Результаты поиска

7 навыков запоминания, которые сделают вас умнее

7 навыков запоминания, которые сделают вас умнее

Обучаемость — один из важнейших навыков человека, связанных с памятью и процессом запоминания. О том, как правильно запоминать информацию, рассказывают в своей книге «Запомнить всё» Питер Браун, Генри Рёдигер и Марк Макдэниэл.

1. Припоминание: достаём из памяти

Хорошо работают карточки для запоминания. Они помогают извлечь из памяти информацию, связанную с тем, что на карточке изображено.

Этот метод так эффективен, потому что припоминание укрепляет нейронные проводящие пути, соотносимые с тем или иным понятием. Припоминание также лежит в основе тестирований. Именно поэтому экзамены в школе должны быть не только способом оценки знаний учеников, но и инструментом обучения. 2. Осмысление: объединяем новые идеи со старыми знаниями

«Чем лучше вы можете объяснить связь новых данных с тем, что вы уже знаете, тем лучше вы усвоите новую информацию, тем легче вам будет вспомнить её потом», — пишут авторы книги.

Например, если вы на уроке физики пытаетесь понять, что такое теплопередача, попытайтесь связать это понятие с жизненным опытом. Например, вы можете вспомнить, как нагреваются руки от чашки горячего кофе. 3. Интерливинг: чередуем разнотипные задачи

Вам будет легче изучить какой-то предмет, если вы будете переключаться с одной темы на другую.

«Перемежение разнотипных задач и знаний развивает способность различать их и выделять то общее, что есть между ними. Это поможет вам потом на экзамене или в реальной жизни, когда придётся опознавать род проблемы, чтобы выбрать для неё верное решение», — объясняют авторы книги. 4. Генерация: находим ответ, не дожидаясь подсказок

Вы с гораздо большей вероятностью запомните ответ, если придёте к нему сами, чем если узнаете его от кого-то другого.

Если речь идёт об учёбе, постарайтесь самостоятельно найти ответы на свои вопросы до того, как начнётся урок. Если о работе, попытайтесь придумать собственные варианты решения проблемы перед тем, как советоваться с руководителем. 5. Рефлексия: оцениваем случившееся

Потратьте несколько минут на то, чтобы оценить, как прошло совещание или как продвигается работа над проектом. Можете задать себе несколько вопросов, например: «Всё ли прошло по плану?», «Что можно улучшить?».

Исследователи из Гарвардской школы бизнеса обнаружили, что всего лишь 15 минут, потраченные в конце рабочего дня на то, чтобы записать свои наблюдения и замечания, увеличивают производительность на 23% 6. Мнемонические приёмы: используем трюки, чтобы вспоминать

Мы пользуемся такими приёмами, когда запоминаем что-то с помощью сокращений, рифмы или картинок. Сами по себе мнемотехники — это не инструмент обучения. Они помогают создать когнитивные карты и схемы, с помощью которых легче вспоминать изученное. 7. Калибровка: узнаём свои слабые места

«Калибровка — это использование объективного инструмента для того, чтобы избавиться от иллюзий и привести собственное суждение в соответствие с реальностью», — пишут авторы книги.

Это важный пункт, ведь все мы становимся жертвами когнитивных иллюзий. Мы уверены, что понимаем что-то, а на самом деле не понимаем или понимаем не до конца. Чтобы определить свои слабые места, пройдите тест или попросите коллег прокомментировать вашу работу.
favorite
Разработчики научили нейронную сеть подбирать идеальный подарок для любых людей

Разработчики научили нейронную сеть подбирать идеальный подарок для любых людей

Стартап ebo разработал сервис на основе нейронных сетей, который поможет подобрать наилучший подарок для ваших близких.

В это время года многие начинают суетиться, не зная, что подарить своим родным и друзьям. Однако в скором времени данная проблема может исчезнуть благодаря технологиям искусственного интеллекта. Молодая компания ebo разработала сервис для подбора подарков, который использует нейронные сети. Пользователям нужно будет лишь ответить на несколько вопросов сервиса, после чего он самостоятельно найдет идеальный подарок.

Нейронные сети – системы искусственного интеллекта, которые способны «учиться» в течение того времени, пока выполняют определенные задачи, накапливая огромную базу данных. Технология уже используется во многих областях, таких как сельское хозяйство, генетика и искусство. Компания Ebo для обучения своей нейросети использовала данные более чем 21 миллиона человек, которые анонимно отвечали на вопросы о своих интересах, привязанностях к брендам и определенной продукции.
favorite
Нейронную сеть, которая раскрашивает чёрно-белые изображения, можно потестировать онлайн

Нейронную сеть, которая раскрашивает чёрно-белые изображения, можно потестировать онлайн

Несколько лет назад мы публиковали статью об успехах Калифорнийского университета в создании нейронной сети, раскрашивающей чёрно-белые изображения в реалистичные цвета. Недавно пользователи reddit обратили внимание, что в сети появился онлайн-сервис от японских исследователей, который позволяет протестировать аналогичную разработку онлайн.

Как это работает?

Мы подробно писали об этом в статье про достижения учёных из Беркли. Впрочем, у японских исследователей есть свой рассказ — на странице проекта доступен текст и слайды к нему. Исходный код доступен на GitHub (сеть написана на Lua).

И что, у японцев получается так же хорошо, как и у учёных из Беркли?

Не совсем. Если главной проблемой сети Калифорницского университета были черезмерно яркие цвета, то у японской сети цвета зачастую получаются наоборот слишком тусклыми. Ниже мы подготовили несколько примеров того, как сеть раскрашивает изображения (а вы делитесь результатами своих экспериментов в комментариях). Кстати, до загрузки на сайт свовсем не обязательно делать изображение чёрно-белым — если загрузить цветную картинку, то система сама её обесцветит.

Фотография военных лет

Фотография с плаката «За Родину!»

favorite
Искусственный интеллект научился определять, являетесь ли вы преступником

Искусственный интеллект научился определять, являетесь ли вы преступником

Благодаря машинному обучению исследователи смогли повторить криминологический эксперимент по выявлению преступников, анализируя их лица.

Сяолинь Ву (Xiaolin Wu) и Си Чжань (Xi Zhang), исследователи из Шанхайского Университета Транспорта (Shanghai Jiao Tong University), выпустили неоднозначное исследование, посвящённое физиогномии.

Они выделили три особенности: искривление верхней губы, расстояние между глазами и угол между кончиком носа и двумя краями рта — предполагается, что эти особенности нашего тела помогут определить, является ли человек преступником.

Плохие новости для тех, у кого маленькие рты, искривленные верхние губы и узко посаженные глаза: вы, скорее всего, окажетесь мошенником. В среднем у преступников угол между носом и ртом меньше на 19,6%, искривление губы больше на 23,4%, а расстояние между глазами меньше на 5,6%.

«Алгоритмы компьютерного зрения, в отличие от людей, не имеют эмоций, субъективных оценок, предубеждений по поводу расы, религии, пола и т.д.» — говорится в исследовании.

Конечно, машины не имеют эмоций и совести, которая воспринимается как субъективный фактор, но это не значит, что данные не могут быть предвзятыми.

Подборка из 1856 лицевых портретов была оценена по полу, расе, возрасту и выражению лиц, практически половина изображений были фотографиями реальных осужденных. Для анализа взаимоотношений между выражением лица и криминалом использовалась смесь алгоритмов обучения и классификации и сверточной нейронной сети. Кстати, мы приводили и другие примеры использования сверточных нейронных сетей в нашей шпаргалке по нейронным сетям.

Это не первая сомнительная ИИ-разработка в этом году. Так, например, Beauty.ai — приложение, реализующее работу международного конкурса красоты под управлением искусственного интеллекта, использовало цвет кожи и этническую принадлежность для определения победителя. Результаты показали, что машины предпочитают светлый оттенок кожи, потому что почти все короли и королевы красоты были белыми.

Физиогномия, способность судить о характере человека только по его внешности, применялась древнегреческими учеными и была широко распространена среди философов. Хотя теория и была признана несостоятельной, различные исследования то и дело возникают в научном обществе.
favorite
Facebook тестирует возможность накладывать фильтры на видео в реальном времени

Facebook тестирует возможность накладывать фильтры на видео в реальном времени

Facebook начал тестировать новую фичу для камеры, благодаря которой фото и live-видео выглядят, как работы известных художников. На первый взгляд эффекты выглядят круто, хотя практически ничем не отличаются от эффектов в других приложениях. Но, если копнуть глубже, то окажется, что нововведение использует одну из самых важных AI-разработок компании, которая в будущем может помочь в управлении более сложными приложениями на основе искусственного интеллекта. Технология, которую в данный момент Facebook тестирует в Ирландии (позже планируются и другие страны), называется Style Transfer. Она позволяет добавлять стилизованные фильтры, которые сделают ваши фотографии или live-видео похожими на известные шедевры мирового искусства. Что выделяет Style Transfer из всех других подобных приложений, так это её возможность накладывать эффекты в реальном времени. В своей работе Style Transfer использует нейронные сети, которые научены пересоздавать стили известных художников. Нейронным сетям, как и другим AI-технологиям, для тренировки требуется гораздо больше вычислительной мощности, чем смартфон может предоставить. А заставить нейронные сети тренироваться на смартфоне в реальном времени еще сложнее. Конкурирующее приложение Prisma также использует локальные нейронные сети, но у нее процесс применения и наложения каждого фильтра занимает несколько секунд. «Это довольно большой прыжок в наших возможностях», — сказал Майк Шрёпфер, Facebook CTO, во время пресс-конференции в Сан-Франциско. Сами по себе фото- и видео-фильтры могут показаться неинтересными в плане их создания, но Майк заметил, что Style Transfer является лишь «верхушкой айсберга» того, что стало возможно. В основе технологии лежит новый AI-фреймворк под названием Cafe2 Go, который позволит воплотить в жизнь более сложные приложения под управлением искусственного интеллекта, а также компьютерное зрение. «Теперь появилась возможность управлять компьютерами с помощью жестов, компьютер будет видеть, куда вы показываете, и выполнять соответствующие действия, — написал Майк в своем блоге, — теперь мы можем опознавать выражения лиц и реагировать на них: например, накладывать ‘yay’ фильтр, когда вы улыбаетесь». Пока что это больше теоретический апдейт, нежели реальная фича, однако она позволяет по-новому взглянуть на то, как Facebook может использовать технологии искусственного интеллекта. Кто знает, может быть, им наконец удастся превзойти Snapchat.
favorite
10 книг для развития памяти

10 книг для развития памяти

Чтобы обладать феноменальной памятью, нужно её развивать. А в этом помогут правильные книги: с техниками запоминания и обучения, исследованиями о работе мозга, упражнениями и головоломками. 1. «Эйнштейн гуляет по луне. Наука и искусство запоминания», Джошуа Фоер Джошуа Фоер, победитель Чемпионата США по памяти, рассказывает о том, как он тренировал свою память в течение целого года. Его книга хороша не только тем, что в ней изложено множество популярных мнемонических методик — от ассоциативных связей до дворца памяти. В ней в доступной, увлекательной форме объясняются принципы работы нашего мозга и выводы передовых научных исследований. Кроме того, есть много интересных исторических отсылок. 2. «Думай как математик: Как решать любые проблемы быстрее и эффективнее», Барбара Оакли Хотя в первую очередь эта книга о математике и особенностях математического мышления, из неё вы узнаете много секретов эффективного обучения. Суть методики, которую предлагает Оакли, заключается в том, что нужно прийти к пониманию предмета. Если вы что-то сумели понять, то и запомнить это вам не составит труда. С этой книгой вы научите свой мозг осваивать новые, даже самые сложные области знания. 3. «Быстрый ум. Как забывать лишнее и помнить нужное», Кристин Лоберг, Майк Байстер Упражнения из этой книги нацелены на тренировку изобретательности и внимательности, умения быстро принимать решения и производить хорошее впечатление на окружающих. Хорошая память — приятное дополнение к этому списку. Отличное руководство для работы над собой и развития умственных способностей. 4. «Питание для мозга. Эффективная пошаговая методика для усиления эффективности работы мозга и укрепления памяти», Нил Барнард Барнард предлагает методику, чтобы эффективно использовать возможности своего мозга и избежать проблем с памятью в старости. Она включает три компонента: Правильное питание, чтобы мозг получал все необходимые полезные вещества. Упражнения для ума, чтобы укрепить нейронные связи. Устранение потенциальных физических угроз (нарушений сна, заболеваний, некоторых медицинских препаратов, которые могут оказать негативное воздействие). 5. «Память не изменяет. Задачи и головоломки для развития интеллекта и памяти», Анхельс Наварро Психолог Анхельс Наварро собрала упражнения, которые улучшают концентрацию и внимательность, учат мыслить более креативно. К тому же, все упражнения разделены по уровням, чтобы вы могли постепенно переходить от простых головоломок к самым сложным. Подача в игровой форме не даёт заскучать и задействует воображение. 6. «Развитие памяти. Классическое руководство по улучшению памяти», Гарри Лорейн, Джерри Лукас Основной метод для развития памяти, который рекомендуют авторы, — ассоциации. Остальные техники так или иначе связаны с ними. Они научат вас запоминать всё подряд: длинные слова и абстрактные понятия, списки дел и покупок, речи выступлений и тексты лекций, имена и лица людей, номера телефонов, даты, многозначные числа. 7. «Помнить всё. Практическое руководство по развитию памяти», Артур Думчев Артур Думчев, автор этой книги, помнит число Пи до 22 528 знаков после запятой. В своей книге он делится техниками по развитию памяти, которыми пользуется сам, чтобы быстро запоминать большие объёмы информации, решать в уме сложные задачи и заучивать наизусть длинные ряды цифр. В этом издании уклон на практическую работу с читателем. Предлагаются конкретные приёмы с понятными примерами, алгоритмами выполнения и пояснениями. 8. «Развитие мозга. Как читать быстрее, запоминать лучше и добиваться больших целей», Роджер Сайп Книга тренера и консультанта по саморазвитию Роджера Сайпа посвящена широкому кругу вопросов, связанных с ускоренным обучением: развитию памяти и интеллекта, скорочтению и управлению энергией, расстановке приоритетов и тайм-менеджменту. 9. «Нейробика. Экзерсисы для тренировки мозга», Лоренс Кац, Мэннинг Рубин Психологи Кац и Рубин доказали, что выполнение однотипных, скучных дел день за днём приводит к ухудшению памяти и снижению умственных способностей. Решение проблемы простое и очевидное: нужно добавить разнообразия в привычную рутину. Вам предстоит научиться выполнять необычным способом обычные действия: делать всё с закрытыми глазами, управляться левой рукой вместо правой, добираться новыми маршрутами. Эти забавные опыты помогают поддерживать жизнедеятельность клеток мозга. 10. «Гибкое сознание. Новый взгляд на психологию развития взрослых и детей», Кэрол Дуэк В основе книги простая идея — ошибаться можно, и это нормально. Гибкий подход, который пропагандирует Дуэк, это установка на рост: планомерно работая над собой, вы сможете развить любые свои качества. В том числе и память. Книга Дуэк — это заряд мотивации, который поможет вам становиться лучше и прийти к пониманию, что любой недостаток можно превратить в вашу сильную сторону.
favorite
Изучаем нейронные сети за четыре шага

Изучаем нейронные сети за четыре шага

В этот раз я решил изучить нейронные сети. Базовые навыки в этом вопросе я смог получить за лето и осень 2015 года. Под базовыми навыками я имею в виду, что могу сам создать простую нейронную сеть с нуля. Примеры можете найти в моих репозиториях на GitHub. В этой статье я дам несколько разъяснений и поделюсь ресурсами, которые могут пригодиться вам для изучения. Шаг 1. Нейроны и метод прямого распространения Так что же такое «нейронная сеть»? Давайте подождём с этим и сперва разберёмся с одним нейроном. Нейрон похож на функцию: он принимает на вход несколько значений и возвращает одно. Круг ниже обозначает искусственный нейрон. Он получает 5 и возвращает 1. Ввод — это сумма трёх соединённых с нейроном синапсов (три стрелки слева). В левой части картинки мы видим 2 входных значения (зелёного цвета) и смещение (выделено коричневым цветом). Входные данные могут быть численными представлениями двух разных свойств. Например, при создании спам-фильтра они могли бы означать наличие более чем одного слова, написанного ЗАГЛАВНЫМИ БУКВАМИ, и наличие слова «виагра». Входные значения умножаются на свои так называемые «веса», 7 и 3 (выделено синим). Теперь мы складываем полученные значения со смещением и получаем число, в нашем случае 5 (выделено красным). Это — ввод нашего искусственного нейрона. Потом нейрон производит какое-то вычисление и выдает выходное значение. Мы получили 1, т.к. округлённое значение сигмоиды в точке 5 равно 1 (более подробно об этой функции поговорим позже). Если бы это был спам-фильтр, факт вывода 1 означал бы то, что текст был помечен нейроном как спам. Иллюстрация нейронной сети с Википедии. Если вы объедините эти нейроны, то получите прямо распространяющуюся нейронную сеть — процесс идёт от ввода к выводу, через нейроны, соединённые синапсами, как на картинке слева. Я очень рекомендую посмотреть серию видеосерию видео от Welch Labs для улучшения понимания процесса. Шаг 2. Сигмоида После того, как вы посмотрели уроки от Welch Labs, хорошей идеей было бы ознакомиться с четвертой неделей курса по машинному обучению от Coursera, посвящённой нейронным сетям — она поможет разобраться в принципах их работы. Курс сильно углубляется в математику и основан на Octave, а я предпочитаю Python. Из-за этого я пропустил упражнения и почерпнул все необходимые знания из видео. Сигмоида просто-напросто отображает ваше значение (по горизонтальной оси) на отрезок от 0 до 1. Первоочередной задачей для меня стало изучение сигмоиды, так как она фигурировала во многих аспектах нейронных сетей. Что-то о ней я уже знал из третьей недели вышеупомянутого курса, поэтому я пересмотрел видео оттуда. Но на одних видео далеко не уедешь. Для полного понимания я решил закодить её самостоятельно. Поэтому я начал писать реализацию алгоритма логистической регрессии (который использует сигмоиду). Это заняло целый день, и вряд ли результат получился удовлетворительным. Но это неважно, ведь я разобрался, как всё работает. Код можно увидеть здесь. Вам необязательно делать это самим, поскольку тут требуются специальные знания — главное, чтобы вы поняли, как устроена сигмоида. Шаг 3. Метод обратного распространения ошибки Понять принцип работы нейронной сети от ввода до вывода не так уж и сложно. Гораздо сложнее понять, как нейронная сеть обучается на наборах данных. Использованный мной принцип называется методом обратного распространения ошибки. Вкратце: вы оцениваете, насколько сеть ошиблась, и изменяете вес входных значений (синие числа на первой картинке). Процесс идёт от конца к началу, так как мы начинаем с конца сети (смотрим, насколько отклоняется от истины догадка сети) и двигаемся назад, изменяя по пути веса, пока не дойдём до ввода. Для вычисления всего этого вручную потребуются знания матанализа. Khan Academy предоставляет хорошие курсы по матанализу, но я изучал его в университете. Также можно не заморачиваться и воспользоваться библиотеками, которые посчитают весь матан за вас. Скриншот из руководства Мэтта Мазура по методу обратного распространения ошибки. Вот три источника, которые помогли мне разобраться в этом методе: A Step by Step Backpropagation Example от Matt Mazur; Hacker’s guide to Neural Networks от Andrej Karpathy; Using neural nets to recognize handwritten digits от Michael Nielsen. В процессе прочтения первых двух статей вам обязательно нужно кодить самим, это поможет вам в дальнейшем. Да и вообще, в нейронных сетях нельзя как следует разобраться, если пренебречь практикой. Третья статья тоже классная, но это скорее энциклопедия, поскольку она размером с целую книгу. Она содержит подробные объяснения всех важных принципов работы нейронных сетей. Эти статьи также помогут вам изучить такие понятия, как функция стоимости и градиентный спуск. Шаг 4. Создание своей нейронной сети При прочтении различных статей и руководств вы так или иначе будете писать маленькие нейронные сети. Рекомендую именно так и делать, поскольку это — очень эффективный метод обучения. Ещё одной полезной статьёй оказалась A Neural Network in 11 lines of Python от IAmTrask. В ней содержится удивительное количество знаний, сжатых до 11 строк кода. Скриншот руководства от IAmTrask После прочтения этой статьи вам следует написать реализацию всех примеров самостоятельно. Это поможет вам закрыть дыры в знаниях, а когда у вас получится, вы почувствуете, будто обрели суперсилу. Поскольку в примерах частенько встречаются реализации, использующие векторные вычисления, я рекомендую пройти курс по линейной алгебре от Coursera. После этого можно ознакомиться с руководством Wild ML от Denny Britz, в котором разбираются нейронные сети посложнее. Теперь вы можете попробовать написать свою собственную нейронную сеть или поэкспериментировать с уже написанными. Очень забавно найти интересующий вас набор данных и проверить различные предположения при помощи ваших сетей. Для поиска хороших наборов данных можете посетить мой сайт Datasets.co и выбрать там подходящий. Так или иначе, теперь вам лучше начать свои эксперименты, чем слушать мои советы. Лично я сейчас изучаю Python-библиотеки для программирования нейронных сетей, такие как Theano, Lasagne и nolearn. Удачи!
favorite