思维导图到深度学习

思维导图到深度学习

1、思维导图作用

把复杂问题简单化；高维度的问题降维转化成多个小问题(主成分提取)，每个小问题通过多步骤解决。

2、学习和记忆

知识：从实际多种情况中，提取出的知识要点(例如，把一本厚书读薄)。在机器学习中，就是从大量训练样本中获取有用的信息(聚类分析)。

记忆：小学简单学习主要依靠记忆(九九乘法表)；记忆的局限性：以后的记忆的东西太多；不可能把某方面的内容全部记住(很难全面掌握)

3、学习过程

问题是什么？答案是什么？(明确建模的问题)=> 用例子构建知识(通过训练样本构建模型) => 最终需要把问题理清楚，通过举一反三才能真正理解知识点(用已有模型验证未知的知识)

4、学习英语

对于机械性学习(游泳、乐器等需要肌肉的学习，需要大量重复正确练习多次)例如保证正确的口型练习呼吸3000次。

对于英语和语文知识：记单词仅仅记住的中文意思，但是不清楚具体的应用。最好应该记忆句子记忆短文(百词斩的图片化碎片化记单词，实际单词使用效果没有很好)。

5、实际中，如果无法直接解决一个问题，可以分成很多小问题逐步解决。因为人脑的知识容量有限，如果直接把全部知识都记住，空间复杂度是指数级别；如果转化成多个小问题，就会变成线性级别(n)。例子：魔方复原方法很多种：如果直接使用40步公式，那么需要处理的情况太多了。如果使用一层一层处理数据，那么每一层的方法可以大大降低维度。例子2：编程，如果一个复杂的问题直接解决很难，可以逐步解决小问题(如果一个问题很难，人脑会直接搜索直接解决问题的思路，所以就陷入死循环；如果转化成多个小问题逐步解决，那么一个大问题就迎刃而解)。

代码模块化，不同模块之间高内聚低耦合；思维导图中，把一个复杂问题拆分成多个小问题，不同小问题也类似于模块，高内聚低耦合；小问题可以复用，这样复杂度就变成 logn 二分法的复杂度。

学习原则：

• 明确问题的输入输出(条件是什么，问题是什么)
• 将复杂的案例抽象总结出简单的知识
• 将简答的知识应用解决新的问题(更多的问题)
• 将复杂的知识降维，模块化简单化处理问题

如果处理的信息是很难压缩的信息，或者全部是细节，使用思维导图就不是很使用。如果处理的信息降维不明显，平行结构更明显，例如CSS部分，使用思维导图的性能不高。

6、费曼学习：学习+解释

使用思维导图仅仅把知识网络化，并没有实际处理问题；使用解释(给别人讲解)，自己需要使用已有知识解决新的问题；

好奇心对于知识的促进，对于学习的促进；欲望和好奇心可以促进学习(看到一个游戏，想要自己去做出来这个游戏)

好奇心的限制因素：已有的知识会对新知识的学习产生影响(例如，学会了ES3的构造函数，接触ES6的类就会使用ES3的思维方式学习，这样可能走入误区)。我们在接触一个新知识点时，不确定这个知识点和已有的知识点是否适应相同的学习方法，但是旧的学习方法不一定适合新的知识模型。这也是机器学习中可能的误区。

固执：面对新知识不愿意学习；或者认为新知识和旧知识是相同的，不需要认真学习。这样会造成知识落伍，