继续坚持贯彻我的系统纠错机制。每做错一个题，我都记录在本子上，并分析出错的原因。这样，在纠错的过程中我的知识疏漏不断得到弥补，水平不断提高。

我们制定工作流程时，可以循序渐进，先考虑现成的、拓展能力更强的工具（例如上文提到的 iPic、快捷指令）；如果想向上探索，可以优先考虑学习跨平台、通用的脚本语言（例如 Python 或者 Bash）。总之，要从需求出发、量力而行，避免为编程而编程，陷入时间和精力的黑洞中。毕竟我们是用户啊。

Reducing friction for non-English speakersDr. Anthony Kaziboni, the Head of Research at the University of Johannesburg, teaches students who mostly don’t speak English outside of the classroom. Kaziboni believes that command of English is a tremendous advantage in the academic world, and that misunderstandings of even small details of English grammar can hold back students from recognition and opportunity. He encourages his students to use ChatGPT for translation assistance, to improve their English writing, and to practice conversation.

Building quizzes, tests, and lesson plans from curriculum materialsFran Bellas, a professor at Universidade da Coruña in Spain, recommends teachers use ChatGPT as an assistant in crafting quizzes, exams and lesson plans for classes. He says to first share the curriculum to ChatGPT and then ask for things like fresh quiz and lesson plan ideas that use modern or culturally relevant examples. Bellas also turns to ChatGPT to help teachers make sure questions they write themselves are inclusive and accessible for the students’ learning level. “If you go to ChatGPT and ask it to create 5 question exams about electric circuits, the results are very fresh. You can take these ideas and make them your own.”

Dr. Helen Crompton, Professor of Instructional Technology at Old Dominion University, encourages her education graduate students to use ChatGPT as a stand-in for a particular persona—like a debate partner who will point out weaknesses in their arguments, a recruiter who’s interviewing them for a job, or a new boss who might deliver feedback in a specific way. She says exploring information in a conversational setting helps students understand their material with added nuance and new perspective.

We’re sharing a few stories of how educators are using ChatGPT to accelerate student learning and some prompts to help educators get started with the tool. In addition to the examples below, our new FAQ contains additional resources from leading education organizations on how to teach with and about AI, examples of new AI-powered education tools, and answers to frequently asked questions from educators about things like how ChatGPT works, its limitations, the efficacy of AI detectors, and bias.

程序员使用 Obsidian 的经验 --- 我的工作流

在[最佳章节]中，关于[插入学习目标]最重要的20%是什么，这将帮助我理解其中的80%

我的学习系统本身有两个组成部分：一个抽认卡系统和一个受 Zettelkasten 启发的定制笔记库——这是一个由社会科学家尼克拉斯·卢曼开发的笔记系统。Zettelkasten 是我花时间处理、分类和连接我阅读的内容的地方。

所以我不得不在系统中添加另一个部分来根据单词的使用频率对单词进行排序。我发现最准确的代理是一个词的谷歌结果数。 这样我最终会学习到真正有用的词汇，而且我不会不小心学到母语人士甚至不知道的单词。

第 1 遍： 把一页（组）单词按照看完英语看汉语的方式快速扫过，然后立即回过头来迅速复习一遍，然后用相同方法背诵第二页（组），直到一个 List 结束。 等一个 List 单词过完之后，再回过头来把刚过的这个 List 迅速复习一遍。 复习时尽量只看英文想中文，建议用一张卡片挡住中文释义。想不到就迅速移开卡片看一下。这时忘记很正常，请不要觉得受挫，马上看一下相当于又重复了一遍。 每天的任务量可以定在 1～3 个 List，并不强求一致，也可以循序渐进，但最好能每天新背到 400 个单词。 如果有时间，每天复习前一天背过的单词最好，没有时间复习就不复习了。事实证明只要最后能做到几乎每天看一遍（这个后面会说），一开始复习不复习影响不大。这一点与用软件背单词略有区别，毕竟有了软件辅助，我们不用记今天究竟该复习哪些单词。用词汇书时可以做一些简化。 第一遍大概用一个半月左右时间过完。这个时间因人而异，一般来说最慢每天 1 个 List 的速度也是正常的。 第 2 遍： 第二遍一开始看单词就要用卡片把中文堵上。如果这个单词认识就在左边画一个记号，如果不认识就移开卡片看一下中文意思。这样看完一个 List 以后，马上回过头来看刚才没有做标记的那些单词，这时要强制自己跳过已作标记的词（即目光都不要停留）。同样把中文意思按上，不管认识不认识都不做标记。然后开始第二个 List。 第二遍可以考虑一天看 4 个 List（List 的数量酌情增加，没有一定之规）。 第二遍大概半个月看完。 第 3 遍～第 N 遍： 第三遍看的时候要看所有单词（包括第二遍标记的），并同时标记第三遍新认识的单词（换一种记号，第二遍标记过的不要重复标记），如果第二遍做过标记的又不认识了，再记一遍，不用把标记涂掉。过到 2 个 List 的时候回来复习，只看无标记的，无论第二遍标记的还是第三遍标记的都强制跳过。 第三遍可以考虑一天看 6 个 List。 从第四遍开始至第 N 遍方法与第三遍一样，唯一不同的是要酌情增加每次看的 List 数（即看多少个 List 后回来复习）和每天看的 List 数。 如果非要问 N=?，我觉得就选 N=30 吧。 5. 其他事项： 无论背到哪里停下，再拿起来要从那里继续开始。这样可以有效的利用零碎时间看单词。即使中间停的时间很长，比如好几天没有碰，也要从停下的地方继续。大部分人背单词放弃是在第一遍还没背完的时候。 每次的记号最好不要一样，这样你可以明白那个单词你是第几遍会的，如果需要重点看一些单词的话，可以有针对性的看一些背诵遍数较少的单词。 到第 10 遍左右的时候可以统计一下记住了百分之多少，如果已经到了 70% 以上，可以有针对性的对没有记号的单词多过几遍。 背诵时不要往前翻，也不要往后翻，只背诵手里这一页。往前翻会发现以前背过的有很多都不会，往后翻会觉得还有很多要背，这都会增加心理负担，影响做事情效率。 当你背诵到第四五遍发现有还有大量单词不认识的时候，不要恐慌，因为总有一些单词是在第十几遍的时候才记住的。你会在其中某一遍突然发现自己记住了很多单词。 等背到十几遍时，到你会发现，你甚至一天花两小时就可以把词汇书整体翻一遍，后面背多少遍都变得简单了。 这个方法的原理是，对于已经记住的和容易记住的单词，少记几遍；对于没有记住和不容易记住的单词，多记几遍。 不需要任何计划表，如果你仔细阅读了，你会发现只有一个简单的方法，不断的重复而已。

因此，每天任务量建议是：在你精力和时间允许的情况下，越多越好。通常来说，一天新背 300～400 个单词是个比较好的指标。所谓「新背」，即除了你当天要复习的单词任务之外，你背的新单词。当然，一开始你只有新单词，当你将词表完全背完一遍之后，你自然就只需要复习了。 如果你一开始做不到每天背这么多单词的话，可以循序渐进，从每天 100 个左右开始。但循序渐进不意味着循序放弃。当你能够坚持每天看 100 个单词时你需要给自己压力，让这个数字逐步提升。你早就知道，这个过程不容易。

There are a number of different types of learning

自学编程四个月了，感觉都会了，又感觉什么都不会。这种状态下我下一步该怎么做？

如何辨别一个程序员水平的高低？

Effective Java一书中的代码规范现实中的你或者你所在的团队做到了几条？

有哪些 Java 源代码看了后让你收获很多，代码思维和能力有较大的提升？

如何评价《Effective Java》这本书？

的

Java线程池实现原理及其在美团业务中的实践

专攻哪门编程语言好？

在姚班做普通人是一种什么样的体验？

计算机领域有哪些短小精悍的轮子？(仅用于教学)？

比起其他主题，自学数据库系统需要更多的付出。这是一个相对年轻的研究领域，并且出于很强的商业动机，研究者把想法藏在紧闭的门后。此外，许多原本有潜力写出优秀教材的作者反而选择了加入或创立公司。

学习编译原理有什么好的书籍?

目前，人工智能各个流派发展现状如何？

GitHub 上有哪些适合新手跟进的优质项目？

graph convolutional network有什么比较好的应用task？

和C++相比，Java 学习成本高吗？

Spark 千万级用户相似度计算？

号称终极快速学习法的费曼技巧，究竟是什么样的学习方法？

学习分布式系统需要怎样的知识？

Linux 内核学习的经典书籍及途径？

一千行以下有哪些值得学习的小型开源项目？

开发一款浏览器内核需要学习哪些方面的知识？

Links are bi-directional. If you link two processes and one of them crashes, the other side will crash too (unless it is trapping exits). A monitor is uni-directional: only the monitoring process will receive notifications about the monitored one. In other words: use links when you want linked crashes, and monitors when you just want to be informed of crashes, exits, and so on.

那么无监督学习可以回答什么样的问题呢？我们来看看下面的例子： 聚类（clustering）问题：没有标签的情况下，我们是否能给数据分类呢？比如，给定一组照片，我们能把它们分成风景照片、狗、婴儿、猫和山峰的照片吗？同样，给定一组用户的网页浏览记录，我们能否将具有相似行为的用户聚类呢？ 主成分分析（principal component analysis）问题：我们能否找到少量的参数来准确地捕捉数据的线性相关属性？比如，一个球的运动轨迹可以用球的速度、直径和质量来描述。再比如，裁缝们已经开发出了一小部分参数，这些参数相当准确地描述了人体的形状，以适应衣服的需要。另一个例子：在欧几里得空间中是否存在一种（任意结构的）对象的表示，使其符号属性能够很好地匹配?这可以用来描述实体及其关系，例如“罗马” − “意大利” + “法国” = “巴黎”。 因果关系（causality）和概率图模型（probabilistic graphical models）问题：我们能否描述观察到的许多数据的根本原因？例如，如果我们有关于房价、污染、犯罪、地理位置、教育和工资的人口统计数据，我们能否简单地根据经验数据发现它们之间的关系？ 生成对抗性网络（generative adversarial networks）：为我们提供一种合成数据的方法，甚至像图像和音频这样复杂的非结构化数据。潜在的统计机制是检查真实和虚假数据是否相同的测试，它是无监督学习的另一个重要而令人兴奋的领域。

我们发现，学习的有力方法之一就是，给学生提供经过加工的例子，一步步解决问题的例子[7，8]。让学生通过这些例子，找出如何从一个步骤到下一个步骤。现在，这有点像从实践中学习 —— 扔给学生一个问题，让他或她去解决它。但通过提供例子，你是让学生一步步解决一系列子问题。你可以根据学生的难易程度，把每一步都做得很长或很短。

信息成瘾像食物如果你和食物关系不好，他们将会破坏你的生活。信息比食物还危险，因为吃饭至少还需要做饭和刷碗（外卖似乎快颠覆了这个问题），但是信息消费却毫不费力，你身边总有屏幕食物还会反应在身体上比如一段时间吃多了，会感觉变胖但是信息却容易被忽视因为除了让你自己心烦意乱，其他并没有什么明显的特征如果你吃饱了，你是无法再吃下去几个蛋糕的所以你也应该像这个样子，控制你对信息的摄入

日常生活中，我们或多或少会遇到这样的情况：面试时考官问了一个自己十分熟悉的问题，但自己却只能流于表面、无法深入；平时讨论问题时口若悬河，一到命题作文就无从下笔；热衷看书，但是合上书本之后却发现自己似乎没记住什么。在这个竞争激烈的年代，我们希望自己能高效地获取信息、吸收知识。于是，我们走上了知识管理的道路。

这背后的原因，很大程度上，就是因为缺少输出 —— 我们不断地用「输入」的新鲜感来刺激大脑，却一直害怕思考和付出。

我一般的阅读流程：先在 Goodreads 上寻找最近热门的英文书籍，下载导入到 iBooks ；滚动式阅读；遇到需要理解的句子、定义、描写优美的句子划线标记；遇到不懂的单词，结合欧陆词典查询并标记（开启欧陆词典的翻译黏贴版功能）；最后导出笔记重点理解，后续阅读。

做减法，你是说学习的方向对吧，还是什么，我给你排个序吧，健康，关系，技能，这仨你优先吧，占掉你日常可支配时间的50%就行，其他细枝末节你随意发挥，对了，对学习技能效率感到纠结的话，这里补一条，学技能可以去B站，大都有，包教包会，谁试谁知道，

“一旦你对某个领域的知识标准高到一定的程度，就只有靠自己，就算是初学也一样。因为很多的技能都失传了，所以如果艺术想要达芬奇或者米开朗基罗那样的风格，音乐要巴赫那样的风格，就别考虑找老师了，因为老师的风格可能根本不是你想要的，他们自己都是从别的地方学来的，经过了各种歪曲之后的方法。那怎么办呢？大师们的真迹都还在呢。就算你看不到真迹，照片也会提供很多的启发。很多人都以为语言，音乐，体育运动这类领域不能自学，必须有老师现场指导，我的经历证明他们都错了。对“老师”这一概念的依赖性，使得他们没有意识到自己的认知能力可以有多强。”

你要“从别人的错误中学习，因为你没有时间去体会所有的过失”

大学的建立是为了培养学生进行智力探索，但是现在，大学越来越转向职业培训，这根本不是建立大学的原始目的。 -- David Perell

终身学习的首要问题是，你一定要尝试找到乐趣，以及可持续的长期动力。 -- 《学习而不感到厌倦》

拥有文字之前，人类就已经能够说话，只不过能说的没那么复杂、要说的也非常简单而已。

总结 用Quizlet打造你自己的单词体系并不断学习巩固，至于学习的频率，就交给reminDO。具体操作方法如下： 1.将你要背的单词分为几个小块，比如一天想背100个单词，列为一个List，如“List 1”。 2.将这个“List 1”的单词输入进Quizlet里，定义最好是英文+例句，这样在输入的时候便是一次记忆过程。vital、important、significant在中文里都可以是“重要的”，但是不同语境下使用情况不同，这是有例句或者英文释义，你的理解便会深入得多。在此，顺道推荐一个网站http://vocabulary.com，最贴切的用法、来自权威期刊的例句，这里通通都有；完全可以用这个网站取代其他词典，网站也有背单词功能，下次会找个机会评测。 3.将“List 1”添加至reminDO中。 4.根据reminDO划定的时间表，在Quizlet里用四个学习工具背。

Back prop is just gradient descent on individual errors. You compare the predictions of the neural network with the desired output and then compute the gradient of the errors with respect to the weights of the neural network. This gives you a direction in the parameter weight space in which the error would become smaller.Interestingly, due to the layered structure of the neural network and the chain rule for derivatives, the formulas you get can be interpreted as propagating the error back through the network. But that's mostly a computational aside, what you really (just) do is gradient descent, that is, changing the weights of the neural network a little bit to make the error on your training examples smaller.

BP算法的思想是：将训练误差E看作以权重向量每个元素为变量的高维函数，通过不断更新权重，寻找训练误差的最低点，按误差函数梯度下降的方向更新权值。

激活函数在神经网络中的功能即通过对加权的输入进行非线性组合产生非线性决策边界