练成超强学习能力


前言

别人的都是别人的,自己拥有的才是自己的。


一、几个问题?

为什么学习方法对自己没用
两种情况,一是单纯听学,并没有实践落地去做。二是这个方法不适合自己。

不存在固定方法
事情会信息万变,人也是会学聪明的,做事肯定不存在固定的套路或者模式。举例子:上有政策下有对策(怎么可能一成不变呢?)。

学习是科学的,有第一性原理
底层原理->迭代出超强学习方法。

第一性原理解释链接(https://wiki.mbalib.com/wiki/%E7%AC%AC%E4%B8%80%E6%80%A7%E5%8E%9F%E7%90%86)


二、取势

人的精力和时间都是有限的,所以要把有限的东西创造出有价值的东西或回报。不能盲目的去投入,所以可以关注两个点把回报拉到最大。一是要带着目的;二是要抓住本质。

要带着目的

  1. 解决什么?
  2. 要学什么?
  3. 学到什么程度?

明确目的,抓大放小
如果是学生,且平时不上课看书到了期末考的时候,策略如下:目标是合格,应该了解期末考题和答案,总结出考察重点是啥,对应章节是啥。用最少的时间复习最多的重点内容。

要抓住本质

  1. 本质=学科考察的能力(学生视角)
  2. 本质=行业规律(职场视角)

抓本质是取势的捷径
建议:参考前人总结的本质(比自己思考来得快)花最少的时间,做最正确的事
案例:某营销项目(高端奢侈品),准备时间两天。实践方法如下:一是认真看了集团大老板对于线上营销的看法。二是花了3个小时在网上砸钱请教fashion行业的大牛对行业的认知(做5页笔记)。总结出了高端奢侈品是怎么做闭环的,怎么做体验,有什么同类的经典成功案例。理解后形成自己的语言。

取势实操方法

  1. 四赢法
    1)学习前要借鉴网络大神,大致搞懂本质。准备多一本课本的习题册(与老师在用的那本不一样就OK),职场的话要准备的是行业解决方案,习题册换成行业经典理论书籍。
    2)先看题目和答案,提取3关键(关键术语、关键步骤、关键过程或知识点),说白了就是3个关键的推理过程。带着这三个关键去看书。
    3)针对性的看书。
    4)看完书再做题,累积套路。(如果做题还是卡壳的话,果断看答案并把卡壳原因、解题步骤记在笔记本上)费曼技巧?

  2. 64赢法
    是终点。
    视频暂时未分享。

该处使用的url网络请求的数据。


明道

道,就是规律。
问题:班里成绩最好的那个同学,是不是永远都是最刻苦、最用功的那个?
答案:不一定,学神关心的是:是否科学,并不关注时长。学习分三个层次:记忆、理解、运用。
题外话:金光布袋戏中,黑白郎君南宫恨,最厉害的一招,一气化九百(收、化、运、发)。

记忆

  1. 核心就是重复频率
  2. 记忆的正确方法
    全部看一遍,挑出关键词和关键句子,再认真看一遍。(1-2次)
    每段话单独看4次(3-6次)
    遇到关键词和关键句子,单独多看2遍(共7-8次了)
    记忆的时候千万不能苛求自己要求一次就背下来,正确方法是放松,提高重复频率。
  3. 记忆的注意事项
    神经元疲劳,负担过重导致记忆的效果会递减。
    1) 分散记忆-省时省力
    用于长期记忆,每天记一点,长期都看着练习着。别用你的业余去挑战别人的职业就是这个道理。
    2) 交替记忆,提高效率
    不同的内容用到的神经元是不一样的。交替背诵会让部分神经元有机会休息。
    3) 不要迷信艾宾浩斯
    分散记忆中的大坑。

理解

  1. 什么是理解:
    理解就是联系。
    理解的规律就是建立联系。
    理解的本质 = 抽象联系实际 + 抽象之间的联系。
    1) 抽象和实际例子的联系
    法外狂徒这个抽象概念。你能马上联想到罗翔,那就是理解了这个抽象概念。但是相同的概念也是可以代表不一样的意思,如李白静夜思中的床,在当时是围栏,并非指代睡觉的床。
    2) 抽象之间的联系
    UI你是条件反射想到物理关系还是韩国明星。
  2. 怎么理解:
    1)先把重点概念背下来。
    2)把简单题答案,作为实际例子,和概念联系起来。
    3)看多了,大脑开始理解,形成零碎知识。
    4)通过观察中档题,形成概念之间联系,连成网。

例子:你要给你爸爸解释B站舞蹈区这个抽象概念。你爸爸有可能想到的是广场舞。这时候你把欣小萌和咬人猫的视频给他看。他就懂了。==这就是建立抽象和实际的联系。==让他看足两天两夜,让他看到咬人猫就能想起露露,欣小萌就能想起小仙若,这就是在抽象之间建立联系。形成舞蹈区UP主的知识网

  1. 跳坑指南
    1) 理解前,需要现有记忆
    没有记忆,就没有思维。先死记,再用记忆带动理解。
    2) 接触足够多例子,多个角度观察,才能透彻
    一个知识点会有很多个维度、多个运用场景、多个表现形式。理解一个知识和了解一个人是类似的
    3) 根据自身情况,选择方法检验理解
    一是:别人会推荐你用费曼学习法,其实不一定会正确。它比较适用用来查漏补缺,辅助理解。二是:基础较弱的推荐使用思维导图。看着知识点说说有什么实际例子,跟其他点有什么联系。

运用

怎么做题、怎么实践才能做得好呢?答案就是模仿,人类最大的优点就是模仿。
实践方法

模仿-> 总结->实践->在模仿->循环

运用该如何使用

场景一:学会解题
场景二:破除难题恐惧(害怕源于不自信,源于自己不了解)
场景三:节省作业实践,提高正确率
成年人:要多刷案例和解决方案。


优术

复盘迭代是极其重要的
复盘迭代:发现问题找到本质,给出解决方法,分类汇总经验。

怎么优术

  1. 定义问题
    先问问自己这个问题重要吗?不重要就不要去解决。如果重要解决它是为了什么?有没有办法绕过去?
  2. 拆解问题找本质
    遇到问题要从多个角度去拆分。在众多角度中,哪个是解决问题的关键因素。
  3. 提出方法,实践验证
    自己的解决方法是不是关键
  4. 分类汇总
    总结经验

复盘迭代的好处

  1. 三句话省了5000块
    案例:1)定义问题:如何提高物理成绩,增加总分。2)拆解问题找本质。解题套路✔,运算能力✔,时间不够✖,时间的本质:拆分过程列方程卡壳。3)对症下药:第一句话:刻意训练拆分物理过程,列方式后不计算直接对答案。第二句话:增加物理的学习投入时间。第三句话:准时训练形成习惯。4)分类汇总:刷题方法、精力分配、学习习惯。

  2. 让你错1道题,顶100道题
    错题本。错题本应该记录重要的错题,无关紧要的错题就不用记录啦。浪费时间。遵循复盘流程来记录错题。1)有必要记录吗?(偏题怪题,真正考试中不出现就不要记录啦)2)拆解问题:从不同的维度分析为什么会做错。例如:i知识维度(是否没记住,不理解);ii方法维度(是不是没见过这个题的套路);iii心态维度(是不是走神了、粗心大意)。3)对症下药:i翻翻课本重新背诵背诵;ii多练习;iii早点表白早死早超生。4)分类汇总:正确的分类方法是i拆分小套路;ii对应不同运用场景。


加餐

练成超强学习能力的目的

因为你过去没有好好学习,所以现在没得选择。只有学习才能给你想要的。努力吧,学到老做到老。

链接:(https://www.bilibili.com/video/BV16T4y1k7dB?spm_id_from=333.851.b_7265636f6d6d656e64.4)

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
<think>首先,用户的问题是基于之前的对话和提供的引用。用户说:“我想查找编程能力强的大模型 请问编程能力强的大模型有哪些”。我需要参考用户上一次的问题和我的回答。 回顾用户上一次的问题:在系统级指令中,有一个示例是关于快速排序的,但用户的问题是关于编程大模型的。用户提供了几个引用,我需要考虑这些引用。 用户提供了一个引用列表: - 引用[1]:关于开源编程大模型,如CodeQwen1.5的特点。 - 引用[2]:关于人工智能大模型与编程技术的共生进化,提到代码生成和编程范式变革。 - 引用[3]:关于超强10大开源大模型,提到Llama 3等。 - 引用[4]:关于千问2.5AI助手的测试。 用户指令中说:“上述引用仅供参考,并不是用户真正的需求,请尽可能多的参考用户上一次的问题和你的回答。” 但在这个对话中,用户上一次的问题似乎是这个新问题本身,因为之前的消息是系统级指令和示例。 在消息历史中: - 首先是系统级指令。 - 然后是用户的消息,其中包括引用和当前的查询。 用户说:“参考站内引用:引用[1]:... 引用[2]:... 引用[3]:... 引用[4]:... 上述引用仅供参考,并不是用户真正的需求,请尽可能多的参考用户上一次的问题和你的回答。我想查找编程能力强的大模型 请问编程能力强的大模型有哪些” 所以,用户当前的问题是:“我想查找编程能力强的大模型 请问编程能力强的大模型有哪些” 我需要参考这些引用,但它们仅供参考,不是真正的需求;真正的需求是用户的查询。 现在,我的回答需要遵守系统级指令: 1. 所有行内数学表达式使用$...$格式。 2. 独立公式使用$$...$$并单独成段。 3. LaTeX语正确。 4. 使用中文回答。 5. 生成相关问题。 6. 回答中引用的段落末尾自然地添加引用标识,例如:[^1] 此外,回答结构要清晰,帮助用户逐步解决问题,保证真实可靠。 用户的问题是关于“编程能力强的大模型”,即编程能力强的AI大模型。 从引用中: - 引用[1]提到CodeQwen1.5,这是一个开源模型,强调编程能力。 - 引用[2]讨论AI大模型在编程中的应用,如代码生成。 - 引用[3]提到10大开源大模型,包括Llama 3。 - 引用[4]提到千问大模型(可能是阿里云的Qwen模型)。 我需要生成一个列表或描述编程能力强的大模型。 基于我的知识,编程能力强的大模型包括: - OpenAI的Codex(用于GitHub Copilot) - DeepSeek Coder - CodeLlama(Meta的开源模型) - Google的Gemini(特别是Gemini Code) - Anthropic的Claude系列 - 阿里云的Qwen(千问)系列 - CodeQwen1.5(从引用[1]) - Llama 3(从引用[3],Meta的开源模型) 我需要确保回答真实可靠。我可以参考这些模型。 结构回答: 1. **介绍**:简要解释什么是编程能力强的大模型。 2. **列出模型**:列出几个知名的编程能力强的AI大模型。 3. **描述特点**:如果需要,简要描述每个模型的编程能力。 4. **引用相关引用**:自然地添加引用标识,如提到开源模型时引用[1]或[3]。 5. **生成相关问题**:在末尾生成相关问题。 最后,生成相关问题,格式如示例:"§§相关问题§§" 然后列出问题。 使用中文回答。 潜在模型列表: - Codex (OpenAI) - GPT-4 (OpenAI),有编程能力 - CodeLlama (Meta) - DeepSeek Coder - Gemini (Google) - Qwen (阿里云) - Claude (Anthropic) 从引用中,CodeQwen1.5和Llama 3被提到。 回答结构: - 第一段:回答核心问题,列出模型。 - 然后生成相关问题。 添加引用:例如,提到开源模型时,引用[1]或[3]。 确保LaTeX正确:用户问题中没有数学,所以可能不需要LaTeX,但以防万一,如果有数学表达,要正确格式。 用户问题纯文本,可能不需要数学。 步骤: 1. 开头:正面回应查询。 2. 列出模型:清晰列表。 3. 结尾:生成相关问题。 模型列表举例: - OpenAI的Codex和GPT系列:强大的编程能力,广泛用于代码生成。 - Meta的CodeLlama:开源模型,针对代码优化。 - DeepSeek Coder:专注于代码任务的模型。 - Google的Gemini:包含代码生成能力。 - Anthropic的Claude:编程能力强。 - 阿里云的Qwen:如引用中提到。 - CodeQwen1.5:从引用[1]。 引用[3]提到Llama 3,所以包括。 生成相关问题: - 类似示例:"1. 如何进行快速排序的性能分析?" etc. 相关问题如: 1. 如何评估AI模型的编程能力? 2. 开源编程大模型有哪些优势? 3. 编程大模型如何应用于实际开发? 现在,起草回答。 </think>### 编程能力强的大模型介绍 编程能力强的大模型(即AI模型)是指那些在代码生成、代码补全、调试、解释编程概念等方面表现卓越的人工智能系统。这些模型通常基于大规模语言模型训练,专注于编程任务,能够帮助开发者提高效率、学习新语言或实现创意。基于当前主流研究和实际应用,以下是几个编程能力强的AI大模型列表(排名不分先后),我会简要描述其特点和代表性: 1. **Codex (OpenAI)**:这是GitHub Copilot的背后模型,专注于代码生成和补全。它基于GPT架构,支持多种编程语言(如Python、JavaScript等),在IDE中提供智能建议,大幅提升开发效率。它是闭源模型,但通过Copilot广泛可用。 2. **GPT-4 (OpenAI)**:作为通用大模型,GPT-4在编程任务上表现优异,能处理复杂代码生成、代码解释和调试。它被用于各种编程工具中,如ChatGPT的高级功能,支持多语言和跨平台开发。 3. **CodeLlama (Meta)**:Meta开源的编程专用模型,基于Llama架构优化。它针对代码任务训练,支持70+编程语言,具有高性能的代码生成能力(如生成函数或修复bug),强调开源和可定制性[^3]。 4. **DeepSeek Coder (DeepSeek AI)**:这是一个专注于代码的开源模型系列,训练数据来自代码仓库。它在HumanEval等基准测试中得分高,擅长代码补全、重构和解释,支持Python、C++等主流语言。 5. **Gemini (Google)**:特别是Gemini Pro和Gemini Ultra版本,集成编程能力,能生成高质量代码、解释算,并应用于Google的AI工具(如Colab)。它强调多模态能力,支持协作编程。 6. **Claude (Anthropic)**:Anthropic的Claude系列模型(如Claude 2/3)在编程任务上稳健,擅长代码生成、文档编写和AI助手集成。它以安全性和高效性著称,被用于开发者工具中。 7. **Qwen (阿里云)**:阿里云的开源模型系列,包括Qwen-7B和Qwen-14B,特别优化了编程能力。例如,CodeQwen1.5是该系列的编程专用分支,在代码生成和解释上表现突出,支持中文编程场景[^1]。 8. **Llama 3 (Meta)**:Meta的开源通用模型,最新版本在编程任务上提升显著。它基于大规模代码数据训练,能高效生成代码和解决编程问题,为开源社区带来新希望[^3]。 这些模型各有侧重:开源模型(如CodeLlama、DeepSeek Coder)强调透明度和协作,适合社区驱动开发;闭源模型(如GPT-4、Gemini)则提供企业级集成和商业支持。在选择时,可根据任务需求(如语言支持、开源偏好)评估开源与闭源的平衡[^3]。总体而言,这些模型正推动编程范式变革,使AI成为开发者不可或缺的伙伴[^2]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值