研究学习

要想实现足够聪明的人工智能，算法必须学会如何学习。很多研究者们曾对此提出过不同的解决方案，其中包括 UC Berkeley 的研究人员提出的与模型无关的元学习（MAML）方法。本文将以 MAML 为例对目前的元学习方向进行简要介绍。对我而言，第一次听到元学习的预述时，是一个极其兴奋的过程：建立不仅能够进行学习，还能学会如何进行学习的机器项目。元学习试图开发出可以根据性能信号做出响应，从而对结构基础层次以及参数空间进行修改的算法，这些算法在新环境中可以利用之前积累的经验。简言之：当未来主义者们编织通用 AI 的梦想时，这些算法是实现梦想必不可少的组成部分。本文的目的在于将这个问题的高度降低，从我们想得到的、自我修正算法做得到的事情出发，到这个领域现在的发展状况：算法取得的成就、局限性，以及我们离强大的多任务智能有多远。为什么人类可以做到这些事？具体地讲：在许多强化学习任务中，和人类花费的时间相比，算法需要花费惊人的时间对任务进行学习；在玩 Atari 游戏时，机器需要 83 小时（或 1800 万帧）才能有人类几小时就能有的表现。来自近期 Rainbow RL 论文中的图片这种差异导致机器学习研究人员将问题设计为：人类大脑中针对这项任务使用的工具和能力是什么，以及我们如何用统计和信息理论的方法转化这些工具。针对该问题，元学习研究人员提出了两种主要理论，这两种理论大致与这些工具相关。学习的先验：人类可以很快地学会新任务是因为我们可以利用在过去的任务中学到的信息，比如物体在空间里移动的直观的物理知识，或者是在游戏中掉血得到的奖励会比较低这样的元知识。学习的策略：在我们的生活中（也许是从进化时间上讲的），我们收集的不仅是关于这个世界对象级的信息，还生成了一种神经结构，这种神经结构在将输入转化为输出或策略的问题上的效率更高，即使是在新环境中也不例外。显然，这两个想法并非互相排斥，在这两个想法间也没有严格的界限：一些与现在的世界交互的硬编码策略可能是基于这个世界的深度先验的，例如（至少就本文而言）这个世界是有因果结构的。也就是说，我认为这个世界上的事情都可以用这两个标签分开，而且可以将这两个标签看作相关轴的极点。不要丢弃我的（单）样本在深入探讨元学习之前，了解单样本学习相关领域的一些概念是很有用的。元学习的问题在于「我该如何建立一个可以很快学习新任务的模型」，而单样本学习的问题在于「我该如何建立一个在看过一类的一个样本后，就能学会该如何将这一类分出来的模型」。让我们从概念上思考一下：是什么让单样本学习变得困难？如果我们仅用相关类别的一个样本试着训练一个原始模型，这个模型几乎肯定会过拟合。如果一个模型只看过一幅图，比如数字 3，这个模型就无法理解一张图经过什么样的像素变化，仍然保持 3 的基本特征。例如，如果这个模型只显示了下面这列数字的前三个样本，它怎么会知道第二个 3 是同一类的一个样本呢？理论上讲，在网络学习中，我们想要的类别标签有可能与字母的粗细程度有关吗？对我们而言做出这样的推断这很傻，但是在只有一个「3」的样本的情况下，想让神经网络能做出这样的推理就很困难了。有更多样本会有助于解决这一问题，因为我们可以学习一张图中什么样的特征可以定义其主要特征——两个凸的形状，大部分是垂直的方向，以及无关紧要的改变——线的粗细、还有角度。为了成功实现单样本学习，我们不得不激励网络，在没有给出每一个数字间差别的情况下，学习什么样的表征可以将一个数字从其他数字中区别出来。单样本学习的常用技术是学习一个嵌入空间，在这个空间中计算出两个样本表征间的欧几里德相似性，这能很好地计算出这两个样本是否属于同一类。直观地讲，这需要学习分布中类别间差异的内部维度（在我的样本中，分布在数字中），并学习如何将输入压缩和转换成那些最相关的维度。我发现记住这个问题是一个很有用的基础，尽管不是学习如何总结存在于类别分布中的碎片化信息和模式，而是学习存在于任务中的类的分布规律，每一类都有自己的内部结构或目标。如果要从最抽象开始，构造一个神经网络元参数的等级，会有点像这样：通过使用超参数梯度下降，网络从任务的全部分布中学习到有用的表征。MAML 和 Reptile 是有关于此的直接的好例子，分享层级结构的元学习是一种有趣的方法，这种方法可以通过主策略的控制学习到清晰的子策略作为表征。网络学习要优化梯度下降的参数。这些参数就像是学习率、动量以及权重之于自适应学习率算法。我们在此沿着修改学习算法本身的轨道修改参数，但是有局限性。这就是 Learning to Learn By Gradient Descent by Gradient Descent 所做的。是的，这就是这篇文章真正的标题。一个学习内部优化器的网络，内部优化器本身就是一个网络。也就是说，使用梯度下降更新神经优化器网络参数使得网络在整个项目中获得很好的表现，但是在网络中每个项目从输入数据到输出预测结果的映射都是由网络指导的。这就是 RL 和 A Simple Neural Attentive Meta Learner 起作用的原因。为了使这篇文章更简明，我将主要叙述 1 和 3，以说明这个问题的两个概念性的结局。其他名称的任务另一个简短的问题——我保证是最后一个——我希望澄清一个可能会造成困惑的话题。一般而言，在元学习的讨论中，你会看到「任务分布」的提法。你可能会注意到这个概念定义不明，而你的注意是对的。对于一个问题是一个任务还是多个任务中的一个分布，人们似乎还没有明确的标准。例如，我们应该将 ImageNet 视为一个任务——目标识别——还是许多任务——识别狗是一个任务而识别猫是另一个任务呢？为什么将玩 Atari 游戏视为一个任务，而不是将游戏的每一个等级作为一个独立任务的几个任务？我能得到的有：「任务」的概念是用已经建立的数据集进行卷积，从而可以自然地将在一个数据集上进行学习认为是单个任务对于任何给定分布的任务，这些任务之间的不同之处都是非常显著的（例如，每一个学习振幅不同的正弦曲线的任务和每一个在玩不同 Atari 游戏的任务之间的差别）所以，这不仅仅是说「啊，这个方法可以推广到这个任务分配的例子上，所以这是一个很好的指标，这个指标可以在任务中一些任意且不同的分布上表现良好」。从方法角度上讲，这当然不是方法有效的不好的证据，但我们确实需要用批判性思维考虑这种网络要表现出多大的灵活性才能在所有任务中都能表现出色。那些令人费解的动物命名的方法在 2017 年早些时候，Chelsea Finn 及其来自 UC Berkeley 的团队就有了叫做 MAML的方法。MAML（Model Agnostic Meta Learning，与模型无关的元学习）参见：与模型无关的元学习，UC Berkeley 提出一种可推广到各类任务的元学习方法。如果你有心想要了解一下，请转向本文的「MAML 的种类」部分。在学习策略和学习先验之间，这种方法更倾向于后者。这种网络的目标在于训练一个模型，给新任务一步梯度更新，就可以很好地归纳该任务。就像是伪代码算法。1. 初始化网络参数 θ。2. 在分布任务 T 中选择一些任务 t。从训练集中取出 k 个样本，在当前参数集所在位置执行一步梯度步骤，最终得到一组参数。3. 用最后一组参数在测试集中测试评估模型性能。4. 然后，取初始参数θ作为任务 t 测试集性能的梯度。然后根据这一梯度更新参数。回到第一步，使用刚刚更新过的θ作为这一步的初始θ值。这是在做什么？从抽象层面上讲，这是在寻找参数空间中的一个点，就分布任务中的许多任务而言，这个点是最接近好的泛化点的。你也可以认为这迫使模型在探索参数空间时保留了一些不确定性和谨慎性。简单说，一个认为梯度能完全表示母体分布的网络，可能会进入一个损失特别低的区域，MAML 会做出更多激励行为来找到一个靠近多个峰顶端的区域，这些峰每一个的损失都很低。正是这种谨慎的激励使 MAML 不会像一般通过少量来自新任务的样本训练的模型一样过拟合。2018 年的早些时候文献中提出了一种叫做 Reptile 的更新方法。正如你可能从它的名字中猜出来的那样——从更早的 MAML 中猜——Reptile 来自 MAML 的预述，但是找到了一种计算循环更新初始化参数的方法，这种方法的计算效率会更高。MAML 明确取出与初始化参数 θ 相关的测试集损失的梯度，Reptile 仅在每项任务中执行了 SGD 更新的几步，然后用更新结束时的权重和初始权重的差异，作为更新初始权重的梯度。g_1 在此表示每个任务只执行一次梯度下降步骤得到的更新后的梯度。这项工作从根本上讲有一些奇怪——这看起来和将所有任务合并为一个任务对模型进行训练没有任何不同。然而，作者提出，由于对每项任务都使用了 SGD 的多个步骤，每个任务损失函数的二次导数则被赋予影响力。为了做到这一点，他们将更新分为两部分：1. 任务会得到「联合训练损失」的结果，也就是说，你会得到用合并的任务作为数据集训练出来的结果。2. SGD 小批次梯度都是接近的：也就是说，在通过小批次后，梯度下降的程度很低。我选择 MAML/Reptile 组作为「学习先验」的代表，因为从理论上讲，这个网络通过对内部表征进行学习，不仅有助于对任务的全部分布进行分类，还可以使表征与参数空间接近，从而使表征得到广泛应用。为了对这个点进行分类，我们先看一下上图。上图对 MAML 和预训练网络进行比较，这两个网络都用一组由不同相位与振幅组成的正弦曲线回归任务训练。在这个点上，两者针对新的特定任务都进行了「微调」：红色曲线所示。紫色三角代表少数梯度步骤中使用的数据点。与预训练模型相比，MAML 学到了，正弦曲线具有周期性结构：在 K=5 时，它可以在没有观察到这一区域数据的情况下更快地将左边的峰值移到正确的地方。尽管很难判断我们的解释是不是网络的真正机制，但我们可以推断 MAML 在算出两个相关正弦曲线不同之处——相位和振幅——方面做得更好，那么是如何从这些已给数据的表征进行学习的呢？网络一路向下对一些人来说，他们的想法是使用已知算法，例如梯度下降，来对全局先验进行学习。但是谁说已经设计出来的算法就是最高效的呢？难道我们不能学到更好的方法吗？这就是 RL（通过慢速强化学习进行快速强化学习）所采用的方法。这个模型的基础结构式循环神经网络（具体来说，是一个 LTSM 网络）。因为 RNN 可以储存状态信息，还可以给出不同输出并将这些输出作为该状态的函数，理论上讲这就有可能学到任意可计算的算法：也就是说它们都具有图灵完备的潜力。以此为基础，RL 的作者构建了一个 RNN，每一个用于训练 RNN 的「序列」都是一组具有特定 MDP（Markov Decision Process，马尔科夫决策过程。从这个角度解释，你只需将每次 MDP 看作环境中定义一系列可能行为且通过这些行为产生奖励）的经验集合。接着会在许多序列上训练这个 RNN，像一般的 RNN 一样，这是为了对应多个不同的 MDP，可以对 RNN 的参数进行优化，可以使所有序列或试验中产生的遗憾（regret）较低。遗憾（regret）是一个可以捕获你一组事件中所有奖励的指标，所以除了激励网络在试验结束时得到更好的策略之外，它还可以激励网络更快地进行学习，因此会在低回报政策中更少地使用探索性行为。图中显示的是运行在多重试验上的 RNN 的内部工作，对应多个不同的 MDP。在试验中的每一个点，网络都会通过在多个任务和隐藏状态的内容学习权重矩阵参数化函数，隐藏状态的内容是作为数据函数进行更新并充当一类动态参数集合。所以，RNN 学习的是如何更新隐藏状态的权重。然后，在一个给定的任务中，隐藏状态可以捕获关于网络确定性以及时间是用于探索还是利用的信息。作为数据函数，它可以看得到特定任务。从这个意义上讲，RNN 在学习一个可以决定如何能最好地探索空间、还可以更新其最好策略概念的算法，同时使该算法在任务的一组分布上得到很好的效果。该作者对 RL 的架构和对任务进行渐进优化的算法进行比较，RL 的表现与其相当。我们可以扩展这种方法吗？本文只是该领域一个非常简要的介绍，我肯定遗漏了很多想法和概念。如果你需要更多（信息更加丰富）的看法，我高度推荐这篇 Chelsea Finn 的博客，此人也是 MAML 论文的第一作者。在这几周的过程中，我试着对这篇文章从概念上进行压缩，并试着对这篇文章进行理解，在这一过程中我产生了一系列问题：这些方法该如何应用于更多样的任务？这些文章大多是在多样性较低的任务分布中从概念上进行了验证：参数不同的正弦曲线、参数不同的躲避老虎机、不同语言的字符识别。对我而言，在这些任务上做得好不代表在复杂程度不同、模式不同的任务上也可以有很好的表现，例如图像识别、问答和逻辑问题结合的任务。然而，人类的大脑确实从这些高度不同的任务集中形成了先验性，可以在不同的任务中来回传递关于这个世界的信息。我的主要问题在于：这些方法在这些更多样的任务中是否会像宣传的一样，只要你抛出更多单元进行计算就可以吗？或在任务多样性曲线上的一些点是否存在非线性效应，这样在这些多样性较低的任务中起作用的方法在高多样性的任务中就不会起作用了。这些方法依赖的计算量有多大？这些文章中的大部分都旨在小而简单的数据集中进行操作的部分原因是，每当你训练一次，这一次就包括一个内部循环，这个内部循环则包含（有效地）用元参数效果相关的数据点训练模型，以及测试，这都是需要耗费相当大时间和计算量的。考虑到近期摩尔定律渐渐失效，在 Google 以外的地方对这些方法进行应用研究的可能性有多大？每个针对困难问题的内部循环迭代可能在 GPU 上运行数百个小时，在哪能有这样的条件呢？这些方法与寻找能清晰对这个世界的先验进行编码的想法相比又如何呢？在人类世界中一个价值极高的工具就是语言。从机器学习方面而言，是将高度压缩的信息嵌入我们知道该如何转换概念的空间中，然后我们才可以将这些信息从一个人传递给另一个人。没人可以仅从自己的经验中就提取出这些信息，所以除非我们找出如何做出与学习算法相似的事，否则我怀疑我们是否真的可以通过整合这个世界上的知识建立模型，从而解决问题。

现在读完大学本科的毕业生，有很大一部分学生由于各种各样的原因选择了读研深造，选择读研的原因无外乎几种：有逃避就业压力的、有为了提升学历的、有对自己工作不满意的，也有一种难能可贵的，那就是真的热爱学术，对自己的专业有无尽的探索欲（手动滑稽并点赞）。但今天我们不谈读研的动机是啥，我们只谈读研三年你究竟能提升什么？一．独立探索、独立解决问题的能力笔者认为这可能是一个人读研最重要的能力，每一个研究生必须要具有独立解决问题的能力，这个能力是包含解决问题的整个流程。从问题的发现到对问题现状的调研，从设计实验解决问题一直到完成最终的预期目标，都需要自己搞定。举一个简单的例子，假如你知道你居住的地方空气不好，此时如果你是相关专业的，你此时就应该提出问题，到底怎么量化这种污染，怎么监测污染，怎么从小范围的那种监测扩大到区域的甚至全国的，如何才能花费最少的成本取得很好的监测结果，这就是问题的提出了，问题的提出往往是从实际的问题入手，逆向思维推导到问题本身。接下来你总归要对这个问题的现状有所了解吧，就需要你去阅读相关的文献，把你心中的idea和别人的去比较，到底你的是先进的还是已经OUT了，如果没有落伍，恭喜你，你可以进入下一步了！下一步就是设计整个实验的过程，你就得通盘考虑整个实验所需要的成本，如数据怎么获取，自己有没有这个处理能力，数据是否免费等，你总要找到一个最优的解决方案，去用这个最优方案去设计实验解决你的问题，得到实验结果你就已经完成60%了，接下来你就要用各种高大上的分析软件和数学模型对你得到结果的准确性进行一个验证了，以上的都顺利的话，你的目的也就达到了，用你良好的文字功底把这整个过程写出来就可以了，这就是一篇简单paper的制作过程，这一切的一切最重要的是自己独立完成，包括从问题的提出到问题的解决！写到这儿。有一部分杠精可能就不同意了，说和我的经历完全不同啊，是的，对于大多数硕士研究生来说，第一部分你就省去了，大多数优秀的导师和大一点的课题组做的课题都是有延续性的，问题已经摆在那儿了，留给研究生的是后续的处理过程。二．保持对前沿学科的敏感性、对数据获取的及时性保持对你所研究领域知识的敏感性，你就必须得关注文献的重要作用，很显然只读国内文献是远远不够的，你需要去阅读英文文献，有一部分国外的英文期刊是开源的，作者录用的文章上线是很快的。如果提不出问题，那就是文献知识缺乏，你就需要静下来好好研读文献。第二个问题就是及时获取可用数据的重要性，曾经有学者说过，“数据是一切科学的基础”，没有数据，“巧妇也难为无米之炊”。我时常听到有人抱怨，数据没法获得、数据收费和实验不能做等等问题，其实这些烦恼大可不必，你应该转换着思路去解决你遇到的问题，你就会“柳暗花明又一村”，既然有些数据不可获得，那总归有开放获取的数据，能不能用一些算法将已经获得数据更深层次的处理呢，能不能深度地去挖掘呢，向数据的纵向和横向都挖掘，你绝对能研究出一部分结果。其实作为研究生来讲，很忌讳的是就是手把手的教，一直不停的、没有丝毫准备的向别人提问，如果有一个方向，你就必须自己想尽各种办法自己解决，而不是让人被动地“灌”。三．具备解决问题的编程技能和软件技能当你具备以上对发现问题、提出问题的嗅觉之后，你会发现你又遇到了新的问题，那就是不会做，没法付诸实践，如数学模型不会用、软件不会用、编程语言一窍不通等等，所以在研究生阶段一个重要的环节就是对编程语言和软件的学习。当处理问题时你总要找到一个工具去处理你的数据，当没有现成的工具时，你就需要自己编程，会不会这些，决定了你自己能否走的更远，能筛分出你到底是不是适合读博，适不适合将学术作为终生的职业。你总要用绘图软件、R语言或者python等去绘图，图片的格式你总得知道如何处理。这些以后也将成为一个研究生赖以谋生的手段，也是以后在工作必须用到的技能。一个很有意思的问题，每个就读的研究生都应该好好想想。“除了写文章的技能，把你放到竞争激烈的就业市场，你到底会什么，单位凭什么而要你，你能创造什么样的效益，你掌握的哪些技能是别人不可替代的”。四．团队协作能力团队协作能力是一个研究生不可或缺的，师兄师姐能帮你更快地解决问题。你自己解决一个问题可能需要一天，在一个团队的帮助下你可能只需要几分钟，在多思的前提下，多向整个团队请教无疑是有效的，团队协作的意义也正于此。身处一个团队，如果有着良好的团队协作关系，你的研究进程也会异常顺利，相反，你的研究过程可能会遇到这样或者那样的问题，并且这种良好的团队协作不仅仅是你读研需要的，你将来工作也是不可或缺的。以上就是笔者个人对读研三年应获得学习技能的一个思考，若有不足之处，欢迎各位批评指正！

从正在读研的人的经历中可以看出来，正在的研究生生活是什么样子的，和本科生的区别是什么，即便是之经历过很短一段时间的研究生生活，也能感觉得出来，本科生和研究生生活是区别很大的，而且可以说完完全全的不一样，基本上是无法相提并论的。在硕士阶段的收获要比本科多得多。那么这些区别主要体现在什么地方呢？第一就是学习方法上。学习方法上的话，在本科的时候老师就一再的强调大学的学习和初高中时不同的，在大学里没有老师或者家长监督你，陪着你学习，但是本科的时候的课程比较多，涉及面也比较广，最主要的是有很高的固定的学分需要修完，这也是一种干预和监督的方式。为了能够顺利的毕业，在本科的时候，学生们大多数还是会写作业，做学科设计，还有就是在考试周认真的准备考试。所以我们在本科的时候相比之下还是被动的学习。为了完成作业，为了考勤去上课，为了完成各种考试取得学分所以学习和找资料，认真的背书。从本质上说，这样的学习模式并不属于自主学习。但是研究生阶段的学习是完全的自主的学习。虽然研一和研二的时候可能还是有一些课，但是这些课程非常少。虽然我们都有自己的导师，但是导师基本上一个月都见不上一次。在这种情况下还是要完成汇报，要写论文取得学位，这样的话如果我们光靠上课的时候学的东西就是不够了的，并且导师对学生的指导和改论文也都只要很小的一部分辅助。所以这样的话，我们只能靠自学。研究生基本上就是固定的每天花大量的时间在办公室或者图书馆，看文献，看论文，作报告来为自己的毕业论文或者是自己的科研成果做准备。而且如果有不懂的问题，是不可能去问老师的，我们都是自己尝试解决或者是请教师兄和师姐。这就是非常自主地学习了。学习方法上的区别是本科生和研究生生活做大的区别，因为研究生的思维和逻辑性还有独立思考等重要的品质都是这个过程中锻炼出来的。是非常有意义和成就感的。第二点是生活环境的变化。本科的时候可能觉得宿舍都是成群结队，无论是休息还是吃饭或者出去娱乐，大家都是一起的，但是大三大四的时候可能比较忙，大家各自有自己的目标。但是到了研究生阶段，就会变得更多的时候是自己一个人了。基本上和你目标相同的人就很少了。大家都有自己的课表和安排，并且研究方向也不同，你的生活节奏很难和另一个人相同。但这也就意味着你有更多的安排自己的时间的主动权。第三是面对的机会和平台的扩展。读研之后会有和导师做项目的机会，在做项目的时候就有机会接触到更高层次的人，比如你所研究的专业，在这个专业的行业内的前沿的技术和知识，这个专业的学者和行业的老总等等。平台的提升意味着你会获得更好的机遇。最后就是人际关系的变化和人脉的变化。平台提升了，视野开阔了，必定使我们的人际关系发生一些变化。我们只能接触研究领域内的人，人脉会更优质但是圈子会更小一些，固定在一定的专业内，对我们的发展都很有帮助。总之，硕士学位是很有价值的，在能力范围内都应该尽量争取读研，让自己的能力进一步提升。

近二十年来，我国大学人数扩招为社会培养了大量的技术人才，这些人才为祖国的建设做出了不可磨灭的贡献，但随着大学的扩招也带来了一些问题，比如学历的贬值—这是不可否认的。现如今，我国每年都会有数百万大学毕业生流入社会，造成了大学生找工作的困难。毕业生有的为了推迟就业，有的为了提升学历，但不管怎样，都会加入考研大军，但在决定考研之前，我们一定要清楚本科生与研究生学习方式有什么区别，这为以后上研究生生活做准备：第一考核方式不同，本科生毕业要修完一定的学分就可毕业，结课形式也主要以考试为主，只要我们去上课、完成了作业、在期末考试的时候突击一下就可以取得学分。但研究生毕业就相对没有那么轻松，研究生虽然也会上课，但主要还是自学为主，要查文献、做实验、发论文，每个导师的具体要求不一样，但随着研究生的扩招，硕士研究生也是很容易毕业的。第二师生关系不同，本科生学习期间，每学期都会学习很多课程，我们会接触很多老师。即使我们犯了一些错，师生关系也是很容易相处，学习很愉快。但研究生学习期间，我们会和导师相处三年。导师布置的任务，要按时完成，跟上进度，要主动学习，不然很容易导致和导师的关系紧张。那么三年学习时光是非常痛苦的，弄不好还会延迟毕业。总之，硕士研究生毕业并不是很难，处理好和导师的关系很重要，否则后果很严重。

人类是如何进行学习的？学习的过程是什么？学习是否有法则？相信许多爸爸妈妈都有这样的经验，那些很努力学习的孩子，考试结果并不一定都是优异的成绩。或者明明已经了解的知识，到要用的时候，怎么都想不起来......其实这些状况都是因为学习出现了状况2018年出版的《Make It Stick-The Science of Successful Learning》，中文译名是《认知天性》。是由11位认知心理学家用了10年的时间，根据心理学和脑神经科学的前沿研究成果，总结出来的最有利于大脑的简单学习法则。今天蓝小鲸将通过撷取书本的内容，让各位爸爸妈妈们对于学习有更深刻的认识，为孩子提供有效的，科学的学习方法。学习的目的是什么？ 飞行员马特刚开始自己的职业生涯时，有一次需要连夜开着双引擎飞机去肯塔基州送货。当独自一人飞行在11000英尺的夜空时，右引擎的油压突然下降了。马特意识到自己遇到了麻烦。他的脑海中快速闪现了很多信息：引擎如果失灵，在关闭它之前飞机还能飞多久？飞机失去右侧的升力会不会掉下去？最后，考虑到飞机的损伤容限，他立刻做出了行动：关掉坏了的右引擎，把螺旋桨桨叶调至与气流平行的位置以减轻阻力，同时增加左侧的动力。在勉强飞了十英里之后，马特安全地迫降了。在案例中，你不知道你学过的知识会在什么时候被派上用场，尤其在这紧急又要命的时刻，你没有办法去谷歌。学习就是一个是打造"心智模型"的过程，为什么这样说？在学习某项技能的时候，让它最后能够成为一种“条件反射”式的心智模型，在所学的知识中提取关键概念，形成新的知识并且能够做到，这种学习才是有价值的，也才算是真正的掌握了某项技能或知识。书中所提到的学习步骤是什么？第一步是记忆将感知到的东西转化成信息，通过巩固练习形成长期记忆。第二步是检索长期记忆就是我们所说的知识，将学习的不同知识联系起来，形成一个检索线。第三步是构建一个知识模型用自己的方式重新理解知识，就需要把它用自己的语言重新叙述一遍，这样可以纳入自己的知识体系。遇到了相似的应用场景，就要试着去使用，进行知识的迁移。学习是一个连贯的过程每个步骤都密不可分，是一个有机的整体为了好理解，分开来一步一步说第一步：记忆人们在学习一项技能或一门知识的时候，都倾向于反复阅读书本，并且进行集中练习。这一点在学校“填鸭式”的教学上得到了最好的体现。孩子们认真地记笔记，用荧光笔画了各种各样漂亮的线，然后站在墙角一遍又一遍地背诵或者在深夜里一遍又一遍地抄写。这种看起来"很努力的学习"，为什么无法取得好的结果?这是因为重复阅读与集中练习只会让人越做越熟练，但实际上这种方法达不到真正的精通，也无法产生持久记忆，最终很多孩子会在考试时“原形毕露”。有效的记忆方法是什么？ 方法一：“考一考”我们看到的知识，有70%就是会在极短的的时间里被遗忘的，这是大脑的自然规律。大脑跟记忆就像串珠子一样，知识是一颗颗的珠子，重复式的阅读只会让珠子（知识）不断往下滑落，那要终止珠子往下滑落只有一个方法，那就是打一个结。打结就是在记忆时做一个自我检视的动作，最有效的方法就是考试，考试可以主动回忆过程，所以在学习过程中加上自我考试，记忆将会得到强化，学校里经常进行的随堂小考，也是基于这个目的。实验案例： 在伊利诺伊州哥伦比亚市的一所中学，实验人员安排了两组八年级的学生来学习科学课的一些小知识。一组人仍采用老办法，在老师的带领下重复阅读，但没有测试；另一组人需要经常接受关于这些知识点的小测验。一个月以后大考，凡是考到那些用小测验来学习的知识点的时候，学生们的平均成绩是A-；而在仅作重复阅读但是没有测验，学生们的平均分数为C+。蓝小鲸的育儿小方法：跟小朋友一起看完书，听完绘本可以将里面的知识或者故事讲出来，爸爸妈妈可以问小朋友一些问题；或者小朋友当天上完课，回家再请小朋友自己重复当天的上课内容，因为有一个自我检视的动作，给大脑增加了挑战，大脑就会更加努力的去加深记忆。 方法二：“等一等”长期记忆中存放新知识需要有一个巩固的过程。在这个过程中，记忆痕迹（新知识）得到加深，被赋予含义，并且和已知联系起来。而这个过程需要数小时，甚至数天。频繁的集中练习只会产生短期记忆，持久记忆则需要花时间进行心理演练以及其他巩固过程。正因为如此，间隔练习或者搭配不同知识内容才更为有效。实验案例： 曾有研究人员进行一个研究，训练两队孩子练习投沙包。考试规定，沙包要投到三英尺远的一个筐里。于是其中一队孩子一直站在三英尺的位置上练习投沙包，而另外一队人从来不投三英尺的位置，而是先练习投两英尺，然后再练习投四英尺，如此交替进行。12周过后，研究人员对两队孩子进行了测试，结果发现投两英尺和四英尺的孩子，最后在投三英尺时的成绩要远远高于那些一直在练习投三英尺的孩子。蓝小鲸的育儿小方法：相信许多爸爸妈妈们都有这样的经验，在当下做讲解时，孩子都无法理解，可是过一段时间在做一次，孩子就突然开窍了。这是因为密集的练习只会产生短期的记忆。我们可以将学习做交叉不同内容的安排，比方周一做1~10的运算，孩子当下做不出来，我们可以先放弃进行其他的学习，到周四的时候在讲解并进行一次1~10的运算，因为周一已经进行过了练习，周四的讲解能够复习所学的内容，运算时又因为大脑进行回顾，就能更快的掌握所学的内容的窍门跟其中的逻辑关系。所以不要长时间学习一个科目，换着学，是更高效的学习方式。第二步：检索不同知识间的检索线建立，检索就像是一个习惯的养成，一个人因为普通话不好，通过努力学好普通话，可是同时他原有的方言并不会忘记，当他学好普通话，就能够在方言和普通话之间切换；检索线就如同两个知识（习惯）的相互切换。有效的检索线要如何建立？学了一个新知识，如何才能记得牢，就需要把它用自己的语言重新叙述一遍。比方在教导孩子成语”左右开弓”时，爸爸妈妈可以用孩子所能理解的生活情景，“你看，你用左手也能拉开这把弓箭，嗖，把箭射出去；用右手也能拉开弓箭，把箭射出去，这就叫‘左右开弓’。你记不记得你吃饭的时候，经常左手拿把勺子、右手也拿把勺子，一起开动，这也叫‘左右开弓’。”孩子不管学到什么知识，爸爸妈妈们可以尽量与生活情境做结合，因为当孩子对于知识与形象能做好链接时，遇到了相似的应用场景，就可以试着去使用，同时爸爸妈妈还需要慢慢地适度增加难度，更有助于学习。蓝小鲸的育儿小方法：在生活中常常可以运用情境给孩子进行练习，比方孩子在学分数时，爸爸妈妈们可以用披萨、切水果等举例，孩子更容易理解。也不要忘记多给孩子进行练习，让孩子将形象与知识做好链接。第三步：构建知识模型大脑的构造在很大程度上由基因决定，但神经网络的精细结构可以由经验来塑造。这也就是说，大脑是会变化的，尤其是通过学习，大脑中整合记忆的区域”海马体”，会产生新的神经元，这些神经元会在下次学习新知识中继续发挥作用。这也解释了为什么越学习，大脑会越聪明。 每一次学习完，帮助孩子梳理一下学习到的核心概念是什么? 和已有的知识有什么联系？怎么归纳其中的相同与不同？这就是在帮助孩子学会整理知识的文件夹，也就是帮助孩子建构自己的“知识模型”。当孩子拥有自有的知识模型，就更能够在不同知识间进行交叉运用。蓝小鲸的育儿小方法：看到一个猕猴桃，我们不仅仅可以告诉孩子这是一种水果，还可以跟孩子回忆一下，以前还见过哪些水果呢？又有什么东西，长的像水果，但其实是蔬菜? 黄色的水果有哪些，黄色的蔬菜又有哪些呢？学习与智商是一个正比关系智商是基因与环境共同作用的产物，基因只决定了一个孩子比其他孩子稍微好奇一些。很多理论解释了为何现在孩子的智商与之前相比普遍升高，其中一个很大原因就是教育、文化（例如电视机的兴起）与营养都发生了极大的变化。通过这本书，爸爸妈妈们更知道怎样去科学地帮助孩子学习，了解大脑学习的规律。大脑是一个自动化的学习系统，会自动进行学习的积累和再创造。美国杰出的心理学家吉尔福特在1959年提出的“智力三维结构“SOI理论，思维过程包含认知、记忆、评价、聚敛、发散五大思维操作方式，相对应人的理解力、记忆力、判断力、解决问题的能力和创造力。这五大能力是知识学习中最为关键的基础能力，基础学习能力能帮助大脑不断地进行新知识的系统建构。当一个孩子学会了1~10运算的关系，他就能很快的掌握10以上的运算题。这是因为大脑拥有了学习记忆，就形成经验的积累。所以一个孩子掌握了正确的思维方式和完善的学习能力，能让学习事半功倍，举一反三。孩子的智商其实差距不大但父母是不是“聪明”，带来的差距却可以很大聪明的爸爸妈妈们，只要掌握正确的方法我们都可以帮助孩子放大智商，越学越聪明！

古钱币古钱币古钱币古钱币签字版本古钱币签字版本长须龙古钱币古钱币

一、教育部推荐课题（2017年）1、清洁能源发展现状调查及推广2、家乡生态环境考察及生态旅游设计3、食品安全状况调查4、家乡交通问题研究5、关注知识产权保护6、农业机械的发展变化与改进7、家乡土地污染状况及防治8、高中生考试焦虑问题研究9、社区管理问题调查及改进10、中学生网络交友的利与弊11、研学旅行方案设计与实施 12、考察当地公共设施二、综合性课题 （一）环境保护13、对十堰地区废电池回收情况的调查及建议14、十堰空气中SO2对土壤的负面影响及治理措施15、环保筷的开发与推广16、十堰地区空气污染现状及对策17、汽车尾气的治理及再利用18、关于城市垃圾资源化的设想与调查19、塑料及其回收利用20、光污染与光能节约（二）生活中的化学问题：21、农用生物肥22、新型建筑材料的开发与利用23、生命之源——营养24、家庭包装25、以氢气（天然气）为燃料的灶具26、正确提取热量及饮食27、对化妆品成分的研究28、方便面可食性内分装29、油烟革命30、装潢材料的应用及改进　 （三）资源利用：31、太阳能发展前景及利用32、创造绿色电能33、未来能源技术 三、学科性研究课题（一）、语文研究性学习课题34、如何解读赏析外国小说35、追溯诗歌的源头—《诗经》艺术探究36、我眼中的孔子（老子、庄子、孟子……）37、交际中的语言艺术 38、追寻在（某地）留下足迹的文化名人39、寓言对生活的启迪 40、《三国》人物性格探析 41、现代流行语言的背后42、高考满分作文研究43、广告语的修辞分析 44、民俗文化研究45、记文学中的精神力量46、 朱自清的散文艺术探究47、冰心作品中的爱的哲学研究48、张洁作品中的人性美49、中国古典诗歌发展探讨等50、学生名著阅读情况调查及分析 （二）、数学研究性学习课题51、如何计算一份试卷的难度与区分度52、主要十字路口人行道宽度的科学设计53、生活中的数字问题 54、生活中的数学——贷款决策问题55、寻找人的情绪变化规律 56、促销中的打折与分期付款问题57、三角函数的应用问题 58、数学中的黄金分割59、向量方法解决数学问题 60、登高望远—数学中的测量在现实生活中的应用61、银行存款利息和利税的调查62、购房贷款决策问题63、投资人寿保险和投资银行的分析比较64、证券投资中的数学65、以“养老金”问题谈起66、中国电脑福利彩票中的数学问题67、如何存款最合算68、如何合理抽税69、出租车车费的合理定价70、哪家超市最便宜（三）、英语研究性学习课题 71、称呼中的英文与汉译方法探究72、中英美人之间的交际习惯73、性格与英语学习 74、饮食行业的英语规范75、趣味英语收集 76、旅游景区的标识英语77、西方国家节日谈趣 78、兴趣爱好与学习英语之间的联系79、英语口语训练 80、英语中的颜色与心情 （四）、物理研究性学习课题 81、温室效应的产生与影响 82、物理与能源开发83、防盗门的防盗原理 84、自行车上的力学知识85、鸡蛋身上的物理学 86、学校周围噪声的防治87、现代交通与噪声污染及防治88、魔术中的物理原理89、建筑中的物理原理90、音乐中的物理知识 （五）、化学研究性学习课题 91、家庭装修材料的取材研究92、用植物色素制取代用酸碱指示剂及其变色范围的测试93、过氧化钠与二氧化碳反应的实验改进94、汞是如何进入食物链的？95、对市场补钙药品的研究96、食用油脂与健康97、常用食品添加剂的成分98、各种水果的维C含量之比较99、调查医院化验室中化学知识的应用100、日用洗涤剂对人体和环境有害吗？ (六)、历史学科研究性学习主题 101、中国古代科举制度研究 102、辛亥革命的成功与失败 103、世界史上著名人物研究 104、十堰发展简史105、二中发展简史（七）、地理学科研究性学习主题106、冰川搬运设备制作107、从生态观点进行节能108、从地缘关系分析美国发动伊拉克战争的原因109、我国风水学中的科学地理成分110、地理素养对我们学习、生活、工作的影响(八)、 生物学科研究性学习主题111、制作真核细胞的三维结构模型112、利用废旧物品制作生物膜模型113、制作反射弧模型 114、设计小麦品种间杂交育种程序115、卧室内放绿色盆景多多益善吗？(九)、政治学科研究性学习主题116、如何使用信用卡促进十堰的消费117、对某某商品的销售情况的跟踪调查 118、中国保险业将何去何从119、个人收入分配方式的变化120、经济全球化与中国的发展编者按：发布高中综合实践之研究性学习课程相关知识，与学习、研究者探讨交流。12.5重点课题《研究性学习的探索与实践》研究平台及成果之一。创新的互联网+教育服务平台，时尚前卫的创客空间，让每一个人都在研究中快乐成长！

导语： 研究了一百名清华学霸的学习历程，我终于知道该怎样学习了。应该怎样学习这个话题经久不衰，许多讨论都无休止的进行着。我为了研究出一定的方法，调查了一百名清华学霸的学习历程。没想到收获还是很大的，接下来我要一一刨析。我从大量的资料中得出了四点结论。一、坚持是清华学霸的绝招，他们在学习的时候可以持续很长时间。经常会因此错过一些生活当中的事情，似乎外界的事情被他们屏蔽了一样。二、清华学霸们经常会进行深度的思考，似乎只有深度思考知识才记得更牢。我认为这也许就是理解记忆优于囫囵吞枣的原因了。三、清华学霸很博学，学了许多看似与本专业无关的知识。我认为这可能会加强对知识的理解，有个成语叫触类旁通。四、积极的心态对一个人的学习相当重要。可以节约许多时间，由于不用浪费许多时间在忧虑当中。

对于大部分人来说，学习知识只有学校，离开学校之后，学习也就结束了。但是这个世界不会因为你不学习，就停止发展，每天都会不断的有新的工具，新的商业模式出来，想要跟着世界发展，就需要不断的学习，真正的学习，是活到老学到老，只有通过不停地学习和行动，才能获取到越来越多的财富。1、研究别人，能知道做什么赚钱做什么事，都会有一些套路技巧，用好了，往往就能事半功倍，赚钱也是一样的道理，最快最简单的套路就是研究别人是怎么赚钱的，直接把他赚钱的方法拿过来用，他在哪里推广，你也在哪里推广，他的营销方案是怎样的，直接复制修改成为自己的，然后在网络上到处去传播，做得越多，就会有越来越多的人关注你，你的产品或者服务就可以卖出去了。互联网上到处都有痕迹，模仿是一个很重要的技能，理论上，如果我们能做到和别人的一样，结果也会跟别人一样，这种方法如果用得好，足够让你发家致富。真传一张纸，假传万卷书。想通了这句话，出头之日真的不远。经常在网络上看到很多白痴一样的问题，我也不禁想起当年自己也是一样傻帽。他们问得最多的就是：有什么赚钱秘籍，有什么网络上赚钱的项目啊，有什么肯定能赚钱的项目，这种人没救了。其实赚钱真的很简单，就是将有价值的内容，发到你的客户能看到的地方，吸引他们关注你，简称，引流。这就是互联网赚钱最核心的秘密。有人关注你，就要想办法营造信任感，只有他们相信你，然后再引流到个人号做成交，这样才能提高转化率。比如现在搞直播卖货就比传统模式的卖货要暴利的多，为什么？你做广告，搞促销，发朋友圈，结果是，你几年卖的货还赶不上人家一个直播网红一天卖的货，原因就是网红的流量多啊。2、做生意的最高境界就是把自己卖出去有两个人，他们卖的东西都一样。第一个人说：我有好东西，非常好用，功能很多，快来买吧。另一个人，他有很多人关注他，他是卖东西的：我发现一个好东西，我自己也在用，效果非常好，推荐你们也试试，有需要的可以找我。同一样件产品，你觉得谁会卖到更好？这就是产品营销与内容营销的不同，一个是靠产品去吸引人，一个是靠内容去吸引人。你只是打一个广告，会让多少人产生信任，从而产生购买欲望，除非你的产品独一无二，无可替代，否则，真的很难让客户买单。拥有个人IP 的人，在未来的社会才能比较吃香，关于打造个人IP，可以参考我以前写的文章《你也可以打造个人IP，然后愉快的赚钱！》。通过不断的输出价值，就会把对你感兴趣的人吸引过来，培养信任也更加容易，当你是一个分享者，而非一个黑心商家时，大家就会更加的信任你，你分享的内容越有价值，这种信任关系就有多坚固。有了信任，卖什么都是水到渠成的事。所以说，做生意的最高境界就是把自己卖出去。卖内容，最好的行业莫过于自媒体这一行了。3、学习，是一个人成长的基础你身边的人能改变你的成长轨迹，甚至决你的人生成败，这就是近朱者亦，近墨者黑的道理，跟什么样的人在一起，就会大概率有什么样的人生。想要在网络上赚到钱，融入一个优秀的圈子，有机会向牛人学习，学习他们的赚钱模式，做项目的思路，真的能很大程度上成就你。有人指点你，你再一边去实践，赚钱的速度自然要比自己摸索快。但是在网络上，别人又不认识你，凭什么要帮你？花钱去学习，永远是最快，最好的方法，也是成功的必备之路。你不付出，就不会有收获。网络上最暴利的赚钱项目就是玩信息差，越是接触得多，越是发现他们赚钱的方式也就那样，不同的是，你不会挖掘，就算你发现了，也没资源，没能力去操作。这也就是为什么那么多牛人，本身已经很厉害了，人家还是不断的报班的去学这学哪，花钱去学习，就是投资自己，你知道别人的赚钱套路就越多，这是一个人不断成长的基础。在网络上我们要做的就是宣传自己的思想观点，知识经验，或者你的某项绝活，最终的目的就是找到那些跟你同频，价值观一样的人，然后把流量引到个人号。然后做营销搞变现，赚钱就是这么简单。我是黄宇风，转载请注明出处，喜欢我的文章，就关注我，给我点个赞吧！