Da min første søn kun var to, elskede han allerede biler, kendte alle mærker og modeller (endnu mere end jeg, takket være mine venner) kunne genkende dem ved en lille del af billedet. Alle sagde: geni. Selvom de bemærkede den fulde nytteløshed af denne viden. Og sønnen sov i mellemtiden med dem, rullede dem, placerede dem nøjagtigt i række eller på et firkant.
Da han var 4 år, lærte han at tælle, og 5 kunne han allerede formere sig og tilføje inden for 1000. Vi spillede endda Math Workout (dette spil er på Android - jeg kunne godt lide at beregne i metroen efter arbejde), og på et tidspunkt blev han mig gør det kun. Og i sin fritid tællede han op til en million, som frøs de omkring ham. Geni! - sagde de, men vi havde ikke mistanke om det.
For øvrig, på markedet hjalp han sin mor ganske godt - han beregnet det samlede beløb hurtigere end sælgerne på lommeregneren.
På samme tid spillede han aldrig på banen, kommunikerede ikke med kammerater, kom ikke særlig godt overens med børn og lærere i børnehaven. Generelt var han et lidt reserveret barn.
Det næste trin var geografi - vi prøvede at kanalisere kærligheden til numre et eller andet sted og gav vores søn et gammelt sovjetisk atlas. Han kastede sig ned i det i en måned, og derefter begyndte han at stille os vanskelige spørgsmål i stilen:
- Far, hvilket land tror du har et stort område: Pakistan eller Mozambique?
”Sandsynligvis Mozambique,” svarede jeg.
- Men nej! Området Pakistan er så meget som 2.350 km2 mere - svarede sønnen heldigvis.
Salgsfremmende video:
På samme tid var han absolut ikke interesseret i hverken de befolkninger, der beboede disse lande, eller deres sprog, tøj eller folkemusik. Kun blotte tal: område, befolkning, mængde mineralereserver osv.
Alle beundrede igen.”Smarte ud over hans år,” sagde de rundt, men jeg blev igen bekymret, fordi Jeg forstod, at dette er fuldstændig ubrugelig viden, ikke bundet til livserfaring, og som er vanskeligt at fortsætte med at udvikle. Den bedste anvendelse af alt, hvad jeg har fundet, var et forslag til at beregne, hvor mange biler der vil få plads på en parkeringsplads, hvis et bestemt land rulles sammen med asfalt (uden at tage hensyn til bjergrigt terræn), men jeg stoppede hurtigt, fordi det lugter af folkedrab.
Interessant nok, på dette tidspunkt var emnet med biler helt væk, sønnen huskede ikke engang navnene på hans yndlingsbiler fra hans enorme samling, som vi begyndte at distribuere med et tab af interesse. Og så begyndte han at tælle langsommere i sit sind og glemte hurtigt kvadraterne i lande. På samme tid begyndte han at kommunikere mere med sine kammerater, blev mere kontakt. Geniet gik forbi, vennerne holdt op med at beundre, sønnen blev bare en god studerende med en tilbøjelighed til matematik og nøjagtige videnskaber.
Gentagelse er lærerens mor
Det ser ud til, hvad alt dette er til. Dette ses hos mange børn. Deres forældre erklærer for alle, at deres børn er geniale, bedstemødre beundrer og roser børn for deres "viden". Og så vokser de til almindelige, bare smarte børn, ikke mere geni end sønnen til min mors ven.
Mens jeg studerede neurale netværk, stødte jeg på et lignende fænomen, og det ser ud til, at der kan drages visse konklusioner fra denne analogi. Jeg er ikke biolog eller neurovidenskabsmand. Alt sammen - mine gætte uden påstand om at være særlig videnskabelig. Jeg ville være glad for at modtage kommentarer fra fagfolk.
Da jeg prøvede at forstå, hvordan min søn lærte at tælle hurtigere end mig, så sej (han afsluttede niveauet i Math Workout på 20,4 sekunder, mens min rekord var 21,9), indså jeg, at han slet ikke tæller. Han huskede, at når 55 + 17 vises, skal du klikke på 72. På 45 + 38 skal du klikke på 83 og så videre. Først, selvfølgelig, tællede han, men hoppet i hastigheden skete i det øjeblik, hvor han var i stand til at huske alle kombinationerne. Og ganske hurtigt begyndte han at huske ikke specifikke inskriptioner, men kombinationer af symboler. Dette er nøjagtigt, hvad de underviser i skolen, studerer multiplikationstabellen - husk korrespondance tabellen MxN -> P.
Det viste sig, at han opfattede det meste af informationen nøjagtigt som en forbindelse mellem inputdata og outputdata, og at meget generel algoritme, som vi er vant til at rulle for at få et svar, ikke blot var reduceret til en meget vel skærpet højspecialiseret algoritme til at tælle tocifrede tal. Han udførte nogle fremragende opgaver, men meget langsommere. De der. hvad alle syntes var super cool blev faktisk bare simuleret af et veluddannet neuralt netværk til en bestemt opgave.
Ekstra viden
Hvorfor har nogle børn evnen til at huske denne måde, mens andre ikke gør det?
Forestil dig barnets interesseområde (her nærmer vi os spørgsmålet kvalitativt uden målinger). Til venstre er et almindeligt barns interessefelt, og til højre er et "begavet" barns interessefelt. Som forventet koncentreres hovedinteressen i områder, hvor der er specielle egnethed. Men til hverdagens ting og kommunikation med kammerater er fokus ikke længere nok. Han betragter denne viden som overflødig.
Et almindeligt barns interesser 5 år gamle.
Interesserne for et "strålende" barn på 5 år.
Hos sådanne børn analyserer og udfører hjernen kun træning om udvalgte emner. Gennem træning skal det neurale netværk i hjernen lære at klassificere de indkommende data. Men hjernen har mange, mange neuroner til rådighed. Meget mere end nødvendigt for normalt arbejde med så enkle opgaver. Normalt løser børn mange forskellige problemer i livet, men her kastes alle de samme ressourcer i en smallere række opgaver. Og træning i denne tilstand fører let til, hvad ML-fagfolk kalder overfitting. Netværket, der bruger en overflod af koefficienter (neuroner), har trænet på en sådan måde, at det altid giver nøjagtigt de nødvendige svar (men det kan give fuldstændig vrøvl på mellemliggende inputdata, men ingen ser det). Træningen førte således ikke til, at hjernen valgte de vigtigste egenskaber og huskede dem, men til det faktum, at den justerede mange koefficienter,for at give et nøjagtigt resultat på allerede kendte data (som på billedet til højre). Derudover har hjernen lært så meget om andre emner, efter at have været dårligt trænet (som på billedet til venstre).
Hvad er underfitting og overfitting?
For dem, der ikke er i emnet, vil jeg fortælle dig meget kort. Når du træner et neuralt netværk, er opgaven at vælge et vist antal parametre (kommunikationsvægte mellem neuroner), så netværket reagerer på træningsdataene (træningsprøven) så tæt og nøjagtigt som muligt.
Hvis der er for få sådanne parametre, vil netværket ikke være i stand til at tage hensyn til detaljerne i prøven, hvilket vil føre til et meget groft og gennemsnitligt svar, der ikke fungerer godt, selv på træningseksemplet. Ligner billedet til venstre ovenfor. Det er underfitting.
Med et tilstrækkeligt antal parametre giver netværket et godt resultat og "sluger" stærke afvigelser i træningsdataene. Et sådant netværk vil reagere godt ikke kun på træningseksemplet, men også på andre mellemværdier. Ligesom det midterste billede ovenfor.
Men hvis netværket får for mange konfigurerbare parametre, vil det træne sig selv til at gengive endda stærke afvigelser og svingninger (inklusive dem, der er forårsaget af fejl), hvilket kan føre til komplet vrøvl, når man prøver at få et svar på inputdata ikke fra træningseksemplet. Noget som billedet til højre ovenfor. Det er overfyldt.
Et simpelt illustrativt eksempel.
Lad os sige, at du har flere punkter (blå cirkler). Du skal tegne en glat kurve for at forudsige placeringen af andre punkter. Hvis vi for eksempel tager et polynom, så i små grader (op til 3 eller 4), vil vores glatte kurve være ret nøjagtig (blå kurve). I dette tilfælde passerer muligvis ikke den blå kurve gennem de originale punkter (blå punkter).
Hvis antallet af koefficienter (og derfor graden af polynomet) øges, øges nøjagtigheden af at passere de blå punkter (eller endda der vil være et 100% hit), men opførslen mellem disse punkter bliver uforudsigelig (se hvordan den røde kurve svinger).
Det forekommer mig, at det er barnets tendens til et specifikt emne (besættelse) og fuldstændig uvidenhed om resten af emnerne, der fører til det faktum, at når man underviser i for mange "koefficienter", gives disse netop emner.
I betragtning af at netværket er konfigureret til specifikke inputdata og ikke fremhævede "funktionerne", men dumt "husket" inputdataene, kan de ikke bruges med lidt forskellige inputdata. Anvendeligheden af et sådant netværk er meget snævert. Med alderen udvides horisonterne, fokus bliver sløret, og der er ikke længere en mulighed for at tildele det samme antal neuroner til den samme opgave - de begynder at blive brugt i nye opgaver, der er mere nødvendige for barnet. "Indstillingerne" for det overfittede netværk kollaps, barnet bliver "normalt", geniet forsvinder.
Selvfølgelig, hvis et barn har en færdighed, der er nyttig i sig selv og kan udvikles (for eksempel musik eller sport), kan hans "geni" opretholdes i lang tid og endda bringe disse færdigheder til et professionelt niveau. Men i de fleste tilfælde fungerer dette ikke, og der vil ikke være spor af gamle færdigheder i 8-10 år.
konklusioner
- har du et genialt barn? det går over;)
- syn og "geni" er beslægtede ting, og de er forbundet nøjagtigt gennem læringsmekanismen
- dette tilsyneladende "geni" er sandsynligvis slet ikke geni, men effekten af for stærk træning af hjernen på en bestemt opgave uden at forstå det - bare alle ressourcer blev afsat til denne opgave
- når han korrigerer barnets snævre interesser, forsvinder hans geni
- Hvis dit barn er "geni" og lidt mere forbeholdt end kammerater, skal du udvikle disse samme færdigheder yderligere omhyggeligt, aktivt udvikle dine horisonter parallelt og ikke fokusere på disse "seje", men normalt ubrugelige færdigheder
Forfatter: Sergey Poltorak
