科学网 › 标签 › 理解能力

标签: 理解能力

相关帖子	版块	作者	回复/查看	最后发表

没有相关内容

相关日志

比尔·盖茨「语言理解是人工智能皇冠上的明珠」背后的深意是什么？: geneculture 2019-9-20 23:28; 人类是会说话的高等动物。拥有自然语言及其智慧能力是人类的基本特征。索绪尔（语言学之父）发现语言是棋（许国章介绍并强调了语言即棋的比喻，邹晓辉则干脆就把语言的言作为棋子建构了语言棋理得以体现的间接形式化协同智能系统）。维特根斯坦（语言哲学的集大成者）提出语言游戏及其遵循的规则“悖论”（即究竟是现有语言还是现有规则？）。海德格尔（胡塞尔现象学的后继者）认为“语言是存在之家”。塞尔（心智哲学之父）针对图灵测试提出“中文屋”（中文房间）论题（邹晓辉干脆用间接形式化方法把中文屋建构出来了，进而，发现它就是孪生图灵机或形式化理解模型）。其中，涉及到了塔斯基的形式语言（对象语言和解释语言或元语言）。还涉及到了乔姆斯基的句法结构（尤其是S=NP+VP）是一个很好的特例。等等。这样的学科领域知识的跨度，导致很多专家也都望而生畏（即难以理解）。但是，却有几个顶级的跨学科国际学术圈子有敢于尝试去理解和支持的顶级学者。这是很欣慰的！比尔·盖茨「语言理解是人工智能皇冠上的明珠」背后的深意是什么？请有关各位自己去思考或悟！附录： AI 科技评论按：比尔·盖茨曾说过，「语言理解是人工智能皇冠上的明珠」，沈向洋博士也说过「懂语言者得天下」。自然语言理解处在认知智能最核心的地位。它的进步会引导知识图谱的进步，会引导对用户理解能力的增强，也会进一步推动整个推理能力。自然语言处理的技术会推动人工智能整体的进展，从而使得人工智能技术可以落地实用化。微软亚洲研究院副院长周明博士围绕这一观点有过不少系统的阐述。不论是在微软大厦举行的自然语言处理前沿技术分享会活动上，或是近日举办的 EmTech China 峰会上，周明博士围绕自然语言四个方面的进展，结合 MSRA 在自然语言上的一系列研究成果做过介绍。 AI 科技评论对内容进行整理，并做了不改动原意的编辑：人工智能是用电脑来模拟和实现人类的智能，而人类的智能大概分如下几个层次：第一是运算智能，记忆、计算的能力，这一点机器早已经超过人类。第二是感知智能，包括听觉、视觉、触觉；最近两年，随着深度学习的引入，大幅度提高语音识别和图像识别的识别率，所以计算机在感知智能层面已经做得相当不错了，在一些典型的测试题下，达到或者超过了人类的平均水平。第三认知智能，包括理解、运用语言的能力，掌握知识、运用知识的能力，以及在语言和知识基础上的推理能力。过去认知智能主要集中在语言智能这块，即自然语言处理，它简单理解了句子、篇章，实现了帮助搜索引擎、仿照系统提供一些基本的功能、提供一些简单的对话翻译。最高一层是创造智能，人们利用已有的条件，利用一些想象力甚至有一些是臆断、梦想，想象一些不存在的事情包括理论、方法、技术，通过实验加以验证，然后提出新的理论，指导更多实践，最后产生很好的作品或产品。作为认知智能的重要一环，人工智能最重要的分支就是自然语言的理解与处理，即语言智能，通过对词、句子、篇章进行分析，对内容里面的人物、时间、地点等进行理解，然后在此基础上，去支持一系列核心技术，比如跨语言的翻译、问答系统、阅读理解、知识图谱等技术，基于这些技术，又可以把它应用到其它应用领域，比如说搜索引擎、客服、金融、新闻等等领域。总之，就是通过对语言的理解，实现人跟电脑的直接交流，从而实现人跟人更加有效地交流。自然语言技术不是一个独立的技术，其受云计算、大数据、机器学习、知识图谱等等各个方面的支撑。语言智能是人工智能皇冠上的明珠，如果语言智能能实现突破，跟它同属认知智能的知识和推理就会得到长足的发展，就能推动整个人工智能体系，有更多的场景可以落地。而自然语言的进展主要包括四个层面：神经机器翻译、聊天机器人、阅读理解及机器创作。神经机器翻译神经机器翻译就是模拟人脑的翻译过程，人在翻译的时候，首先是理解这句话，然后在脑海里形成对这句话的语义表示，最后再把这个语义表示转化到另一种语言。神经机器翻译有两个模块，一个是编码模块，把输入的源语言变成一个中间的语义表示，用一系列的机器的内部状态来代表，另一个模块是解码模块，根据语义分析的结果，逐词生成目标语言。神经机器翻译在这几年发展非常迅速， 2017 年的研究热度更是一发不可收拾，现在神经机器翻译已经取代了统计机器翻译，成为机器翻译的主流技术。目前有统计数据表明，在一些传统的统计机器翻译难以完成的任务上，神经机器翻译的性能远远超过了统计机器翻译，而且跟人的标准答案非常接近，甚至说是相仿的水平。围绕着神经机器翻译，研究者们已做了很多的工作，比如如何提升训练的效率，如何提升编码和解码的能力。还有一个重要的研究问题就是数据问题，神经机器翻译依赖于双语对照的大规模的数据集来训练，端到端地训练神经网络参数，这涉及很多语音段和很多的垂直领域，但我们实际上并没有那么多的数据，我们只有小量的双语数据和大量的单语数据。所以，我们就提出了半监督的联合垂直模型，已知一个双语推导语料，分别对之训练，从而达到中英翻译系统与英中翻译系统的相互促进，比如拿中英翻译系统去翻中文的语料，形成很多伪的中英对照语料，然后把这个语料去加到英中翻译里面去。同样，用英中翻译系统去翻译大量的英文语料，然后把这个语料加到中英翻译里面，这样经过多次迭代之后，翻译水平大幅度提升。微软现在已经全面采用神经机器翻译，最近还跟华为的 Mate10 手机合作，得到了神经机器翻译类似于在云上的效果。聊天机器人「对话即平台」，英文叫做「 Conversation as a Platform （ CaaP ）」。 2016 年，微软首席执行官萨提亚在大会上提出了 CaaP 这个概念，他认为继有图形界面的下一代就是对话，它会对整个人工智能、计算机设备带来一场新的革命。为什么要提到这个概念呢？我个人认为有两个原因。第一个原因，源于大家都已经习惯用社交手段，如微信、 Facebook 与他人聊天的过程。我们希望将这种通过自然的语言交流的过程呈现在当今的人机交互中，而语音交流的背后就是对话平台。第二个原因则在于，现在大家面对的设备有的屏幕很小，有的甚至没有屏幕，所以通过语音的交互，更为自然直观的。因此，我们是需要对话式的自然语言交流的，通过语音助手来帮忙完成。而语音助手又可以调用很多 Bot ，来完成一些具体的功能，比如说定杯咖啡，买一个车票等等。芸芸众生，有很多很多需求，每个需求都有可能是一个小 Bot ，必须有人去做这个 Bot 。对于微软而言，我们作为一个平台公司，希望把自己的能力释放出来，让全世界的开发者，甚至普通的学生就能开发出自己喜欢的 Bot ，形成一个生态的平台，生态的环境。如何从人出发，通过智能助理，再通过 Bot 体现这一生态呢？微软在做 CaaP 的时候，实际上有两个主要的产品策略。第一个是小娜，通过手机和智能设备介入，让人与电脑进行交流：人发布命令，小娜理解并执行任务。同时，小娜作为你的贴身处理，也理解你的性格特点、喜好、习惯，然后主动给你一些贴心提示。第二个就是小冰，主要负责闲聊。无论是小冰这种闲聊，还是小娜这种注重任务执行的技术，其实背后单元处理引擎无外乎就三层技术。第一层：通用聊天，需要掌握沟通技巧、通用聊天数据、主题聊天数据，还要知道用户画像，投其所好。第二层：信息服务和问答，需要搜索的能力，问答的能力，还需要对常见问题表进行收集、整理和搜索，从知识图表、文档和图表中找出相应信息，并且回答问题，我们统称为 Info Bot 。第三层：面向特定任务的对话能力，例如定咖啡、定花、买火车票，这个任务是固定的，状态也是固定的，状态转移也是清晰的，那么就可以用 Bot 一个一个实现。你有一个调度系统，你知道用户的意图就调用相应的 Bot 执行相应的任务。它用到的技术就是对用户意图的理解，对话的管理，领域知识，对话图谱等等。在聊天的时候机器要理解人的意图，产生比较符合人的想法，以及符合当前上下文的回复，再根据人与机器各自的回复将话题进行下去。基于当前的输入信息，再加上对话的情感，以及用户的画像，经过一个类似于神经机器翻译的解码模型生成回复，可以达到上下文相关、领域相关、话题有关，而且是针对用户特点的个性化的回复。 viahttp://www.msxiaoice.com/ 阅读理解下一个话题是阅读理解，阅读理解就是让电脑看一遍文章，针对这些文章问一些问题，看电脑能不能回答出来。斯坦福大学曾做过一个比较有名的实验，就是使用维基百科的文章提出 5 个问题，由人把答案做出来，然后把数据分成训练集和测试集，训练集是公开的，用来训练阅读理解系统，而测试集不公开，个人把训练结果上传给斯坦福，斯坦福在其云端运行，再把结果报在网站上，这也避免了一些人对测试集做手脚。阅读理解技术，自 2016 年 9 月前后发布，就引起了很多研究单位的关注，大概有二三十家单位都在做这样的研究，一开始的水平都不是很高，以 100 分为例，人的水平是 82.3 左右，机器的水平只有 74 分，相差甚远，后来通过类似于开源社区模式的不断改进，它的性能就得以逐步地提高了。最近在阅读理解领域出现的一个备受关注的问题，就是如何才能做到超越人的标注水平。现在微软、阿里巴巴、科大讯飞和哈工大的系统，都超越了人工的标注水平，这标志着阅读理解技术进入了一个新的阶段。这几个系统都来自中国，也体现中国在自然语言处理的进步。一个阅读理解的框架首先要得到每个词的语义表示，再得到每个句子的语义表示，这可以用循环神经网络 RNN 来实现，然后用特定路径来找出潜在答案，基于这个答案再筛选出最优的答案，最后确定这个答案的边界。在做阅读理解的时候，是用到了外部的知识，可以用大规模的语料来训练外部的知识，通过外部知识训练的 RNN 模型，加入到原来端到端的训练结果中，以此来大幅度地提高阅读理解的能力。机器创作最后介绍机器创作，机器可以做很多理性的东西，那么它可以做一些创造性的东西吗？ 10 年以前，我们就开始做微软对联，在此基础上，创作绝句、律诗、唐诗宋词等等，现在进行写歌谱曲。在微软对联里，用户输入上联，系统就可以对出下联，也可以给出横批；在字谜游戏里，用户给出谜面，让系统猜出字；或系统给出谜面让用户猜出字。我们的编码解码技术已经成功用于神经网络机器翻译、小冰机器人和词曲创作中。中央电视台《机智过人》节目就曾播过我们的小冰与人类选手进行词曲创作比拼的环节，结果是小冰险胜人类。这件事说明如果有大数据，那么机器学习或者深度学习就可以模拟人类的创造智能，创造出一些作品来，也可以与专家合作，帮助专家产生更好的想法，然后两者配合，产生出美妙的音乐。这个在以前是难以想象的，做自然语言的人从来没有想到自然语言还可以延伸到音乐上去，其实音乐也是一种语言，自然语言的所有技术就可以应用到音乐上去，这需要大家的想象力。今天我快速介绍了自然语言处理在神经机器翻译、阅读理解、聊天机器人以及机器创作领域的进展。随着未来大数据、云计算和深度学习的发展，模型还会进一步地提升，再加上合适的场景，技术就可以落地，就可以服务于成千上万的用户。可以预料，随着自然语言处理技术的提高与普及，它将会与其他的人工智能技术一起提升人类的生活水平。来源： https://mp.weixin.qq.com/s?__biz=MzI5NTIxNTg0OA==mid=2247489533idx=1sn=f618fb58629db5dff91c6c2e8b5a0f2achksm=ec57a07adb20296c20df005d10c85c684201351132c17c212669333bacd620b55382c8ee6edcmpshare=1scene=1srcid=0202ZoPONKR3vaGayGfGXeKkkey=993591f1aaa1ed720cce30de7bef14278a183d9ff9a05dd0e08891750713bddcbb89d755694ca879d4918bed6d4c1667a499045a1811d7052a47be01c0c1dd6e549f2c4e9f6c375562392dbaa385c293ascene=1uin=NzY4MTg1NzE3devicetype=Windows+10version=62060028lang=zh_CNpass_ticket=P/qRECgTQaggozH1SkajXchboorJZGHf1Z4LXwXcOMJ1lLmuTtbaZ3N00Mg9P3HBwinzoom=1.25##; 个人分类: 学术研究|5519 次阅读|0 个评论

人际关系中曾流行“理解万岁”；人机交互中则一直关注“理解”。: geneculture 2018-9-19 13:35; 理解，不误解，这是非常关键的核心竞争力。人际关系中曾流行“理解万岁”；人机交互中则一直关注“理解”。这是两个不同的情景。却蕴含融智学的一个共同的科学原理。-邹晓辉中美塞尔研究中心; 个人分类: 融智学前期探索|1610 次阅读|0 个评论

理解能力强是创新的敌人: 热度 4 lr08788080 2013-12-12 22:11; 人们都认为理解能力强是一个人的优点，我觉得这恰恰是创新的敌人。理解能力强的人会自动把一个论题中的缺陷给脑补上，以至于发现不了其中的机会。比如看一篇论文，他们就很容易顺着作者的思路从头读到尾，而忽略了其中尚未解决的问题——即发现创新点的机会。理解能力强会将一个新事物与其经历过的旧事物进行类比，产生“早就人有这样做啊”的相法。事物之间总是有联系的，他们往往抓到了联系，而忽视差异，以至于不理解别人的创新在何处。; 个人分类: 心灵杂记|4185 次阅读|7 个评论

究竟是奥数还是小学语文更重要？: 热度 13 jiangjinsong 2012-7-28 09:22; 我是科盲，数学很烂，对于高精尖的“奥数”还是少评论为好。不过，对于教育，我有一些想法。史铁生说过，任何一个行业能做到国内前五名的人，他的文字都是很棒的散文。（大意如此）反过来说，语言的表达和理解能力是人的最基本的能力，包括了逻辑能力，是非常综合、非常基础的能力。一个国家的国民心智是否健全，智力是否正常，从这个国家流行的语言中可以轻而易举地看出来。当一个国家的人大代表表示要“学习”政府工作报告的时候，你就知道这个国家没有进入现代文明。当一个国家所有人的讲话都不能从字面意义来理解，都必须另有一套密码来翻译的时候，你就知道这个国家的人民都缺乏自由。我时常觉得国人的小学语文没有学好，当然包括我自己，文字极烂，非常简单的事情常常不能让读者读懂。不仅科盲如此，就连科学网上经常戴小红花的大漠孤魂老吴，也好不到哪里去。最近他的一篇博文遭到许多人的攻击，就是一个典型的例证。所以说，与其让孩子们都费劲巴拉地学什么奥数，不如把小学语文学好，能把简单的道理讲明白，否则就会像老吴一样挨骂。当然也有人说，其实，不是老吴的表达能力不好，是某些科学家们的理解能力不够好。这涉及到高深的语文能力，估计得精通中学语文的高手们才能判断，我就保持沉默，静待高手们评判了。; 个人分类: 口無遮攔|6147 次阅读|47 个评论

职场人士最应该具备的四种能力: 热度 4 lgmxxl 2012-7-9 09:14; 每一个身在职场的人，都应该具备四种能力：学习能力、思想能力、理解能力和执行能力。缺少任何一种能力，都不能成为一个成功的职场人士。本处的职场包括所有的工种，管理者、职工、教师等。学习能力：即持续感知新事务，学习新知识，获得新技能，应对新变化的能力；同时是对自己工作所需要的新知识、新能力、新技能、新素质的感知能力。在全球步入知识社会的时代，知识的更新速度加快，更新周期缩短。联合国教科文组织的研究表明：信息通信技术带来了人类知识更新速度的加快。在18世纪时，知识更新周期为80～90年；19世纪到20世纪初，缩短为30年；上个世纪60～70年代，一般学科的知识更新周期为5～10年；上个世纪80～90年代，许多学科的知识更新周期缩短为5年；而进入新世纪时，许多学科的知识更新周期已缩短至2～3年。在知识更新速度提升的今天，没有学习能力，就不能感知新事物，不能适应新变化，最终落得个“被淘汰”的结局。同时，学习能力也是其它能力的基础与前提。对新知识、新变化、新事务没有正确感知的人，是不太可能有其它方面的能力提升的。思想能力：思想能力是独立思考的能力，反思自省、他省的能力，也是对事务的本源、人生的意义进行追根溯源的能力，同时是一个人对自己工作内容的理解、认识、升华能力。思想能力是创新的前提，思想能力是一个人进步的马达。法国哲学家帕斯卡尔有这样一句名言：“思想形成人的伟大”。另一位法国哲学家笛卡尔则说：“我思故我在。”在他们的视域里，思想是人存在的前提。人没有了“思想”，就与苇草没有什么区别了。匈牙利当代思想家科尔奈将思想自传取名《思想的力量》。李光峰有个著名的干部使用“瓶颈理论”。“瓶颈为什么在瓶子上部而不在下部？这就像干部！解决了干部的思想问题，就突破了瓶颈，否则就换个瓶颈。”在职场中，有没有自己的独立思想，是一个人立足职场的重要基础。现在，中国社会似乎最为缺少的东西就是“思想”了，一些则唯上、唯书、唯圣人说、唯希腊说，独独缺少了自己的独立思考、自主反思。理解能力：正确感知自然、感知社会、感知未来的能力，也是一种理解事物发展变化规律的能力，同时是对工作的内在规律性认识的能力。它可以分为四个等级。第一类的理解能力，可以归结为“无感觉”，对事物及其发展变化规律没有正确的感知，对如何做事、如何对事做好、做事的意义基本上没有独立的思想。此种理解能力的人不知道要做的事“是什么”，更不知如何做。第二类的理解能力是知觉水平的理解能力，即能辨认和识别事务，知道它“是什么”，但缺乏对事务规律性的认识。第三类的理解能力是在知觉水平理解的基础上，对事物的本质与内在联系的觉知，能够理解事务变化与发展的基本规律，知道事务将会“怎么样”。高级水平的理解能力，则是在概念理解的基础上，进一步达到对事物及环境关系的感知。能够系统化地去认识某一事物，并能够重新建立或者调整认知结构，达到对事物及其环境要素的融会贯通。这种理解能力的人不仅能够认识事物，而且可以在系统观的基础上认识事物及其与外部要素的相互关系，从而对事物及其发展的规律有了更高、更深的认识。现实职场中，最怕的人是没有理解能力。这些人既不能理解老板的意图，更不理解事物的本身的内在规律性和外部联系性。最需要的具备较高理解能力的人。这些人可以辩证地看问题，有创造性地解决问题。执行能力：即一个人的执行力，是一个人把具体思想落实到行动中，并能及时高效圆满地完成任务的能力。松下幸之助说：“一个企业的成功，20%在策略，80%在执行。”杰克·韦尔奇说：“企业目标达成的关键就在于企业的执行力。没有执行力，一切都是空谈。”在职场上，没有执行能力的人，或者说执行能力弱的人，或者反向执行能力的人，是注定要在职场失败的人。在此种意义上讲，执行能力就是生产力，就是效率，就是生命。再好的思想能力，再好的理解能力，没有执行能力也是空谈。以上四种能力是职场人士最需要的四种能力，也是必须努力积聚和优化的四种能力。同时，四种能力不可或缺，四种能力之间也必须达到良好的互动和契合。没有学习能力，就不能感知新知识，体验新变化，也就不可能产生新思想。在此种意义上讲，学习能力是职场人士其它能力的基础。没有思想能力，恰如一台没有发动机的机器，就不可能有创新，有效率。在此种意义上讲，思想能力是职场人士的发动机。没有理解能力，则会导致盲目，甚至会使事情变得更为糟糕。在此种意义上讲，理解能力是做好事情的前提。没有执行能力，就没有效率，就会错失发展的机遇，最种落得失败的结局。在此种意义上讲，执行能力是职场人士能力的关键。当然，最好的职场人士是同时具备以上四种能力，并在四种能力之间形成良好的契合关系，形成互相促进的一个有机整体力量。; 个人分类: 教育杂谈|4735 次阅读|8 个评论

回芒果肌肉：物理圈与生物圈人士的理解力比较: liwei999 2011-7-15 19:10; 提上来答芒果 (98663) Posted by: mirror Date: July 18, 2007 12:34PM 为什么多几十倍的人就偏差大呢？常识曰：人多了乱。乱是什么？正规分布的积分面积等于人数。面积一个是10，一个是1的分布该是什么样子呢？ -------- 就“是”论事儿，就“事儿”论是，就“事儿”论“事儿”。看看原来的语境 (98724) Posted by: gyro Date: July 18, 2007 02:06PM 在物理圈子内，因为人少，心照不宣的说法可以多一些。在生物圈子内，因为人太杂，很多小圈子内可以接受的说法在大圈子内就说不过去了。也不是。实际分布画出来就是了。 (98728) Posted by: mirror Date: July 18, 2007 02:12PM 横轴取理解能力，纵轴取人数。物理的和生命的各有一个曲线。曲线围的面积为就业人口。就算平均理解能力一致，两个为相似形，哪个分布更宽呢？ -------- 就“是”论事儿，就“事儿”论是，就“事儿”论“事儿”。我觉得两个一样宽，因为我觉得我们说的宽是和自己 (98758) Posted by: mangolasi Date: July 18, 2007 02:35PM 的长对比的。。。不是和其他人的宽对比的。。。按比例应该一样宽啊。。。不过同意@和gyro的解释，应该是我对你的偏差定义误会了以为是我心中的偏差。你的意思大约是不是如果同一人群normalized后是F(x)，但总人数不同那么生物总分布是100F(x)物理总分布是10F(x)，那么（比如说，是蠢的）人的人数是生物： ∫(-∞)(-5)d100F(x) 而物理是 ∫(-∞)(-5)d10F(x) 聪明人是生物： ∫(5)(∞)d100F(x) 物理： ∫(5)(∞)d10F(x) 那么当然人数来说是偏差大。。。 -------- I am a dismal student of the Dismal Science, worshipping the following sentence: Prediction is very difficult, especially about the future. --Neils Bohr 镜某的理解是：100克沙子和1000克沙子 (98814) Posted by: mirror Date: July 18, 2007 03:11PM 用漏斗落出沙堆来。堆积的形状是相似的，沙堆形成的机理对应着某种选拔方式。大堆分布大，小堆分布小。 -------- 就“是”论事儿，就“事儿”论是，就“事儿”论“事儿”。镜先生我觉得我们被你玩了。。。你搏命误导我们想“相似形”，但 (98895) Posted by: mangolasi Date: July 18, 2007 07:37PM 实际上不是相似形。。。因为相似形的不同长就不同宽（指绝对的标准来说），但分布如果是normalized一样的话，你“拉长”了分布，那底还是一样的，不会同比例横拉的，所以不是相似形。infinite support比较难说明，但比如我所有的人（生物，物理，什么都不学，什么都学等等等的人）的support是(-1,1)，物理分布（不是概率，而是总体分布）是一个用两条线段定义:y=1+x (x∈(-1,0))，y=1-x (x∈(0,1))，那么生物比物理多10倍人，但那些人还是人(人∈(-1,1))而不是外星生物啊（非人?(-1,1))，所以生物的分布是被两条线段定义:y=10+10x (x∈(-1,0))，y=10-10x (x∈(0,1))。但物理三角形和生物三角形不是相似形吧？你固定了高，那么要他们是相似形就要生物的support是(-10,10)来达到，a)如果定义人∈(-1,1)，而非人?(-1,1)，你要解释为什么那么多非人去学生物，b)如果定义了人∈(-10,10)，你要解释为什么(-10,-1)U(1,10)的人不去学物理但会去学生物。所以你沙堆的比如不恰当。。。所以哪个宽的问题：support不变，绝对来说一样宽，相对来说“拉长”了的分布“窄”。但用variance的公式算，一样宽（因为他们的prob dist一样）。但你随便划了一个在support内的底座sub范围，面积是拉长了的大（因为高）－－即人多，但面积占总面积比例是大家一样的。 -------- I am a dismal student of the Dismal Science, worshipping the following sentence: Prediction is very difficult, especially about the future. --Neils Bohr “被玩了”的说法很不好，应该是“被涮了”。 (98932) Posted by: mirror Date: July 18, 2007 09:52PM 给芒果和故儒的说明。你搏命误导我们想“相似形”： “误导”的帽子太大。有必要说两句。初始点是：可观测的数据就是就业人口的差别，可以随便建模。“常识”的结论是：林子大了什么鸟都有＝人多了分散大。当然也有另一个常识：样本小了分散大。但是后者显然这里不适用。假定不是相似形的分布，底边相同面积不同则高度不同。这样一来，三角形斜边的斜率就要变大。而这个斜率变大的意义就是：有一种效率更好的筛选办法，可以更有效地收集到优秀人才。显然，这办不到。而选用近似形的模型则没有这个障碍。 -------- 就“是”论事儿，就“事儿”论是，就“事儿”论“事儿”。镜先生但不是所有的概率分布积分都是1吗？ (空) - mangolasi 07-07-18, 01:29PM (98678) 你缺课太多，竟问起如此低级的问题 (86 字节) - gyro 07-07-18, 01:38PM (98688) 还是不明白。。。 (空) - mangolasi 07-07-18, 02:01PM (98712) 看看原来的语境 (130 字节) - gyro 07-07-18, 02:06PM (98724) 也不是。实际分布画出来就是了。 (136 字节) - mirror 07-07-18, 02:12PM (98728) 我觉得两个一样宽，因为我觉得我们说的宽是和自己 (450 字节) - mangolasi 07-07-18, 02:35PM (98758) 相似的理由是两个领域的人“等价”。 (48 字节) - mirror 07-07-18, 02:29PM (98752) “等价”的意思不是生物是物理的纵向延长，但是是各个点都纵向同 (18 字节) - mangolasi 07-07-18, 02:38PM (98764) 镜某的理解是：100克沙子和1000克沙子 (96 字节) - mirror 07-07-18, 03:11PM (98814) 镜先生我觉得我们被你玩了。。。你搏命误导我们想“相似形”，但 (1068 字节) - mangolasi 07-07-18, 07:37PM (98895) “粒径”指的是沙粒大小吗？我觉得镜先生说的沙子素质不是沙 (359 字节) - mangolasi 07-07-18, 04:24PM (98863) 我开始糊涂了，你们今天打完我明天才看。。。 (空) - mangolasi 07-07-18, 04:03PM (98852) 你这“偏差”指的是啥？西格吗。 (空) - mirror 07-07-18, 01:39PM (98689) 这样我比较容易理解也同意。。。好像某次xys中讨论过michael shermer (48 字节) - mangolasi 07-07-18, 02:04PM (98718) 然 (空) - mirror 07-07-18, 01:59PM (98707) 如果“学”前物理生物的人都是同一个人群，为什么σ不同呢？ (74 字节) - mangolasi 07-07-18, 01:53PM (98700); 个人分类: 镜子大全|2781 次阅读|0 个评论

听取别人意见的难度: liwei999 2010-9-19 06:36; 只能讲：辛苦了。可见能够听取别人意见的难度。 (26845) Posted by: mirror Date: October 14, 2006 05:13PM 有两种不能听取别人意见的。一种是知道、理解这个意见，但因为落实到行为上的往往只能是一个意见，所以不听。另一种是不能理解的，又可以细分为两种：不去理解和不能理解。年轻时，镜某多以为人们是不去理解。成年后方知道还有个不能理解－－没有能力去理解。读书、作题时，这个没有能力去理解是个显像。但是因为那时人们都在发展途中，也就可以不介意了。而学成之后，就有个比较固定的理解能力的问题了。那个论坛总体上理解能力并不能算高。也许高手们都不愿意扎堆儿吧。 -------- 就是论事儿，就事儿论是，就事儿论事儿。; 个人分类: 镜子大全|1671 次阅读|0 个评论

更多...

帐号		自动登录	找回密码
密码			注册

关闭 安全验证

标签: 理解能力

相关帖子

相关日志

关闭安全验证