为什么别人一点就透,我却迟迟学不会?

笔者在网上发布了一门课程:机器学习极简入门课(扫描下面二维码可见)。

天明同学是这门课的一位非常用功的学生。之前,他就自己的学习经历、心得和收获写了一篇《我是这样入门“机器学习”的》。

之后关于学习过程,天明同学又进行了进一步的思考,并和笔者讨论了这方面的问题。本文就是这次讨论的内容。

学习

的困惑

【天明同学首先发问】: 老师,过了这么久,今天我才回想起您在课程里强调过的:高质量的数据对机器学习模型训练与进化的重要性。 还是自己当初没有领悟和体会到啊,要是天赋高的或者当时看得清楚的,应该直接就能深有体会了。 很多事都是,当别人说第一遍的时候,无法体会话语的真正含义,自己太后知后觉了。

这其实是一个非常常见的问题,可以说这是一个每个人都会遇到的问题。往大了说这是教育学的终极问题:“老师如何教导 & 学生如何学习”的问题。

现实中,如果一件事真的能够一听就会,说明你早就经历过、体会过,而且自己总结过。别人的讲述、指导,是对你旧有认识的更深刻和更精辟的提炼。

经历

的必要性

【天明又问】: 没有天赋极高,一点就透的那种人吗?

确实存在“一点就透”的人。不过要注意,极少有人是在任何领域都一点就透的,一般也就是在这个人特别擅长的某个特定领域如此而已。

其实,“一点就透”的人的长处在于善于观察,善于推演,也就是常说的举一反三。这使得他们在看似和别人相同的经历中,能够获得许多他人因无视而放弃了的学习资料。

比如,很多表演艺术家在年幼的时候就喜欢观察人、模仿人。 我曾经看过其中一位的报道,讲他在小时候每天下学后就喜欢站在路边观察一个个行人,回到家以后就对着镜子模仿刚才看到的人的神态表情动作,痴迷到忘了吃饭。 这在当时的他纯属爱好,后来正好有机会做了演员,于是当年的积累使他迅速脱颖而出,成为主演。

再比如,从聚居的大家族中走出来的人,往往很心思缜密,思虑周全而且通晓人情世故。 毕竟,同样的生命时间里,他们实际暴露在和他人相处上的时间要比小家庭中的人多得多——虽然身处这种环境未必出自他们自愿,但终究在客观上起到了高浓度训练的效果。

刻意

练习提升学习能力

【天明再问】: 老师,这种能力能提升吗?怎么提升?是思考的力量,还是什么?

学习能力当然是可以提升的,方法也是现成的:刻意训练!

《荀子•儒效篇》中讲“不闻不若闻之,闻之不若见之;见之不若知之,知之不若行之;学至于行而止矣”。

后来有人把这句话翻译成了英语:"Tell me and I forget. Show me and I remember. Involve me and I understand."

想来这也是所有上过学的人的共同经验:在课堂上听讲,当时觉得懂了,过后就忘了;老师把操作过程演示一遍,能记住一个前后始终了,但是自己还是不会做;自己动手去练习,去实践,才能真正掌握。

无论是小学学的拼音、汉字、加减乘除,还是中学学的物理现象、化学反应,还是到了实用阶段的编写程序、训练模型……皆莫外于此。

比如:《机器学习极简入门课》。 只是阅读,恐怕什么也学不会。把里面的各种函数,抄10遍、100遍,总能记住。但是要理解它们,就要去推演过程,自己动手进行每一步的计算。 要应用,则必须做项目,自己去把现实事物转化为数值,带入到特定模型中去运算,最后得出预测结果再反向映射回现实当中,观察这一结果所产生的影响。

课程(或者书籍、资料等)可以向你展示知识,但是记忆、理解、掌握的过程,课程给不了你。只有自己逼着自己去做动手动脑。否则,知识到不了你的脑子里。

在没有客观压力的情况下,自主的去做“额外(原本不必)”的训练,这就是刻意练习!

无法

跨越的“弯路”

【天明继续问】: 如果一个人天赋足够聪慧,是不是能够一下子理解老师和前辈们讲的经验教训,就不用走弯路了?

这里说的天赋应该主要是指智商和能力倾向吧。那么我们且来看一个比喻:

  • 天赋相当于计算机的算力;
  • 本人的经历相当于样本数据;
  • 思维方式相当于算法;
  • 理解并掌握一件事物,则相当于训练出模型来的过程。

如果空有算力,既没有数据也没有算法,是训不出模型来的。

  • 而前辈们的告诫,只是别人根据他们自己的样本提取的标签(label),最多能够给你标注一下训练数据而已。

如果自己没有经历,就好像根本没有训练样本,就算别人愿意给你打标签(labeling),可是打到什么东西上去呢?

比如,生活中遇到一些年轻人,985高材生,脑子很聪明,讲技术一点就透。但议论起养育子女的种种无奈和心酸,对他们就是鸡同鸭讲。 你告诉他:“因为需要老人帮忙照顾小朋友,必然要对老人妥协,不是原则问题就不要计较了”。他觉得:“我让老人帮忙也绝对不妥协一星半点,错就错,对就对,任何事情都得有是非!” 也难怪,他们正在人生精力体力最充沛的时期,有无限的希望,而毫无牵挂。怎么可能知道什么是“无奈”。既然连“无奈”都没有,又要“妥协”何用? 也许多年以后他们会明白“妥协”一词的含义和作用,但是至少现在,我提供了这个标签,他们没不知道往哪儿打,因为根本没有对应的经历。

反过来,即使算力一般,但是只要数据算法齐备,花费时间来刻意训练,也可以得出模型。

虽然纯粹的“训练过程”可能比算力高那些位费时,但如果在你开始训练的时候他们还根本没有数据,则很可能你会比他们先得出模型。

天赋

资源和努力

【天明同学最后问】: 是不是学习方法无所谓好坏,找到最适合自己的就好? 比如做题,有人做一道典型题,就所有类型题全会了;甚至有的人不用做题,老师讲一遍,他听一遍就全会了;有的人却要进行题海战术…… 虽然大家付出的成本各自不同,说到底成功还是殊途同对吗?

你说的“殊途同归”是说达到同样大小的成就?换句话讲,“只要自己主动努力就能赶上先天条件好或者后天资源丰富的人”?

如果那样的话,只能说:不能保证!

天资聪明的人,就是更容易成功。有资源的人也更容易成功。

算力的大小对模型训练肯定有影响。更何况也不能完全把智商等天赋类比成算力,智商高掌握方法(算法)也更快。

如果先天资质优越,同样资源同样努力程度下,一般都会学得更好。而学得好本身还能刺激进一步的motivation,往往是学得越好越爱学,然后就更好——马太效应。

以此类推,虽然任何时代都有自我放弃自我浪费的天才,但就群体而言,天资出众的那一群,获得成就的机率要远大于普通人。这是客观现实。

不仅先天条件会有差别,每个人拥有的后天资源也各不相同。同样的天资,资源不同也会对学习效果产生影响。

我们前面强调刻意练习,其实还有一个和它相对的概念——浸入式自然习得。两者截然不同。刻意练习比自然习得苦、累,且事倍功半,但所需要的资源远远小于后者。

普通人的客观环境里,绝大多数技能的习得条件,仅能够满足刻意训练所需。而那些拥有资源(最直接的资源就是权利和财富)的人,却可以调动大量资源来堆积学习环境。

最常见的例子就是外语学习。 普通国人学外语是在学校听课、读课文、背单词、背语法、做卷子。有钱的话可以请外教直接对话,可以上国际学校每天全英文授课。 两种方式,就群体而言,学习效果能一样吗?

这也是客观现实。

修仙还讲财侣法地呢,努力的有效性是有限的。

每个人的起点,自己都改变不了——无论先天的智力、体力,还是后天的家庭氛围、早年教育环境,都是已经既定的。

努力程度,是唯一可以凭借自身主观意志改变的因素,没得选!

原文发布于微信公众号 - 悦思悦读(yuesiyuedu)

原文发表时间:2018-09-30

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据派THU

【独家】医疗大数据革命背后的数学模型(讲座视频+PPT)

作者:赵小文 整理:黄菀 校正:谢俊卿,安柯 本文字数为6718字,建议阅读15分钟 本文从全新的视角,阐释了数学模型在医学大数据革命中的重要作用。 导读 本文...

3348
来自专栏新智元

【吴恩达推荐】40岁开始学习,4周编写第一个AI算法的经验谈

【新智元导读】本文是一个40多岁、完全没有编程经验的人学习机器学习的经验谈。作者把编程视为学习一门新的外语,而学会深度学习这门语言就可以和未来对话:你不需要先成...

3595
来自专栏华章科技

如何才能从新手到大师?

熟悉写作技巧的畅销书作者常常会用一个清晰的行动准则,如“练习1万小时成为专家”“21天养成好习惯”等来激发你的行动。但是对于究竟有多少人能够坚持1万小时,1万小...

881
来自专栏机器人网

国际机器人与自动化大会重点推介的20种创新机器人技术

最近在瑞典斯德哥尔摩召开的“国际机器人与自动化大会”(ICRA)向世人展示了该领域最新的设计和创意理念,从飞行运输、环保检测、工业制造到休闲生活娱乐,形形色色的...

3817
来自专栏新智元

【AI快报】谷歌通用量子计算机获重要突破 |Dango用AI推荐表情符号

量子计算机 谷歌通用量子计算机获重要突破 “量子霸权”有机会成为现实 ? 来自加州圣芭芭拉谷歌研究实验室的计算机科学家,以及加州大学圣芭芭拉分校和西班牙巴斯克大...

3556
来自专栏人工智能头条

泥沙龙笔记:parsing 是引擎的核武器,再论NLP与搜索

1457
来自专栏技术翻译

11个有趣的【数据可视化】案例

数据可视化专家每天都在数据设计的世界里创造惊人的东西,数据可视化是在许多不同领域的重要工具。为了纪念所有艺术家和设计师在世界各地进行惊人的数据可视化,这里收集了...

1.9K0
来自专栏PPV课数据科学社区

周一经典 | 如何成为一名数据科学家?

如何成为一名数据科学家? 文 | 谢科 "Data Science = statistics who uses python and lives in San ...

3595
来自专栏悦思悦读

美国大学数据科学(Data Science)教育实践

本文作者:李琦,现任北肯塔基大学(North Kentucky University)计算机系(Computer Science)数据科学(Data Scien...

7171
来自专栏人工智能头条

机器学习挑天赋吗?为什么别人一点就透,为什么我就不行?

之前我们的特约作者李烨跟大家分享了《她在机器学习踩过的坑,现在告诉你怎么跳过去》。

1535

扫码关注云+社区

领取腾讯云代金券