x, y, z

Поиск сообщений на форуме:

Поля поиска:

Запрос:
Номер автора:
Номер темы:
Номер форума:
Сортировать:
Сообщения: 4
4 Мая 2018 20:48:27
Метод Фейнмана: как выучить что угодно и никогда не забыватьРазное
forany.xyz

Метод Фейнмана: как выучить что угодно и никогда не забывать

Лауреат Нобелевской премии по физике Ричард Фейнман сформулировал алгоритм обучения, который помогает быстрее и глубже разобраться в любой теме.

Я не всегда был хорошим учеником. Главным в обучении я считал количество времени, которое ему посвящалось. А потом я обнаружил нечто, изменившее мою жизнь.

Известный лауреат Нобелевской премии по физике Ричард Фейнман осознал различие между «знанием чего-то» и «знанием названия чего-то», и это одна из главных причин его успеха.

Фейнман наткнулся на формулу обучения, которая позволила ему понимать вещи лучше других. Эта формула получила название «метод Фейнмана», и она помогает вам изучать любой предмет глубже и быстрее. Тема, предмет или понятие, которое вы хотите изучить, не имеют значения. Возьмите что угодно. Метод Фейнмана работает везде. И, что самое замечательное, он очень прост в исполнении. До смешного прост.

И это не только отличный метод обучения, но и окно в совершенно другой образ мышления.

Позвольте мне объяснить.

В методе Фейнмана есть три шага.

Шаг 1. Научите этому ребенка

Возьмите чистый лист бумаги и напишите, что вы хотите изучить. Запишите, что вы знаете об этом предмете, как если бы вы объясняли это ребенку. Не вашему умному взрослому приятелю, а восьмилетке, который обладает достаточным словарным запасом и способностью концентрироваться, чтобы понять базовые понятия и отношения.

Множество людей склонны использовать сложные слова и профессиональный жаргон, когда они не понимают чего-то. Проблема в том, что мы сами себя дурачим, потому что не осознаем, чего именно мы не понимаем. Использование жаргона призвано скрыть от окружающих наше непонимание. Когда вы записываете идею от начала до конца простыми словами, которые в состоянии понять ребенок (используйте только самые распространенные слова), вы помогаете себе понять ее суть на более глубоком уровне и упрощаете отношения и связи между понятиями. Если вы приложите усилия, вы четко поймете, где у вас пробелы. И это хорошо, это указывает на возможность учиться.

Шаг 2. Повторите

В первом шаге вы неизбежно столкнетесь с пробелами в ваших знаниях: где-то вы забыли что-то важное, не смогли объяснить или просто испытали сложности в соединении важных понятий. Это крайне важно, потому что вы открыли край своих познаний. Компетентность — это знание пределов своих способностей, и вы только что нашли один из них! Это точка, где начинается обучение. Теперь вы знаете, в чем загвоздка, так что вернитесь к исходному материалу и изучите его заново, пока вы не сможете объяснить его в простых терминах.

Обнаружение границ ваших познаний также ограничивает ошибки, которые вы склонны совершать, и увеличивает шансы на успех в применении ваших знаний.

Шаг 3. Организуйте и упростите

Теперь у вас есть ряд рукописных заметок. Пересмотрите их и убедитесь, что по ошибке не вписали туда какой-нибудь профессиональный термин из исходного материала. Теперь составьте из них простой рассказ. Прочитайте его вслух. Если объяснение не выглядит простым или звучит странно, это признак того, что ваши знания все еще нуждаются в доработке.

Шаг 4 (Необязательный): Поделитесь

Если вы хотите быть уверенным в своем понимании, поделитесь своим знанием с кем-нибудь (идеально, если этот кто-то очень плохо разбирается в предмете. Или найдите 8-летнего ребенка!). Лучший тест на ваше знание предмета — ваша способность передать его другому человеку.
29 Ноя 2017 15:58:28
Искусственный интеллект научили избегать безвыходных ситуацийКибернетика, когнитивистика
forany.xyz

Искусственный интеллект научили избегать безвыходных ситуаций

Искусственный интеллект научили избегать безвыходных ситуаций

Исследователи разработали новый метод обучения алгоритмов, который позволяет наблюдателю реже сбрасывать систему к изначальному состоянию. Для этого они предложили дополнять алгоритмы планировщиком, который анализирует опасность последующих действий, и, в случае, если они могут привести к необратимым последствиям, возвращает систему в исходное состояние, сообщается в работе, опубликованной на arXiv.org.

Машинное обучение позволило в последние годы совершить огромный прогресс во многих областях, например, в создании беспилотных автомобилей. Алгоритмам необходимы большие наборы тренировочных данных и множество попыток, в которых он обучается выполнению задач в разных условиях. Такой подход позволяет получать в результате более эффективные алгоритмы, чем те, чью поведение запрограммировано «вручную», но помимо большого времени обучения это имеет еще один недостаток — нередко алгоритм во время очередной попытки приходит в необратимое состояние, и разработчик должен сбросить его и среду к исходному состоянию.

Группа под руководством Сергея Левина (Sergey Levine) из Google Brain и Калифорнийского университета в Беркли предложила научить алгоритмы самостоятельно решать проблему перезапуска после неуспешного выполнения задачи и минимизировать количество сбросов к исходному состоянию. Основа метода состоит в том, что алгоритм учится не только правильно выполнять поставленную задачу, но и возвращаться из текущего состояния в исходное.

Для этого исследователи предлагают программировать алгоритм таким образом, чтобы его поведение обуславливалось двумя компонентами: планировщиком, отвечающим непосредственно за поставленную задачу, и планировщиком, который определяет, сможет ли алгоритм пройти цепочку действий в обратную сторону. Действие первого планировщика рассматривается как безопасное только в случае, если после него систему можно вернуть в исходное состояние. Если действие ведет к необратимым последствиям, второй планировщик прекращает его. Если же система все же вошла в необратимое состояние, алгоритм может совершить полную перезагрузку окружения и окажется в исходной позиции.


Разработчики продемонстрировали концепцию с помощью простого двуногого агента, передвигающегося по горизонтальной поверхности. На видео можно увидеть два алгоритма: с предложенной системой планирования (справа) и без нее (слева). Можно увидеть, что первый алгоритм замечает яму перед ним и не падает в нее. Также за счет того, что он обучается возврату в исходную позицию, алгоритм самостоятельно возвращается в исходную позицию без необходимости вмешательства наблюдателя.
29 Ноя 2017 15:53:55
Искусственный интеллект освоил паркурКибернетика, когнитивистика
forany.xyz

Искусственный интеллект освоил паркур

Искусственный интеллект освоил паркур

Система искусственного интеллекта, созданная программистами из Google DeepMind, научилась преодолевать препятствия в виртуальном мире. Добиться этого удалось, применив метод обучения с подкреплением. Статья исследователей доступна на сервере препринтов ArXiv, кратко о ней рассказывает The Verge.

Обучение с подкреплением — это один из способов машинного обучения, который подразумевает, что испытуемая система (агент) находится в некоторой среде, о которой у нее нет сведений, но в которой она может совершать определенные действия. Действия переводят среду в новое состояние, и агент получает от нее некоторое вознаграждение или штраф. Благодаря постоянной обратной связи, система совершенствует свою работу — подобный метод используется для тренировки роботов или игровых систем искусственного интеллекта (ИИ).

Чаще всего программисты разрабатывают функцию вознаграждения так, чтобы агент решал задачу только определенным способом. Это приводит к тому, что система ИИ порой не может приспособиться даже к незначительным изменениям условий. Разработчики из Google DeepMind, в свою очередь, создали такую среду и систему наград, которые способствуют выработке сложного поведения.

Исследователи построили виртуальный мир с разными по сложности препятствиями, куда они поочередно помещали трех агентов: тело с двумя ногами, четвероногий корпус и человекообразную фигуру. Каждая система была наделена проприцепцией (ощущением положения частей собственного тела относительно друг друга и в пространстве) и примитивным зрением. Всем агентам надо было добраться из точки А в точку В, и чем быстрее они это делали, тем больше была награда. Разработчики также ввели систему штрафов: двуногое тело наказывалось, если оно наталкивалось на препятствия из-за неправильного положения торса, а четвероногий «паук» и «человек» — если смещались с центра плоскости.


В итоге, компьютер самостоятельно научился сложным движениям — он стал перепрыгивать ямы, уклоняться от препятствий сверху, а также взбегать на склоны и перепрыгивать барьеры. Кроме того, как показано на видео, агенты использовали «колени», чтобы залезть на высокие платформы.

Программисты из Google DeepMind заключили, что простая система наград и богатая виртуальная среда способствуют развитию нестандартных двигательных навыков. По их мнению, такой подход позволит в целом улучшить качество и надежность поведения агентов.

В прошлом году разработчики из Google DeepMind с помощью обучения с подкреплением также научили систему ИИ определять вес и количество объектов в виртуальном мире. В будущем она может быть использована для роботов, которым, например, будет необходимо перемещаться по неровным поверхностям.
23 Авг 2016 03:53:36
Трогательное послание Ричарда Фейнмана своей любимой, которое она никогда не прочтетРазное
forany.xyz

Трогательное послание Ричарда Фейнмана своей любимой, которое она никогда не прочтет

Ричард и Арлин Фейнман

— Дорогая Арлин,

Я обожаю тебя, милая.

Я знаю, как тебе нравится это слышать, но я пишу не только для того, чтобы порадовать тебя. Я пишу потому, что это наполняет теплом все внутри меня. Я не писал тебе ужасно долго — почти два года. Но я знаю, ты ведь простишь меня, упрямого прагматика. Я думал, нет никакого смысла писать тебе. Но теперь, моя дорогая жена, я знаю, что должен сделать то, что так долго откладывал и так часто делал в прошлом. Я хочу сказать, что люблю тебя. Я хочу любить тебя. Я всегда буду любить тебя.

Умом мне сложно понять, что значит любить тебя, после того как ты умерла, но я до сих пор хочу оберегать тебя и заботиться о тебе. И я хочу, чтобы ты любила и заботилась обо мне. Я хочу обсуждать с тобой свои проблемы. Я хочу вместе заниматься разными делами. До настоящего момента мне это и в голову не приходило. А ведь мы могли бы делать вместе очень многое: шить одежду, учить китайский, купить кинопроектор. А сейчас я могу это сделать? Нет. Я совсем один без тебя. Ты была главным генератором идей и вдохновителем всех моих безумных приключений.

Когда ты болела, то беспокоилась, что не можешь дать мне того, в чем я нуждался, того, что тебе хотелось бы мне дать. Не стоило волноваться. В этом не было никакой нужды. Я всегда говорил тебе, что очень люблю тебя просто за то, что ты есть. И сейчас я понимаю это, как никогда. Ты уже ничего не можешь мне дать, а я люблю тебя так сильно, что никогда не смогу полюбить кого-то другого. И я хочу, чтобы так оно и было. Потому что даже мертвая ты намного лучше всех живых.

Я знаю, ты скажешь, что я глупый, что ты хочешь, чтобы я был счастлив, и не хочешь стоять у меня на пути. Ты, наверное, удивишься, узнав, что за эти два года у меня даже не было подружки (кроме тебя, моя дорогая). И ты ничего не можешь с этим поделать. И я не могу. Я ничего не понимаю. Я встречал многих девушек, среди них были очень даже милые, и я не хочу оставаться один, но через пару-тройку свиданий я понимал, что они для меня пустое место. У меня есть только ты. Ты настоящая.

Моя дорогая жена, я обожаю тебя.
Я люблю свою жену. Моя жена умерла.

Рич.

PS: Прости меня, пожалуйста, за то, что не отправил тебе это письмо, — я не знаю твоего нового адреса.

(Из книги Джеймса Глейка «Гений: жизнь и наука Ричарда Фейнмана»)

Ричард Фейнман был влюблен в Арлин с 13 лет. А к моменту свадьбы Арлин была уже серьезно больна. В июне 1945 года Арлин Фейнман, супруга выдающегося американского физика Ричарда Фейнмана, скончалась от туберкулеза. Ей было 25 лет. Через 16 месяцев после ее смерти Фейнман написал жене письмо и запечатал его в конверт, который вскрыли только после смерти самого ученого, спустя 43 года.