自适应学习

自适应学习是指根据学习内容和学习方式的不同,可以将人的学习分为三种不同的类型,它们是机械的学习、示教的学习以及自适应的学习。自适应学习通常是指给学习中提供相应的学习的环境、实例或场域,通过学习者自身在学习中发现总结,最终形成理论并能自主解决问题的学习方式。

自适应学习,又可以分为:   

(1)发现学习。提供的学习材料是一些未经分类的事例或未经整理的经验数据,学习者的任务是从这些事例或数据中发现概念或规律。   

(2)解释学习。提供的学习材料是一个概念、该概念的一个例子和有关规则,学习者的任务是首先构造一个解释,说明给出的例子为什么能满足概念,然后将解释总结为概念。   

(3)例中学。即通过考察实例进行学习。根据学习任务的不同,这种学习有两种情况:一是提供某个概念的一系列正例和反例,学习者的任务是通过归纳推理,产生覆盖所有正例并排除所有反例的概念的一般描述;二是提供一个或几个有详细解题步骤的例题,学习者的任务是考察并理解这些例题,并通过类比学会解决其他类似问题。

(4)做中学。即通过解决具体的问题进行学习。在这种学习方式中,提供的学习材料是一系列的问题,学习者的任务是利用已经学会的知识解决这些问题,从而学会解决其他类似问题。

人们一般将产生式描述为“条件——动作”对。简单说明:
  规则1:如果是红灯,那么停下来等。
  规则2:如果是绿灯,那么穿过马路。
  我们可以把人类解决问题的知识看作一系列产生式规则,人一旦获得这些产生式规则,就能有效解决相应问题。这里要特别注意对“条件”、“动作”的理解:条件既可以是外界的某种刺激形式,也可以是短时记忆中存储的信息,除外部动作外,还包括对短时记忆中的内容所进行的内部操作。在学习中,动作主要指内部的心理操作。
  我们把产生式的条件部分进一步分为外部条件和内部条件,并描述了人解决问题的过程:外部信息作用于感觉器官,形成映像,再与人脑中存储的产生式系统相互作用,通过信息的检索与整合,激活有关的产生式,达到对条件的识别,进而产生动作。产生动作之后,反馈到产生式系统,进一步对其评价与校正,并存储到产生式系统。从中可以看到,要解决好问题,人就需要构建好产生式系统,其中关键是对产生式条件部分的识别。因此,要特别注意对条件部分的学习。

时间: 2024-12-27 15:10:08

自适应学习的相关文章

SASS+COMPASS 自适应 学习笔记

来源 http://snugug.github.io/RWD-with-Sass-Compass/#/ 1 安装 COMPASS 扩展 安装 方式 gem 'extension', '~>X.Y.Z' 命令行安装 require '{extension}' @import '{extension}'; sass 文件导入   扩展1 http://breakpoint-sass.com/ 扩展2 http://singularity.gs/ 3 盒子模型 @import 'compass'; /

bootstrap自适应学习

因为公司的开发需要,需要我这个做后端的去处理bootstrap的自适应模块,哎呀,之前其实是没有搞过这个的,而且时间只给了你两天时间, 其实学习上来说,感觉时间是比较紧张的,也就只好从头开始学习了,以前都是写的pc端前端页面,很少需要适应到移动端的,不过 这一次的pc端代码, 换了显示器大一点的也就乱了套了,看来还是需要重新写啊,不然真的效果不好,也没有办法了,开始学习吧. 了解下bootstrap的栅格,不能写死像素,这个是学习自适应的第一步吧,我之前都是写死像素的. 原文地址:https:/

eChars移动端自适应学习笔记

有时会出现一个图表需要同时在PC.移动端上展现的场景.这需要 ECharts 内部组件随着容器尺寸变化而变化的能力.为了解决这个问题,ECharts 完善了组件的定位设置,并且实现了类似 CSS Media Query 的自适应能力. ECharts组件的定位和布局 大部分『组件』和『系列』会遵循两种定位方式: 一.left/right/top/bottom/width/height 定位方式: 这六个量中,每个量都可以是『绝对值』或者『百分比』或者『位置描述』. 绝对值  : 单位是浏览器像素

Deep Learning(深度学习)学习笔记整理

申明:本文非笔者原创,原文转载自:http://www.sigvc.org/bbs/thread-2187-1-3.html 4.2.初级(浅层)特征表示 既然像素级的特征表示方法没有作用,那怎样的表示才有用呢? 1995 年前后,Bruno Olshausen和 David Field 两位学者任职 Cornell University,他们试图同时用生理学和计算机的手段,双管齐下,研究视觉问题. 他们收集了很多黑白风景照片,从这些照片中,提取出400个小碎片,每个照片碎片的尺寸均为 16x1

Deep Learning(深度学习)学习笔记整理系列之(八)

Deep Learning(深度学习)学习笔记整理系列 [email protected] http://blog.csdn.net/zouxy09 作者:Zouxy version 1.0 2013-04-08 声明: 1)该Deep Learning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的.具体引用的资料请看参考文献.具体的版本声明也参考原文献. 2)本文仅供学术交流,非商用.所以每一部分具体的参考资料并没有详细对应.如果某部分不小心侵犯了大家的利益,还望海涵,并联系博主

斯坦福CS231n—深度学习与计算机视觉----学习笔记 课时12&&13

课时12 神经网络训练细节part2(上) 训练神经网络是由四步过程组成,你有一个完整的数据集图像和标签,从数据集中取出一小批样本,我们通过网络做前向传播得到损失,告诉我们目前分类效果怎么样.然后我们反向传播来得到每一个权重的梯度,这个梯度告诉我们如何去调整每一个权重,最终我们能够更好的分类图片. 为什么要使用激活函数? 如果在整个的神经网络中不使用激活函数,你的网络的分类能力基本等同于一个线性分类器,所以激活函数是相当关键的.他提供了所有的方法,你可以他用来存储数据 BN使得网络的训练更加健壮

也谈在线教育产品如何激发用户持续的学习动力

来源: http://mt.sohu.com/20150727/n417624016.shtml 相信很多人跟我一样都有过这样的学习体验:一开始的时候很想学点东西,热情特别高,下了很大的决心,坚持每天都去学习,但是学着学着,热情日渐消退,首要的目标不再是“学好”了,莫名其妙的竟变成了“学完”,比如在多看上看书的时候,经常会下意识的看当前的阅读进度,哎呀,300多页的书怎么才看了150多页啊?得抓紧时间看了. 这其实就是学习动力下降的表现了,不在是主动的去学习,而是把学习当成了一项不得不完成任务.

[转载]Deep Learning(深度学习)学习笔记整理

转载自:http://blog.csdn.net/zouxy09/article/details/8775360 感谢原作者:[email protected] 八.Deep learning训练过程 8.1.传统神经网络的训练方法为什么不能用在深度神经网络 BP算法作为传统训练多层网络的典型算法,实际上对仅含几层网络,该训练方法就已经很不理想.深度结构(涉及多个非线性处理单元层)非凸目标代价函数中普遍存在的局部最小是训练困难的主要来源. BP算法存在的问题: (1)梯度越来越稀疏:从顶层越往下

深度学习八

转载:http://blog.csdn.net/zouxy09/article/details/8782018 接上 十.总结与展望 1)Deep learning总结 深度学习是关于自动学习要建模的数据的潜在(隐含)分布的多层(复杂)表达的算法.换句话来说,深度学习算法自动的提取分类需要的低层次或者高层次特征.高层次特征,一是指该特征可以分级(层次)地依赖其他特征,例如:对于机器视觉,深度学习算法从原始图像去学习得到它的一个低层次表达,例如边缘检测器,小波滤波器等,然后在这些低层次表达的基础上