我在炉石传说中的旅程

我于2017年5月中旬某个时候开始玩《炉石传说》。我被几个已经在游戏中的大学朋友所吸引。 我写这篇文章是为了记录我在这个游戏中的学习历程,由于它需要运用战略思维,所以我对此很着迷。 第一个月(2017年5月):我从月中开始。 尝试使用从25开始到1结束的排名系统。因此25是最低排名,1是最高排名。 在排名1之后,您到达了传奇级别,这是炉石传说中真正精英的专属空间,例如,您获得的数字类似于美国地区第123名最佳球员。 我尝试了元素法师牌组时达到了等级17,而我的目标却无法达到等级15。 第二个月(2017年6月):自从我放假几天以来,我一直在认真对待比赛。 这次我玩《中距离猎人》,由于我没有太多的游戏货币,所以我只能玩一个激战套牌。 一个非常激进和有趣的牌组。 这次我达到了第15名,并一直上升到第12名。我努力争取了10名,但无济于事,我认为这与我缺少好牌有关,因为我的猎人牌组没有进行优化(我缺少一些具体好的卡片)。 在我两个经验丰富的大学朋友(杰尔和达尔文,他们确实付费购买卡以获得更好的体验)的建议下,我决定购买介绍包以及冒险,这是物超所值的交易。 总费用:4.99美元+ 19.99美元= 24.98美元。 我决定,由于排名靠前可以给我更好的回报(以游戏货币和卡的形式),所以我想每月都靠排名靠前,以扩大我的卡牌收集范围并雪上加霜。 第三个月(2017年7月):我得到了一个金色的传说(提里奥·福特林),因为我用普通的提里奥·福特林打开了另一包烟斗,所以我用1600灰尘(一种货币制卡)进行了除尘(您只能在自己的传奇中扮演一个传奇人物)甲板,所以第二个是没用的。) 这是我所拥有的最尘埃,我用它来资助我的Evolve萨满套牌,而对手(不记得是混蛋还是杀手,我是坏人。)告诉我创建角色MR Hunter不利于我梯子。…

最佳有效的学习方法

父母和老师对学生的普遍期望是,他们“在课堂上努力工作并取得了成功”母亲的期望。 如果这是期望值,那么失败的原因就被视为工作不足”,并且学生被要求做更多的工作。 但是,不必无意识地工作。 通过了解富有成效的学习方式并加以利用来有效地工作。 应该确定要学习生产性学习方法的学生,并打算首先在这个方向上养成积极的习惯。 做出此决定后,他/她应列出自己的阻碍或促进学习的习惯。 一方面,在试图离开列表的负面习惯的同时,另一方面,应努力加强正面的习惯。 应继续进行试验和试验,直到养成消极习惯并养成积极习惯为止。 每个工作都应针对某个目的。 这些目的是学习解决问题的方法,以书面形式找到主要思想,等等。那些已经开始工作并通过确定好这些思想的人,达到了影响深远的目标,为了实现这些接近的目标,对这些目标进行了总结,通过课程,完成学业并赢得考试。 2计划的工作 当您需要在同一天完成一项以上的工作或课程时,是否有任何时间您无法决定从哪一项开始或您无法决定开始工作? 如果您对这个问题的回答是肯定的,我们可以很容易地说您不知道计划的工作。 在这种情况下,当您同时面对多项学习时,每节课对您造成的精神压力将导致您无法有效地离开一项工作,并阻止您将其完全交给任何一项工作。 但是,通过按一定顺序放置您在执行该过程时将要执行的过程,可以消除这种不稳定和混乱。 这是学习计划; “如何”,“何时”和“地点”表示您决定工作。 在日常工作时间表中;…

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…