how to learn

简介: how to learn

新想法,你不知道这个模式在哪和看起来怎么样,选择和移动都受阻

发散模式:

更概括的看实物,这是一种完全不同的全景视角,随着想法在新通道发散和穿梭,我们就会建立许多新的连接和专注模式不能共存,所以不能向之前一样专注于某个问题的解决方法,或者理解最细微的部分

爱因斯坦发散:完全放松收集灵感

面对一些困难的事情,想要锻炼你的神经,就需要每天做一些练习,逐步建立起思考的神经骨架,以此来努力面对和消化新事物

什么是学习

影响大脑运作的因素包括思考过程,记忆,群情绪和动机

睡觉可以形成新突触

拖延

当人们真正去做不喜欢的事情时,精神上的不适会很快消失

25分钟番茄钟

实践使记忆永存

数学不好类比,所以需要跟多的练习来建立神经连接,越是抽象的东西越是需要注重练习,这样虽然你涉及的概念是抽象的但你创建的神经思维模式是真实且具体的

与之相对的是填鸭式教育,是灌输式教育下的一种教育方式,轻视理解和练习


回忆:长期记忆,尝试解决问题:工作记忆两者互相关联

转成长期记忆:间隔重复,重复间隔不应过短

我们有时会把长期记忆带到工作记忆中以便于思考

工作记忆是你的大脑在即时且有意识地处理信息时所涉及的那部分记忆,工作记忆集中在大脑的前额叶皮质

工作记忆可以储存大约7项或7个组块,然而现在的共识是4个组块的信息

全神贯注的时候会无视那些侵占了工作记忆有限空间的冗余信息

长期记忆,需要多次回顾以增加需要时能够找到相关信息的几率

清醒会产生有毒物质,睡眠会增加脑内细胞之间的距离, 冲走有毒物质

更广阔的空间

沟通可以促进创新

大脑采取并行处理信息,一个问题堵住可以尝试下个问题

你太相信这些借口了

不管人们生活在什么样的环境中国,他们总能找到方法克服困难,所以说不要畏惧,现实生活并不是只有我命运多舛

直到你自己解决问题的时候,你才锻炼了你的大脑,并在你大脑中建立了独特的联系来解决特定的问题,也保证了你可以继续去解决其他创造性的问题,就是提高你的创造力

性格:

开放性,责任心,外向性,随和性,神经质

组块

数学题,虽然例题可以帮助建立组块,但是忽略了步骤之间的联系,即接下来为什么要进行这个步骤,接下来为什么进行这个步骤该怎么得出呢?

视频给出例题解法像地图一样,使用要根据当前情况的各种变化,甚至你会找到达到目的地的新方式

组块化的第一步就是对你想要组块化的信息全神贯注,所以不要学一会玩一会手机,这样会增加建立组块的难度因为你的大脑并没有完全投入到新信息的组块化中去,当学一些新的东西,会建立新的神经模型然后和之前已经存在的模型


组块的第二部要求对组块的对象有基本的了解,所以这就要求提前预习很有必要,理解像是强力粘合剂,如果没有理解的话就无法融入或者与你学习的其他材料相结合,关上书本检测自己可以帮助检验已经明白的问题,当自己独立解决出问题时才是真正掌握了他


所以不要只是光看不练和做

建立组块的第三部是获取背景知识

这样就知道how和when和where

背景的形成就是不断练习相关和不相关的问题

自下而上可以稳固和建立每一个组块,并帮助连接组块,自上而下是俯瞰可以宏观的来知道这些组块的主的方向两个过程缺一不可,背景是两个过程的交汇处即自上而下和自下而上都达到了一种程度

就比如拼图一样,


思维导图是回顾的最佳方式

把知识转换成组块,可以减少占用的插槽,同时变成容易遵循的成熟思路,比如数学题,一个部分的总的过程如果掌握的话,思考解题的话就会很容易,画线不如在旁边写关键总结

集中注意和认真很重要




解决问题的方式

大多数较难的都依赖直觉,即发散模式,最后需要专注模式小心的验证

还有仅在一个单一部分或者章节就有那么多问题和概念,我们看起来的时候觉得那么多根本无法全学会,这时机遇定律就发挥作用了,一旦你把第一个问题或者概念放进心理博物馆,第二个概念进去就会轻松很多,然后越来越容易

拖延

拖延看上去只是推迟了一件很小的事情,但是日积月累就会成为习惯

一旦你的行为形成了组块,那么再次做这种行为,就会进入类似僵尸的状态,只需要处理关键信息,不会需要全面兼顾而力不从心


习惯是我们的节能机制,他让我们大脑可以同时处理其他的活动

习惯的四个方面:信号.过程,奖励,信念


对自己说,别浪费时间了,马上动工,一旦开始了就会感觉好多了

学会把注意力集中到过程中而不是结果,这样就会减少拖延和开始的恐惧,比如专注于番茄时钟的时间段而不是最终的结果,僵尸习惯更喜欢过程因为它能不费心思的前进


通过禁止手机来隔离干扰信号


可以通过指制定计划来改变对信号的反应

可以和内心打赌和较量获得好习惯的奖励的


坚持好习惯的信念

相关文章
|
6月前
|
机器学习/深度学习 数据采集 自然语言处理
[GPT-2]论文解读:Language Models are Unsupervised Multitask Learners
[GPT-2]论文解读:Language Models are Unsupervised Multitask Learners
196 1
|
6月前
|
Python
[UNILM]论文实现:Unified Language Model Pre-training for Natural Language.........
[UNILM]论文实现:Unified Language Model Pre-training for Natural Language.........
41 0
|
存储 机器学习/深度学习 PyTorch
PyG学习笔记1-INTRODUCTION BY EXAMPLE(一)
PyG学习笔记1-INTRODUCTION BY EXAMPLE(一)
308 0
PyG学习笔记1-INTRODUCTION BY EXAMPLE(一)
Design Tutorial: Learn from Math
Design Tutorial: Learn from Math
104 0
Design Tutorial: Learn from Math
|
TensorFlow 算法框架/工具 Python
成功解决mnist.py:110: dense_to_one_hot (from tensorflow.contrib.learn.python.learn.datasets.mnist) is de
成功解决mnist.py:110: dense_to_one_hot (from tensorflow.contrib.learn.python.learn.datasets.mnist) is de
成功解决mnist.py:110: dense_to_one_hot (from tensorflow.contrib.learn.python.learn.datasets.mnist) is de
|
TensorFlow 算法框架/工具
成功解决read_data_sets (from tensorflow.contrib.learn.python.learn.datasets.mnist) is deprecated and wil
成功解决read_data_sets (from tensorflow.contrib.learn.python.learn.datasets.mnist) is deprecated and wil
|
TensorFlow 算法框架/工具 Python
成功解决tensorflow\contrib\learn\python\learn\datasets\mnist.py: maybe_download (from tensorflow.contri
成功解决tensorflow\contrib\learn\python\learn\datasets\mnist.py: maybe_download (from tensorflow.contri
|
TensorFlow 算法框架/工具
成功解决WARNING:tensorflow:From :read_data_sets (from tensorflow.contrib.learn.python.learn.
成功解决WARNING:tensorflow:From :read_data_sets (from tensorflow.contrib.learn.python.learn.
|
数据挖掘 TensorFlow 算法框架/工具
Introduction to the Keras Tuner
The Keras Tuner is a library that helps you pick the optimal set of hyperparameters for your TensorFlow program. The process of selecting the right set of hyperparameters for your machine learning (ML) application is called hyperparameter tuning or hypertuning.
252 0
|
TensorFlow 算法框架/工具 Python
TensorFlow Recommenders: Quickstart
In this tutorial, we build a simple matrix factorization model using the MovieLens 100K dataset with TFRS. We can use this model to recommend movies for a given user.
245 0