数字编码及挂钩记忆

http://www.nowamagic.net/librarys/veda/detail/1719你所拥有的知识并不取决于你记得多少,而在于它们能否在恰当的时候被回忆起来. 让我稍微说得更详细一点:学习新知识并将其存放于大脑中,最终的目的是要在恰当的时候能够想得起来去使用.因此,学习的有效性显然应该这样来衡量:当遇到需要用到学过的知识的时候,相关的知识是否会自动从你脑海中“蹦”出来,最起码——能否通过有意识的搜索将它们提取出来. 这可不像它听上去那么简单,否则就不会有“掉书袋”.“读死书”这种

一件习以为常的事:1+1=? 当你使用做一道题1+1的时候,你先从记忆力提取出 数字1和+的含义,再通过提取并调用加法的知识,返回结果. 什么是记忆?如何记忆?如何提取记忆. 记忆就是人把自己看到听到感觉等等编码进大脑的神经网络的东西.提取记忆也是人像大脑的神经网络发出请求获取数据.我把记忆想像成一个复杂的网络上的点.通过与知识和其他数据的线索链接. 那么知识呢? 假设说记忆是数据,存在大脑神经网络的1/0数据.那么知识就是一堆操作数据的指令. 那么大脑是如何查找记忆的呢? 如果我是上帝也许我会

我这几天时间刚刚把<记忆力的革命>这本书看完第二遍.书的最后有一个七天的记忆训练很不错,通过这个历时一周的系列练习,可以让你快速增强你的记忆能力.这个训练很基础,也很容易坚持下来,我会分为七天来更新这个训练,希望各位读者一起来做这个训练. 这个七天的练习课程,但并不意味着你就必须每天做一种,不能中断.这本来就不是刻板的练习,而且为了轻松.如果需要,可以休息一两天,甚至两三天.而且,这和真正的在健身房骑自行车.踏步机或举重一样,有些人会发现自己对记忆力健身操上瘾,就可以挑战各种难度的练习了. !

记忆方法分为竞技型记忆技术和实用型记忆技术. 竞技型记忆技术和实用型记忆技术区别:前者不需要理解,后者需要理解.这也就是为什么很多记忆技术很难运用到学生学习过程中的原因,因为学生学习的知识是需要理解.记忆.思考的,否则不就变成了换种方式的死记硬背了. 按照我的理解记忆方法都是通过运用人的大脑的记忆特点通过加强训练从而实现快速记忆. 大脑的记忆特点: 记住图像比记住文字要容易 记住文字比记住无意义的数字要容易 竞技型记忆技术 宫殿记忆法(房间定位法.地点桩记忆法) 原理: 我们非常善于记住我们所知

我们在联想时要注意以下几点: 1.浮现物象     联想时要尽量使联想内容形象化.具体化.说十遍不如看一遍,实践证明了,实物教学远比单纯的讲解更容易让人理解,并能有助于回忆.同时物象记忆也符合我们 的记忆习 惯,比如当我说“太阳”这个词时,我们脑海里浮现的很可能不是这两个字,而是明晃晃或红彤彤的太阳形象:说老师时,你脑海里可能出现的是某位老师 的形象而不是“老师”这两个字:说到“恋人”,你想到的一定是最令你难忘的那个人.我们每个人来到世上后,不也都是先认识周围的环境物象,然后才学说话. 学各项技

正儿八经学习算法算起来也有快两个月了,之前作为计算机工科生虽然算法和数据结构是必修课,但实际上只是停留在“理解”的层面,相当肤浅,更遑论举一反三灵活运用了.因此,所谓“正儿八经”学习算法,意即开始对算法思想的本质进行归根究底的过程.对思维方法论进行归纳抽象的过程.对各种解题技巧进行一般化的过程.通过不断练习来让记忆内隐化的过程…… 在“正儿八经”学习算法之前,我曾经有大半年时间都在用业余时间“正儿八经”地学习心理学和认知神经科学.所以在开始正经思考算法问题之前做的第一件事情就是仔细琢磨一直令我困

你所拥有的知识并不取决于你记得多少,而在于它们能否在恰当的时候被回忆起来. 让我稍微说得更详细一点:学习新知识并将其存放于大脑中,最终的目的是要在恰当的时候能够想得起来去使用.因此,学习的有效性显然应该这样来衡量:当遇到需要用到学过的知识的时候,相关的知识是否会自动从你脑海中“蹦”出来,最起码——能否通过有意识的搜索将它们提取出来. 这可不像它听上去那么简单,否则就不会有“掉书袋”.“读死书”这种修辞手法了.为了更深入地说明这一点,以下是几个著名的关于学习与记忆机制的实验: <找寻逝去的自我>

学习随心记忆 人:记忆:遗忘:记忆曲线:七天不复习:忘完: 瞬时记忆:中短期:长期 (记忆) 人的记忆是灵活的:10-15岁期间,巅峰记忆: 用记忆方法,弥补记忆: 良好的睡眠: 睡眠,也是一个记忆转化的过程:水果,食物:规律的有氧运动:心情:好的心情状态:专注: 外界因素:复习频率,半个消失忘了,就这个时候去复习. 刺激强度,!!!除了日常刺激,然后也可以使用记忆法,9法,三大类 记忆怕混乱,混淆: 连锁记忆法短期记忆单元:七个单元(相对的) 把对象建立联系,记忆:减少记忆存储对象: (丰富的

最近哪里都去不了,还是在家学习点什么好,人工智能最近很火,来学学吧.长期和短期记忆(LSTM)网络是最先进的长期序列建模工具.然而,很难理解LSTM学到了什么,也很难研究他们犯某些错误的原因.卷积神经网络领域有很多文章和论文,但是我们没有足够的工具来可视化和调试LSTM. 在本文中,我们试图部分填补这一空白.我们从澳大利亚手语符号分类模型可视化LSTM网络的激活行为,并通过在LSTM层的激活单元上训练降噪自编码器来实现这一点.通过使用密集的自编码器,我们将LSTM激活值的100维向量投影到二维和