今天给大家分享的这本书《科学学习》是由【美】丹尼尔 L. 施瓦茨等所著的一本关于学习的书籍。作者称其为每一位教师与家长的必读书籍。
本文主要讲的是《科学学习》第一章归纳类比的内容。主要是分享一些分析结论性的句子,可能还会加上些许个人的看法或理解以及在联想到的在机器学习领域的泛化。书中有许多案例和研究实验能更加详细充分的解释分析的思路和结论的由来,推荐有兴趣的朋友阅读原文。时间不够的朋友也可以通过阅读本文了解书中的主要内容和结论,也欢迎就文中的观点和我交流讨论。
全文共计1837字,预计阅读时长5分钟。
科学学习·书籍封面
丹尼尔 L. 施瓦茨(Daniel L. Schwartz),学习科学权威专家。斯坦福大学教育学院院长,“Nomellini & Olivier”教育科技讲席教授。哥伦比亚大学人类认知与学习博士。 [1]
----摘自百度百科
从机器学习的角度来说,这叫泛化能力
也就是说孪生网络优于普通的神经网络,对比损失可能比普通损失更有效。
方法(1)是人类学习过程中常用的方法,借助熟悉的例子加深对新事物及其与周边事物关系的理解。方法(2)提示着机器学习如何在 无标注或零样本的情况下进行学习。
为什么需要仔细推敲呢,因为特征总是能给被提取出来,但究竟哪些特征是决定事物性质的关键特征呢。
这是一个非常值得重视的问题,现在很多教育者往往看重原理描述,为了生动,结合个别案例进行阐述,殊不知其学习效果却不如只给两个案例不给原理描述的效果。
在原理+1例的学习过程中,例子是原理的辅助品,让学习者知晓原理是如何应用的,但其应用场景仅限于案例之中。
而在2例的学习过程中,学习者更重要的是锻炼并提升了他们的归纳类比能力,是一个从现象到原理的能力提升过程,从而应对新的场景,他们依然能提炼出其原理。
由此,后者具备更强的举一反三能力,对机器学习来说,是更强的泛化能力。
很多时候人们还是会过度依赖表面特征来做判断,却忽略了事物中蕴含的深层结构。
简单来说,把告诉孩子们“这个东西是什么”,改为“这些东西是相似的”。
就像我们用神经网络提取特征时一样,不知道哪些特征才是最关键的。
只要是无监督的,就都是不严谨的。
那,这就是过拟合了。
THE END
其实感觉机器学习很多时候是把握了人类学习的大体方向的,两者之间存在许多可以泛化类比的地方。这就意味着,将人类学习方式更多地形式化之后是可以用来更好的指导机器学习的,同时,当前机器学习领域的研究也可以反过来指导我们去思考一些学习问题。