用机器学习的经验指导人生：如何实现学习效率最大化.docVIP

用机器学习的经验指导人生：如何实现学习效率最大化 　　　　 　　大数据文摘作品，转载要求见文末 　　原作者 | Raimundo Manterola 　　编译团队 | Aileen，黄文畅，范玥灿 　　如果要是我告诉你我们可以依照“训练”电脑的经验来指导人类学习新的技能，你觉得怎么样？ 　　在这篇文章中我不会太深入的分析机器学习是如何工作的但是，在介绍如何把AI应用于你自身的学习之前，我希望你能了解一些基本的概念 　　--------------- 　　手把手辅导，教会为止 　　距离课程开始仅一周 　　用云实验环境 　　完成第1个数据科学项目： 　　美国大选数据分析与可视化 　　电商销量预测 　　海量文本分析 　　3月18日开课 小班辅导 　　名额有限 欲报从速 　　详情见文末 　　--------------- 　　我们都喜欢狗狗的照片，它们让我们想起那些与这些这些四条腿的小伙伴们一起玩耍度过的清晨 　　我们可以很容易的在照片中认出狗狗，因为我们已经看过千百次它们长什么样子 　　可是如果一个外星人因为好奇狗狗长什么样而绑架你，你会怎么办？他强迫你教他如何识别狗狗，这样他就可以绑架一只带回他的星球 　　请记住，他完全不知道狗狗长什么样你要怎么做？ 　　你可能需要告诉交给他一些“规则”：狗狗有四条腿，两只眼睛，两只耳朵…可是，这可能没有想象的那么容易，因为有很多很多的规则试想一下，你要怎么教会他区别狗狗和狼？这真的很难 　　这个设定一些规则并照之遵守以得到想要结果的学习过程叫做 “演绎学习”可是难点就在于很难顾全所有的可能的变化 　　想象一下，除了展示给他一千张狗狗的照片，另外如果给让他看一千张照片都不是狗狗的照片那事情就变得容易很多了！ 　　我们人类正是这么学习的通过千百次的观察我们知道了狗狗长什么样当我们的大脑看到一些它可以认知的东西的时候，某些神经区域就会显示出逐渐增加的活跃性但根据国家研究委员会出版的《人们如何学习》一书，人类在出生时并没有这些神经特征随着年龄的增长，有了越来越多的经验，我们的大脑就开始整理如何建立这些联系 　　神奇的是，机器学习正是这么工作的当建立一个机器学习模型的时候，我们不会教他“规则”而是提供给诶他大量的案例，有的可以得到想要的结果，有的不可以，然后就让电脑自己整理，就像我们的大脑会做的一样 　　大部分人认为AI是一个使工作自动化的工具，可是让人们专注于建立像人类行为一样的算法理论举例来说，脸书（Facebook）的面部识别算法理论比人类的识别能力还要强可是如果我们反向而为呢？ 机器学习是如何工作的？ 　　假设没有空调也没有泳池的你实在是难以忍受这炎热的夏天，你决定在邻居不在家的时候偷偷的潜入他家用他的泳池 　　你已经知道大多数时候他都不在家，因为他打网球所以你决定应用你的AI技能来建模，根据天气挺起情况预测他是否会打网球 　　经过几周对他的观察他和并收集了相关数据，你总结了如下表格： 　　 　　既然你有了好的、有代表性的数据，你便可以开始建模 　　有很多种不同的方法，我将用一种叫做决策树的技巧来简单讲解归类问题 　　你觉得在上图表格中哪个那个变量会影响你邻居要不要打网球的决策？可能是天气情况 　　要弄清如何构建决策树，我们的模型会找出哪那些变量可以将数据最好的分割开来把天气情况放在决策树的根部，然后我们就可以开始用同样的方法来建立更多的枝杈，直到决策树看起来如下图： 　　 　　训练完模型之后，我们就会得到一个可以帮助我们预测邻居是否在家的决策树 　　你可能会想：“这到底会怎么帮助我学习一个新的技能？” 　　如果你想要训练一个好的理论可以用来使你的学习收益最大化，有一些主要的规则需要遵守 　　如果你想了解更多关于机器学习的知识，这里有一些很棒的资源 　　 练习，练习，再练习——收集大量的数据 “　　不是当你已经优秀了才去练习，而是不断地练习帮助你变得优秀 　　——Malcolm Gladwell ”　　这一条比较简单——练习的越多，你就会变得越好 　　我们都听过“大数据”这个时下很火的词可是只有很少的人真的了解他真正的含义根据牛津词典的解释，大数据是：极其大的数据集，需要用计算机来分析并展现出它的特征、趋势和联系，尤其是与人类行为相关的部分 　　大数据是用很多很多的例子来训练一个模型 　　根据牛津关于技能学习的神经机制的研究，当我们开始学习一些新东西，这个过程中包含了很多神经活动但当我们反复练习同一个任务的时候，每一次完成他所需要的脑力就会逐渐减少 　　当你建一个机器学习的模型时，这会很大程度上决定你算法表现的好坏你需要很多很多的案例才能得到一个好的模型相较于给外星人看几张照片，给他看更多的案例会让他学习的更好 “　　但是不变的是，基于大量的数据建立简