Техника Фейнмана и машинное обучение

Внутри сетей нейронов находится черный ящик, с помощью которого разум учится понимать вселенную. Это может относиться и к биологическому разуму, и к разуму машины. В 1943 году математик Уолтер Питтс и нейрофизиолог Уоррен МакКаллок написали статью, демонстрирующую, как функционирует биологическая нейронная сеть, используя сеть электрических цепей. Достижения в ближайшие годы будут включать открытие Дональда Хебба в 1949 году, что нейроны в органической нейронной сети укрепляются при совместном запуске, и смоделированную нейронную сеть в IBM в 1950-х годах. Итак, какое отношение все это имеет к технике Фейнмана?

Ричард Фейнман был физиком, известным своим вкладом в квантовую электродинамику и Манхэттенский проект. Среди своих сверстников Фейнман также носил титул Великого Объяснителя. Он был известен в академических кругах своей способностью понимать и объяснять сложные идеи простыми словами. Его ключ к эффективному обучению был назван Техникой Фейнмана. Чтобы выполнить технику Фейнмана, человек читает то, что он хочет узнать. Затем они объясняют или демонстрируют концепцию максимально простыми словами. Наконец, они рассматривают объяснение качества и точности. Ключом к эффективности техники является объяснение. Объяснение помогает учащимся выявить пробелы в их понимании. Цель формирования простого объяснения состоит в том, чтобы облегчить бремя запоминания и улучшить понимание. Подводя итог, можно сказать, что учащийся читает, преобразует, объясняет, затем корректирует до тех пор, пока не будет работать достаточно хорошо, чтобы обучение соответствовало его цели.

Технику Фейнмана можно продемонстрировать с помощью симметрии. Чтобы получить материал для чтения о симметрии, мы не ищем ничего, кроме словаря. Симметрия — это свойство геометрической формы, в котором каждая половина является отражением другой. Это не точная цитата из Оксфорда или Вебстера, и она не идеальна. Вместо этого наши ресурсы были определены, а контент был преобразован в соответствии с нашей целью. Поскольку объяснение сохраняет свой смысл, упражнение можно считать выполненным. Однако графическому дизайнеру не платят за определение симметрии. Им платят за использование. Представьте на мгновение, что учащийся нарисовал заглавную букву А. Теперь учащийся определяет, была ли продемонстрирована симметрия. Заглавная буква А сохраняет свое отражение слева и справа от центра. Таким образом, обучаемый правильно продемонстрировал симметрию. Если бы они использовали другую форму, например, букву F, определение не выдержало бы, и они бы пересмотрели его.

Для целей этого объяснения мы определим машинное обучение как процесс обучения модели прогнозированию значения. Наша модель в этом случае будет построена с помощью нейронной сети. Для начала мы определяем подходящий набор данных. Если данные нуждаются в преобразовании, мы сделаем это, прежде чем продолжить. Как только наши данные будут готовы, они будут переданы в модель. Чтобы модель обучалась, она будет предсказывать значение, которое уже известно, на основе закономерностей, наблюдаемых моделью. Если известное количество равно предсказанному, никаких изменений не требуется. Если прогноз отличается от известного количества, сеть скорректируется. Этот процесс будет продолжаться до тех пор, пока модель не будет работать достаточно адекватно для выполнения своей цели. Таким образом, модель будет читать, прогнозировать и анализировать до тех пор, пока не сможет выполнить свою задачу.

Чтобы продемонстрировать это, воспользуемся следующей матрицей:

[
[1, 2, 3],
[2, 3, 4],
[5, 6, 7]
]

Данные подаются в модель. Модель может заметить закономерность. Второе число многократно больше первого на единицу. То же самое верно для второго и третьего числа. Если мы протестируем модель, предоставив ей [5, 6, x], ожидаемый результат x равен 7. Если модель выдает другое значение, например 6 или 8, модель будет корректироваться в сторону правильности.

Почему метод Фейнмана работает? Он отвечает за то, как собственная нейронная сеть человека воспринимает новую информацию. Первоначальная концепция нейронной сети была вдохновлена ​​тем, как ведут себя синапсы мозга. При сравнении процесса обучения человека с нейронной сетью становятся видны сходства. Для машины выбираются и преобразуются данные, затем она обучается, тестируется и настраивается. Человек выбирает материал для чтения и может преобразовывать прочитанное в заметки. Затем материал объясняется, проверяется и корректируется.

Хотя люди — не машины, машинное обучение дало человечеству прекрасное представление о том, как мы можем учиться эффективно. Машины еще не могут выполнять определенные задачи так, как человеческий мозг, но невероятные успехи в распознавании изображений, предсказании предпочтений, научных исследованиях и многом другом продемонстрировали, что границы биологического и цифрового разума находятся за горизонтом.

Источники

https://www.colorado.edu/artssciences-advising/resource-library/life-skills/the-feynman-technique-in-academic-coaching

https://www.nobelprize.org/prizes/physics/1965/feynman/biographical/

https://www.britannica.com/biography/Ричард-Фейнман

https://www.merriam-webster.com/dictionary/symmetry

https://cs.stanford.edu/people/eroberts/courses/soco/projects/neural-networks/History/history1.html