思维转变,或动动您的思维

我最近完成了一次在Coursera上的课程Mindshift,该课程继续了学习方法的系列课程。 从某些方面来说,这门课程确实让我大开眼界。 我几乎从其他任何地方都不知道的一些要点: 您的大脑有一种运作方式,称为分散思维 。 它可以使大脑吸收您所拥有的知识,并建立和建立神经元链(请不要引用我!),以便与您已经拥有的其他数据建立联系。 这就是为什么在您专注于一些棘手的问题之后关闭电源非常有用的原因。 当您在做其他事情并且让您的头脑徘徊时,它可以在分散,不集中的模式下在后台分析信息,您以后可能会更轻松地找到解决方案,就好像它是独立发生的一样。 当您情绪激动时,可以在您的感受上贴上标签。 它可以帮助您的大脑切换到更理性的大脑区域并降低情绪。 最好的学习方法是练习一些东西。 听或读的数量都不会达到相同的效果。 当您不得不处理拖延症时,常见的方法是增加任务的愉快程度,奖励的可能性并摆脱干扰。 您认为是缺点的某些功能也可以帮助您学习,生活和工作。 例如,如果您是一个学习速度较慢的人,那么您可能会有更多的时间并会进行详细介绍,并且您可能会更灵活,更乐于走好路。 该课程还有很多其他内容-我鼓励您去研究。 但是,几乎在课程结束时,有两次对我来说最有趣的讲座。 在其中,芭芭拉·奥克利(Barbara…

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。…