学习如何学习

栏目: 数据库 · 发布时间: 5年前

学习,是一个看来熟悉,仔细想来,理解和掌握还不够深入的词。

从教育心理学角度,学习是指获取知识和经验的过程。

从行为主义角度,学习是刺激与行为反应建立联结的过程。

从认知心理学角度,学习是个体在其环境中对事物间关系认知的过程。

在宏观的系统科学角度,学习是系统与环境交互产生的变化;

在微观的神经生物学角度,学习是神经网络中节点间连接的神经可塑性改变。

而在如今热火朝天的人工智能领域,电脑通过机器学习模拟人脑的学习过程,从而完成相应的认知任务。根据要处理的问题类型,机器学习可以分为判断、预测、分类、聚类等几大问题领域;根据学习的样本是否需要标注预测量的真实值,机器学习可分为监督学习和无监督学习两大类;按照其模拟的人脑认知功能,机器学习可分为计算机视觉和图像识别(图像 / 视频信息)、自然语言处理和语音识别(声波 / 语音 / 文字语言信息)、机器人操作行为几个大类;而根据其算法的核心原理,则可分为深度学习、强化学习、迁移学习、元学习等。

学习如何学习

有趣的是,这些算法的核心原理,又来源于人本身认知过程中的学习机制。

比如深读学习的基础人工神经网络,就是模仿人脑中神经元与神经元间联结形成区域神经网络而来。在图像处理领域,人工神经网络模仿了人脑的视觉皮层对视觉信息的层次处理模式,即初级视觉皮层处理视神经投射过来的原始视觉图像信息,次级视觉皮层接收初级视觉皮层传递过来的信息,每一层提取不同的信息进行加工,最终整合形成视知觉。使用激活函数作为神经元,进而构建层层传递处理信息的人工神经网络,并根据网络的层次结构方向不同,分为卷积神经网络、循环神经网络等多种人工神经网络算法结构。而深度学习,其实就是基于大规模并行数据分析构建的多层级人工神经网络。

学习如何学习

强化学习,从宏观行为学角度,模仿的是条件反射学习现象;从微观神经生物学角度,模仿的是人脑神经环路中的奖励环路,而从系统科学角度,来源于“有效的系统控制基于及时有力的反馈”,可见,殊途同归。

学习如何学习

在读论文时,我觉得很有意思的是, function 这个词,在神经科学里指的是功能,而在计算机领域指的是函数。其实有时候,功能,确实也可理解为函数。函数有输入有输出,呼吸功能同样有输入氧气,有输出二氧化碳。函数有内在的结构和算法,呼吸功能同样有其对应的肺泡支气管等结构,有血 - 气交换等生理机制的算法。

同理,在强化学习中,其马尔科夫决策过程包含一个环境状态集 S ,系统行为集合 A ,奖励函数 R 和状态转移函数 P 。而本身,在我们日常的学习过程中,也存在各种强化学习的形式。比如别人是环境 S ,对别人说甜言蜜语是系统行为 A ,说了甜言蜜语后别人的笑脸是奖励函数 R ,此时我们接收到奖励,感觉心情更好,从而感觉环境(别人)对我们更友好,是状态转移函数 P 。同理,也可把 A 换成考试考高分, R 换成家长的表扬。

学习如何学习

更有意思的是, 基于动机的强化学习,引入了动机信号,从而实现更具自适应和多任务学习潜能的算法 ;而 在心理学中 ,我们经常说的是,觉知你内在的需求, 将你内心的动机“我要”作为你学习的动力 ,基于好奇心、兴趣等内在的动力,比出于考试的排名、别人的表扬而学习, 能学得更好,走得更远,也更能够承受压力

再比如迁移学习,是将在其他任务中训练好的模型迁移到新的学习任务。而我们在知识学习的过程,也通常会通过调用旧的知识来理解新的知识,就比如我在学习机器学习这块的知识,就大量用了我在医学学习和脑科学研究中获得的系统生理功能机制、反馈调节、神经解剖、神经电生理、认知心理等方面涉及人脑智能的知识,来理解人工智能。

学习如何学习

以及元学习。因为这周上课刚给我的学生们讲了,学习如何学习。我告诉我的学生,我们 在学习过程中 ,比如做微积分的题,或者是做英文阅读理解,又或者是完成设计作业等学习任务时, 不仅要关注我们的学习内容,还要关注我们的学习过程。 看下自己在学习过程中,更喜欢处理什么样的信息,是对数字更敏感,还是对文字更亲切。反思下我们学习的动机,是单纯因为有用,还是能从中感受到学习的乐趣,感受到学到知识的满足感。回头看下我们学习的过程,能集中注意力多长时间,怎么安排整个学习计划会更高效,我们是怎么将一个学习项目分解为多个子任务的。对这些学习过程的反思,就是磨刀不误砍柴工,优化和改进学习过程,不仅让我们学习更高效,也让我们更喜欢学习,得到更多的成长。

而在 元学习中,其算法关注的是如何根据反馈优化学习过程参数 。在这一问题中, 运用梯度下降法对学习过程参数进行迭代,成为了与模型无关的元学习( Model-Agnostic Meta-learning )的算法核心。 而我们在课堂教学中,教育学生学习如何学习的部分,就特别强调了分解学习任务的重要性,也就是说,给自己的学习难度设定一个合适的梯度。又是一个同词异意,哈哈! 在元学习中,梯度是微积分中计算函数曲线方向变化率的表示向量;而在认知心理学中,梯度指的是学习目标间的难度距离 。更进一步说,正如维果茨基的 最近发展区理论,选择在合适梯度范围的知识内容作为学习目标,可以用更少的学习成本取得更好的学习效果。

学习如何学习

该图展示OpenAI 提出的 meta-learning shared hierarchies(共享层次的元学习,MLSH),能学到层次化的策略,其中的主策略可以在一系列子策略中进行切换。

人工智能与人脑智能的研究每天都有新的发展,人工智能在各个行业领域大显身手的同时,其对人脑智能的抽象表征,极大地简化了人脑认知生理的抽象描述。相信不久的将来,计算机建模能够模拟更高级的人脑功能,对精神症状进行更精细的计算机模拟,从而帮助人类更好的理解自身,并进一步促进心理治疗和精神疾病康复的发展。

参考文献主要是史忠植的《心智计算》, Michael Negnevitsky 的《人工智能智能系统指南》,汤晓鸥和陈玉琨主编的《人工智能基础(高中版)》以及 Chelsea Finn2018 2017 关于 MAML 的论文。高中那个教程对于算法小白来说真的非常友好,《心智计算》对于有心理学背景的人来说,比从算法逻辑推导的《统计机器学习》真的友好很多。图片自己做的。如有错漏,欢迎指正。

(本文作者为医学博士,脑科学研究者,感兴趣者欢迎加微信qiahaohexin与作者交流)

相关阅读

强化学习理解的三重境界

模拟人类思维的机器学习算法

查看作者更多好文,关注本文来自作者的个人公众号: Dr.馨 

下面是作者的俩篇文

关系

别听牛人吹苦逼,好好学习人家怎么解决问题


以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

敏捷估计与规划

敏捷估计与规划

[美] Mike Cohn / 宋锐 / 清华大学出版社 / 2007-7 / 39.90元

《敏捷估计与规划》一书为对敏捷项目进行估计与规划提供了权威实际的指导方针。在本书中,敏捷联盟的共同创始人Mike Cohn讨论了敏捷估计与规划的思想,并使用现实的例子与案例分析向您详细地展示了如何完成工作。本书清晰地阐述了有关的概念,并引导读者逐步认识到下列一些问题的答案:我们要构建什么?它的规模有多大?需要在什么时候完成?到那个时候我们到底能完成多少?您首先会认识到优秀的计划由哪些东西组成,接着......一起来看看 《敏捷估计与规划》 这本书的介绍吧!

XML、JSON 在线转换
XML、JSON 在线转换

在线XML、JSON转换工具

html转js在线工具
html转js在线工具

html转js在线工具

HSV CMYK 转换工具
HSV CMYK 转换工具

HSV CMYK互换工具