较。 行为主义 理论—行为主义是一种经典方法,在这种方法中,培训师会向受训者展示正确的方式来对特定刺激做出反应或表现,并通过考试,测验,指导性练习等测试来衡量他们的反应。受训者的行为正确,他们将从培训者那里得到正面或负面的回应。 正面回应可能很简单,例如口头赞美,正面强化,奖励,等级或特权。 在行为主义中,培训者的作用是提出明确的期望,并为学习者创造机会(或刺激),以证明其期望的行为作为回报。 (或响应)。 示例—我在学校工作,并且建筑法规规定必须有10名员工必须参加灭火器培训班。 因此,上周我去了消防局接受培训,并以此为契机来观察学习模型。 我们都站在外面,旁边有一个以丙烷为燃料的火坑,正在训练我们的消防员清楚地说明了有效,安全地扑灭大火所需的步骤。 他在评论时展示了预期的顺序,这使其看起来非常简单。 然后,他点燃了火炉,并要求我们所有的受训人员轮流灭火。 有趣的是,在我们进行练习时,培训师会向我们施加压力。 他大喊大叫(以类似军队的方式!)来营造一种恐慌和紧迫感,仿效如果我们发现自己必须扑灭真正的大火,可能会遇到的环境和心态。 在我们进行演习时,培训师将提供正面和负面的强化。 如果我们做错了什么(非常可笑),他真的对我们大喊大叫,在某些情况下让我们重复练习。 他还赞扬我们所做的出色步骤,并在演习结束时为我们鼓掌。…

您从未意识到的您正在教孩子关于毅力和韧性的信息:麻省理工学院的研究捕获了对13个月大的婴儿有效的技术

凯特·斯金格(Kate Stringer) 即使在麻省理工学院,也没有人能够创造出像婴儿的大脑一样强大的计算机。 麻省理工学院的研究生茱莉亚·伦纳德说:“比起我们现在拥有的任何计算机算法,他们更擅长通过一两个示例进行这种快速学习。” “这是一个很大的兴趣-每个人都喜欢,’我们希望一台计算机像婴儿一样学习。’ ” 伦纳德(Leonard)对婴儿如何学习也很好奇,因此她收集了200多个婴儿来分析他们的天才大脑。 特别是,她对研究婴儿如何从成年人那里学习沙砾和成长心态等技能感兴趣,尤其是在学校更加重视发展学生性格和社交情感能力的时候。 在《 科学》杂志上发表的伦纳德的一项研究中,她发现,如果婴儿第一次看到成年奋斗才能成功,就能够坚持艰巨的任务,这表明可以通过有力的观察力和毅力来培养有力的观察力的年轻婴儿大脑。 伦纳德对13至18个月大的婴儿进行了研究。 她让一组婴儿看着一个成年人挣扎30秒钟,从西红柿容器中取出一个玩具并成功,然后重复该过程以尝试从登山扣上取下钥匙链。 另一组婴儿看着一个成年人顺利完成了这些任务。 然后向婴儿展示了一个播放音乐的玩具,但是只有研究人员才知道如何激活声音。 给婴儿提供了玩具,研究人员注意到,那些事先看过成人挣扎的孩子做了更多的尝试,以按下玩具上的按钮来尝试使其播放音乐。 看着不挣扎的成年人的婴儿比同龄的同龄人花费更少的精力和按钮。 伦纳德说,实验表明,婴儿的行为不仅仅是模仿,因为给孩子们的玩具与看到大人挣扎的孩子完全不同。 对于伦纳德来说,这些结果表明,经过短暂的观察,婴儿的大脑就能学习努力和坚持不懈的价值。…

我一直听说您应该训练自己的演奏方式…

通常在问责制和强度的背景下这样说。 如果您想做得好,就必须努力进行训练,并保持自己(健康)的高标准。 我通常是那种疯狂奔跑的人,喜欢疯狂训练,默默地评论比赛,庆祝潜水或史诗般的摔跤,以保持有趣。 现在,当我站在教练领域并通过研究时,我接触了更多学术概念,例如代表任务设计(RTD)。 简而言之,我们需要在训练时重新创建我们的性能环境(游戏),但这不是我所看到的。 像其他任何东西一样,这是一个概念,已演变成中国耳语的游戏。 一个带有良好意图的复杂概念已经沿着小道消息传递给了当地的志愿教练,现在我们对好的RTD的真实面貌有一个非常误解的理解。 这只是一个迷你游戏吗? 好吧,在某些情况下可以。 小型比赛在足球(足球)等体育项目中有许多好处,在这种情况下,在控制的感知压力下进行诸如找到正确的传球之类的行为。 传统上,训练通常从两行开始,在没有压力的情况下与一个伙伴进行五十次传球,而不会动弹,有时甚至对某些人的能力来说似乎是一种拉伸。 好吧,这并不意味着他们不能接受快速有趣的基于游戏的培训,而只是意味着他们可能需要更多的支持,或者需要更多的时间才能被迫采取行动。 。 那是当今世界上最好的部分,您可以操纵很多东西。 它还使您不知所措,因为您需要以一种复杂的方式来理解游戏。 值得庆幸的是,我们知道可以从始终保持协同工作的三个层次来审视这个问题:人员,任务和环境。 对于像我这样的超级书呆子,这被称为生态动力学。 我们已经接受了每个人都是独一无二的,因此我们每个人都可以将自己的一套技能带给任何情况。…