Learning how to learn

今日英文:

http://docs.oracle.com/javase/tutorial/jaxp/index.html

Java API for XML Processing (JAXP)

  • javax.xml.parsers: 通用接口

  • org.w3c.dom: DOM
  • org.xml.sax: SAX
  • javax.xml.transform: XSLT
  • javax.xml.stream:  StAX

jdom,dom4j

sax:

// Parser calls this for each element in a document
    public void startElement(String namespaceURI, String localName,
                             String qName, Attributes atts)
    throws SAXException
    {
        String key = localName;
        Object value = tags.get(key);
        if (value == null) {
            // Add a new entry
            tags.put(key, new Integer(1));
        } else {
            // Get the current count and increment it
            int count = ((Integer)value).intValue();
            count++;
            tags.put(key, new Integer(count));
        }
    }
// Create a JAXP SAXParserFactory and configure it
        SAXParserFactory spf = SAXParserFactory.newInstance();

        // Set namespaceAware to true to get a parser that corresponds to
        // the default SAX2 namespace feature setting.  This is necessary
        // because the default value from JAXP 1.0 was defined to be false.
        spf.setNamespaceAware(true);

        // Create a JAXP SAXParser
        SAXParser saxParser = spf.newSAXParser();

        // Get the encapsulated SAX XMLReader
        XMLReader xmlReader = saxParser.getXMLReader();

        // Set the ContentHandler of the XMLReader
        xmlReader.setContentHandler(new SAXLocalNameCount());

        // Tell the XMLReader to parse the XML document
        xmlReader.parse(convertToFileURL(filename));

技术区:

Learning how to learn:

    是否能加速理解?

      经典的学生求学之路,就是听讲座,读书;如果还不懂,只好枯燥地做大量习题(题海)或重看笔记。没有系统的方法,想更快地理解似乎是天方夜谭。理解的本质,像洋葱的层层表皮,从最肤浅的领会到深层次的理解,逐层巩固对科学革命的认知。

      加速学习的第一步,就是揭秘这个过程。如何洞悉问题,加深你的理解,取决于两个因素:

    1. 建立知识联系

    2. 自我调试排错

    钻研(The Drilldown Method)

      这个方法可以加速逐层增进理解的过程。这个方法是 MIT 一年修了 33 门课的神人总结的,至今已用于各科目的课题,包括数学、生物学、物理学、经济学与工程学。只需些许修改,它对掌握实用技能也效果很好,比如编程、设计或语言。这个方法的基本结构是:知识面、练习、自省。下面将解释每个阶段,阐明如何尽可能有效率地执行它们。

    第一阶段:知识面覆盖

      你不可能组织一场进攻,如果你连一张地形图都没有。因此,深入研习的第一步,就是对你需要学习的内容有个大致印象。若在课堂上,这意味着你要看讲义或读课本;若是自学,你可能要多读几本同主题的书,相互考证。

      学生们常犯的一个错误,就是认为这个阶段是最重要的。从很多方面来讲,这个阶段却是效率最低的,因为你每单位时间的投入只换来了最少量的知识回报。加速完成这个阶段,很有好处,这样,就可以投入更多时间到后面两个阶段。

      如果你在看课程讲座的视频,最好是调到 1.5x 或 2x 倍速快进。如果在读一本书,不要花时间去高亮文本。这样只会让你的知识理解停留在低层次,而从长远来看,也使学习效率低下。更好的方法是,阅读时只偶尔做做笔记,或在读过每个主要章节后写一段落的总结。

    第二阶段:练习

      做练习题,能极大地促进你的知识理解。但是,如果你不小心,可能会落入两个效率陷阱:

  1. 没有获得即时的反馈:研究表明,如果你想更好地学习,你需要即时的反馈。因此,做题时最好是答案在手,天下我有,每做完一题就对答案,自我审查。没有反馈或反馈迟来的练习,只会严重牵制学习效率;
  2. 题海战术:正如有人以为学习是始于教室终于教室,一些学生也认为大多数的知识理解产自练习题。是的,你总能通过题海战术最终搭起知识框架,但过程缓慢、效率低下。

  练习题,应该能凸显你需要建立更好直觉的知识领域。一些技巧,比如将会谈到的费曼技巧(the Feynman technique),对此则相当有效。对于非技术类学科,它更多的是要求你掌握概念而不是解决问题,所以,你常常只需要完成最少量的习题。对这些科目,你最好花更多的时间在第三阶段,形成学科的洞察力。

第三阶段:自省

  知识面覆盖,与做练习题,是为了让你知道你还有什么不懂。这并不像听上去那么容易,毕竟知之为知之,不知为不知,难矣。你以为你都懂了,其实不是,所以老犯错;或者,你对某综合性学科心里没底,但又看不确切还有哪里不懂。

费曼技巧(The Feynman Technique)

  “费曼技巧”,将帮助你查漏补缺,在求知路上走得更远。当你能准确识别出你不懂的知识点时,这个技巧助你填补知识的缺口,尤其是那些最难以填补的巨大缺口。这个技巧还能两用。即使你真的理解了某个想法,它也能让你关联更多的想法,于是,你可以继续钻研,深化理解。

  这个技巧的灵感,源于诺贝尔物理奖获得者,理查德·费曼(Richard Feynman)。在他的自传里,他提到曾纠结于某篇艰深的研究论文。他的办法是,仔细审阅这篇论文的辅助材料(supporting material),直到他掌握了相关的知识基础、足以理解其中的艰深想法为止

  费曼技巧,亦同此理。对付一个知识枝节繁杂如发丝、富有内涵的想法,应该分而化之,切成小知识块,再逐个对付,你最终能填补所有的知识缺口,否则,这些缺口将阻挠你理解这个想法。

费曼技巧很简单:

1. 拿张白纸;

2. 在白纸顶部写上你想理解的某想法或某过程;

3. 用你自己的话解释它,就像你在教给别人这个想法。

  最要紧的是,对一个想法分而化之,虽然可能重复解释某些已经弄懂的知识点。但你最终会到达一个临界点,无法再解释清楚。那里正是你需要填补的知识缺口。为了填补这个缺口,你可以查课本、问老师、或到互联网搜寻答案。通常来说,一旦你精准地定义了你的不解或误解,找到确切的答案则相对而言更轻松。

  对付你完全摸不着头脑的概念时我可使用费曼技巧,但翻开课本,找到解释这个概念的章节。我先浏览一遍作者的解释,然后仔细地摹仿它,并也试着用自己的思维详述和阐明它。如此一来,当你不能用自己的话写下任何解释时,“引导式”费曼技巧很有用处。

学习各种过程

  你也能通过费曼技巧去了解一个你需要用到的过程。审视所有的步骤,不光解释每一步在干什么,还要清楚它是怎么执行的。

学习各种公式

  公式,应该被理解,而不只是死记硬背。因此,当你看到一个公式,却无法理解它的运作机理时,试着用费曼技巧分而化之。

对付需要记忆的内容

  费曼技巧,也可以帮你自查是否掌握非技术类学科那些博大精深的知识概念。对于某个主题,如果你能顺利应用费曼技巧,而无需参考原始材料(讲义、课本等),就证明你已经理解和记住它。

形成更深刻的直觉(Deeper Intuition)

  结合做习题,费曼技巧能帮你剥开知识理解的浅层表皮。但它也能帮你钻研下去,走得更远,不只是浅层的理解,而是形成深刻的知识直觉。直观地理解一个想法,并非易事。它看似有些许神秘,但这不是它的本相。一个想法的多数直觉,可作以下归类: 类比、可视化、简化

类比:你理解一个想法,是通过确认它与某个更易理解的想法之间的重要相似点

可视化:抽象概念也常成为有用的直觉,只要我们能在脑海为它们构筑画面,即使这个画面只是一个更大更多样化想法的不完全表达;

简化:一位著名的科学家曾说过,如果你不能给你的祖母解释一样东西,说明你还没有完全理解它。简化是一门艺术,它加强了基础概念与复杂想法之间的思维联系

  你可以用费曼技巧去激发这些直觉。对于某个想法,一旦你有了大致的理解,下一步就是深入分析,看能不能用以上三种直觉来阐释它。期间,就算是借用已有的意象喻义,也是情有可原的。例如,把复数放到二维空间里理解,很难称得上是新颖的,但它能让你很好地可视化这个概念,让概念在脑海中构图成型。 DNA 复制,被想象成拉开一条单向拉链,这也不是一个完美的类比,但只要你心里清楚其中的异同,它会变得有用。

学得更快的策略

  在这篇文章里,描述了学习的三个阶段:知识面、练习、与自省。但这可能让你误解,错以为它们总在不同的时期被各自执行,从不重叠或反复。实际上,随着不断地深入理解知识,你可能会周而复始地经历这些阶段。你刚开始读一个章节,只能有个大概的肤浅印象,但做过练习题和建立了直觉以后,再回过来重新阅读,又会有更深刻的理解,即温故而知新。

非技术:

sdf

sdf

时间: 2024-10-13 05:51:07

Learning how to learn的相关文章

Learning How to Learn学习笔记(转)

add by zhj: 工作中提高自己水平的最重要的一点是——快速的学习能力.这篇文章就是探讨这个问题的,掌握了快速学习能力的规律,你自然就有了快速学习能力了. 原文:Learning How to Learn学习笔记 强力推荐的Coursera课程 “learning how to learn”. 这门课的一个主要观点是 diffuse mode thinking (如常规的身体锻炼) 对提高思考和学习能力有很大帮助.我实践了一两个月,感觉效果很好.工作中遇到的问题都更容易梳理解决.我们目标只

Learning How To Learn notes-Coursera

p.MsoNormal,li.MsoNormal,div.MsoNormal { margin: 0cm; margin-bottom: .0001pt; text-align: justify; text-indent: 10.0pt; font-size: 10.5pt; font-family: "Calibri", sans-serif } .MsoChpDefault { font-size: 10.0pt; font-family: "Calibri",

<Learning How to Learn>Week One: Focused versus Diffuse Thinking

1-1 Introduction to the focused and diffuse modes (4:40) 两种思考的模式:focused mode以及diffuse mode focused mode:是当有意识地专注思考问题或理解概念时的大脑工作模式.大脑的某些部分高强度的工作,但仅限于这一小部分. diffuse mode: 是大脑神经处于某种放松状态的模式.如果处理没有处理过的问题,需要新的想法,那么你的大脑找不到focused mode中存在的那部分固定的思考模式相关的神经,这就

Learning how to learn - Diffuse mode thinking

"there is no specific practice for diffuse thinking---one can say that it comes naturally. The only requirement is that we do focussed mode tasks and then take breaks in between. As taught in this course, taking a shower, going for a walk or a bicycl

A Gentle Guide to Machine Learning

A Gentle Guide to Machine Learning Machine Learning is a subfield within Artificial Intelligence that builds algorithms that allow computers to learn to perform tasks from data instead of being explicitly programmed. Got it? We can make machines lear

Udacity Nanodegree Program: Deep Learning Foundation: Week 17

Week 17: One-shot Learning Overview One-shot Learning Log 5/22/2017 Note What is One-shot Learning? [Wikipedia] One-shot learning is an object categorization problem in computer vision. Whereas most machine learning based object categorization algori

Bayesian machine learning

from: http://www.metacademy.org/roadmaps/rgrosse/bayesian_machine_learning Created by: Roger Grosse(http://www.cs.toronto.edu/~rgrosse/) Intended for: beginning machine learning researchers, practitioners Bayesian statistics is a branch of statistics

Machine Learning for Developers

Machine Learning for Developers Most developers these days have heard of machine learning, but when trying to find an 'easy' way into this technique, most people find themselves getting scared off by the abstractness of the concept of Machine Learnin

图像分类之特征学习ECCV-2010 Tutorial: Feature Learning for Image Classification

ECCV-2010 Tutorial: Feature Learning for Image Classification Organizers Kai Yu (NEC Laboratories America, [email protected]), Andrew Ng (Stanford University, [email protected]) Place & Time: Creta Maris Hotel, Crete, Greece, 9:00 – 13:00, September