学习是一个反复的过程!

2号在三合班听米老师讲关于如何学习,几个小时下来让我受益匪浅。发现自己在学习方法上和对学习的认识上都有很大的不足,虽然以前也知道在开始学习一门课程之前要预习,学完之后要总结。但是一直做得不是很好,尤其是预习。例如预习一本书的时候,总是看看前几章就看不下去了。



听完课后,又将课堂上录制的视频看了两遍,先将我的一些感受分享给大家:



学习之前


学习之前要预习,这个谁都知道,但是该怎么预习呢?以前我在预习的时候,拿起一本书就看,结果没看几章就把书扔一边看不下去了。为什么会这样呢?很简单,因为一开始就像一个眉头苍蝇似的,到处乱撞,对整本书没有一个整体的认识,分不清主次,看起来的话就会非常吃力,没两下就撞得头破血流当然也就看不下去了。


当我们去一个陌生的地方时,都知道要先看看地图,对其有个大概的了解,知道目的地的大概方位,这样只要大方向不出错我们就能够顺利的到达目的地。同样在看一本书的时候也应该先看书的目录,因为目录就是整本书的地图。通过目录可以找出整本书的脉络,找到书的重点,有了一个整体的了解才能有的放矢。当然在看书的时候也不可以逐字逐句的细究,因为我们在预习,一定要运用快速阅读。




学习之中


在进一步深入学习的时候,要带着我们之前预习时那些没有解开的疑问去学习,这样更有目的性,能够大大提高我们的效率。当然在学习的过程中要做好笔记,那笔记该怎么做呢?第一,在能找到联系的情况下信息尽量要少,因为写的太详细会阻止你的大脑去思考,记笔记的时候只需要写下一些有提示性的词语即可,这样可以充分调动你的大脑去思考,如果想了半天没想起来,那么就回头再去看这样留下的印象远远高于直接写在笔记中,因为此时你的大脑经过了一系列的思考。而不是仅仅看一遍那种水过地皮湿的效果。第二,要习惯对比,寻找相似事物的相同点对比其不同点。寻找相同点是为了减少知识量,减轻学习任务,对比不同点是为了更好的区分两者,人自己对他们的认识更加清晰。



再有很重要的一点,在学习的过程中要将学过的知识、自己的生活跟现在学的知识联系起来。有了联系才会擦出火花,才会有共鸣,才会有深刻的感受,当你能够将知识与你的日常生活联系在一起,那么你就真正的掌握了这些知识。都说艺术来源于生活,其实各种知识各种学科同样也是来源于我们的生活。像物理化学,就是根据日常的一些现象加上一些设想和实验证明衍生出来的。当年牛顿提出万有引力定律的灵感,不就是因为苹果落地这么一件再普通不过的事情吗?类似的例子非常多,这些都说明了我们所学习的知识都是跟我们的生活、经验有着密切的联系。




学习之后


当学完一本书或一门课时,我们要做的事情就是总结。如果前面是我们的辛勤的耕耘,那么总结就是将我们的劳动成果收入我们的仓库。如果我们收割的工作没做好,就算前面我们再辛勤的劳作,庄稼长得再好也白扯,最后什么也落不下。有此可见,总结是多么重要的一项工作!



光知道总结很重要是不够的,还得知道该怎么总结。粮食要分类存储,不同的粮食有不同的存放方式。同样知识也需要分类汇总,各个知识点连接起来就是一条线,许多线编织在一起就成为一张网,网与网之间通过相应的关系连在一起就形成了一个知识体系。每一个点都不孤立的,都是彼此有联系的。互相关联,互相作用,这样每一个知识点都不会被丢弃。



有的人总是说自己不会总结,或者觉得自己总结的不正确之类的。首先这种想法就是错误的,没有人能保证自己做事情的时候第一次就是正确的,是最好的。总结是根据自己的想法,自己的认识把所学的东西进行提炼,升华。并不是要求一遍就整的准确无误,一开始理解上肯定会有偏差,这是很正常的事。人对事物的认识就是一点一点慢慢完善的,总结的时候只要按照自己所想,根据自己的认识去做就好了。等过段时间,随着进一步的学习,或者学习其他相关的知识,会让你对之前所学的有另一种认识,会让你的理解更加全面,认识更加深刻。这时再去慢慢完善之前的总结。学习就是这样一个反复的过程!



正如上面所说,学习是一个反复的过程,需要慢慢完善,同样我对于学习的认识也有很多不足,以上说的有什么不妥之处还请不吝赐教!


 

在机器学习过程中,通常可以将其分为以下几个部分: 1. 数据收集和准备:这一阶段涉及收集和获取用于训练模型的数据。数据可能来自于各种来源,如数据库、文件、传感器等。在这个阶段,还需要对数据进行清洗、处理和转换,以便使其适合用于模型训练。 2. 特征选择和提取:在这个阶段,需要从原始数据中选择和提取与问题相关的特征。特征是用于描述数据的属性或变量,它们应该包含有助于模型学习和预测的信息。常见的特征选择和提取方法包括统计方法、主成分分析(PCA)等。 3. 模型选择和训练:在这一阶段,需要选择适合解决问题的机器学习模型,并使用已准备好的数据对模型进行训练。模型可以根据问题的性质选择,如分类、回归、聚类等。训练模型的目标是通过调整模型的参数和超参数,使其能够对新数据进行准确的预测或分类。 4. 模型评估和优化:在模型训练完成后,需要对模型进行评估和优化。评估模型的性能可以使用各种指标,如准确率、精确率、召回率、F1分数等。如果模型性能不理想,可以尝试调整模型参数、改变特征选择或提取方法,或者尝试其他模型算法。 5. 模型部署和应用:在模型通过评估和优化后,可以将其部署到实际应用中。这可能涉及将模型集成到软件系统中,建立模型的API接口,或者将模型嵌入到其他应用程序中。模型部署后,可以用于预测、分类或生成新的数据。 这些步骤并不一定是线性的,通常需要进行反复迭代和调整,以提高模型的性能和预测能力。整个机器学习过程一个迭代的过程,需要不断地进行实验和改进。
评论
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