《人类的演化》读书笔记

这篇笔记探讨了人类从猿类进化的历史,强调了双足行走、大脑发展、文化与社会行为的重要作用。早期人类祖先约在600万年前开始进化,随着大脑容量的增长,海德堡人的出现标志着文化多样性的起点。人类与其他猿类的本质区别在于高级的认知能力和文化能力,特别是宗教和讲故事的能力。社会大脑假说解释了人类社区规模,而双足行走、食物选择和气候变迁影响了人类进化路径。此外,进食、繁殖和社会互动在人类关系中扮演了重要角色,共同的维度塑造了友谊的形成和维持。
摘要由CSDN通过智能技术生成

  1. 我们人类属于大猿猴科,因为我们身上所携带的生物学、基因学和生态学的特质,大体上和猿猴共享。
  2. 早期猿类有不同的分支,一条通向现代人类,另一条通向现代的其他猿类。
  3. 人类的祖先,当时还毫不起眼地混迹于各种猿类之中,在大约六百万年前,默默开始了进化历程。
  4. 人类的祖先起初是双足行走的猿类,古人类学家就是利用了这个物种在解剖学上的特征,来寻找我们最早的祖先
  5. 第一批古人(海德堡人)的出现,标志着大脑容量的爆发性增长以及物质文化多样化的起点。
  6. 我们不是猿猴,本质区别在于我们的认知,也就是我们的大脑所能够产生的意识,是这些意识赋予了我们的Culture(文化)一个大写的C,而文化才是人类文学和艺术的根源。
  7. 是人类把这种文化能力提高了一大截,从猿类的文化到人类的文化,发生了一个质的飞跃而不是缓步向前。
  8. 文化中有两个关键性的特征,显然为人类所独有。这两个特性一个是宗教,另一个是讲故事。还有其他一些特性,如作为社会活动的音乐演奏。
  9. 所有文化活动的起点是我们发达的大脑,这就是我们和其他猿类产生根本性区别的所在。
  10. 灵长类动物最显著的特征就是高度的社会化,个体之间特殊的纽带关系,使得这个物种能够组成经得起时间考验的稳定团体。
  11. 单配偶形态没有回头路,关于哺乳动物的单配偶制,历来有三个不同的假设性解释,其一是对双亲共同抚养的需求(抚养脑容量大的后代,往往需要两个家长);其二是雄性要保证有交配对象;其三是婴儿被杀的风险。
  12. 据社会大脑假说预计,现代人类“自然”的社区大小是150人。
  13. 双足行走对于猿类来
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值