När min första son var bara två, älskade han redan bilar, kände alla märken och modeller (till och med mer än jag, tack vare mina vänner), kunde känna igen dem av en liten del av bilden. Alla sa: geni. Även om de noterade den fullständiga nyttan av denna kunskap. Och sonen sov under tiden med dem, rullade dem, placerade dem exakt i rad eller på ett torg.
När han var 4 lärde han sig att räkna, och vid 5 år kunde han redan multiplicera och lägga till inom 1000. Vi spelade till och med Math Workout (det här spelet är på Android - jag gillade att beräkna i tunnelbanan efter jobbet), och vid någon tidpunkt blev han mig bara göra det. Och i sin fritid räknade han upp till en miljon, vilket frös de omkring sig. Geni! - De sa, men vi misstänkte att det inte riktigt.
Förresten, på marknaden hjälpte han sin mamma ganska bra - han beräknade det totala beloppet snabbare än säljarna på kalkylatorn.
Samtidigt spelade han aldrig på banan, kommunicerade inte med kamrater, kom inte särskilt bra med barn och lärare i dagis. I allmänhet var han ett lite reserverat barn.
Nästa steg var geografi - vi försökte kanalisera kärleken till siffror någonstans och gav vår son en gammal sovjetisk atlas. Han kastade sig in i det i en månad och efter det började han ställa oss knepiga frågor i stilen:
- Pappa, vilket land tror du har ett stort område: Pakistan eller Moçambique?
”Förmodligen Moçambique,” svarade jag.
- Men nej! Pakistan är så mycket som 2.350 km2 mer, - svarade sonen lyckligt.
Kampanjvideo:
Samtidigt var han absolut inte intresserad av varken de människor som bodde i dessa länder, eller deras språk, kläder eller folkmusik. Endast bara antal: område, befolkning, volym mineralreserver, etc.
Alla beundrade igen.”Smarta bortom sina år”, sa de runt, men jag blev åter orolig, för Jag förstod att detta är helt värdelös kunskap, inte knutet till livserfarenhet och som är svårt att fortsätta utveckla. Den bästa tillämpningen av allt jag hittade var ett förslag att beräkna hur många bilar som skulle passa på en parkeringsplats om ett visst land rullades upp med asfalt (utan att ta hänsyn till bergsområden), men jag slutade snabbt, eftersom det lugnar folkmord.
Intressant nog, när denna tid ämnet för bilar var helt borta, kom sonen inte ens ihåg namnen på hans favoritbilar från hans enorma samling, som vi började distribuera med förlust av intresse. Och sedan började han räkna långsammare i sinnet och glömde snart kvadraterna i länderna. Samtidigt började han kommunicera mer med sina kamrater, blev mer kontakt. Geniet gick, vännerna slutade beundra, sonen blev bara en bra student med en förkärlek för matematik och exakta vetenskaper.
Repetition är modern till lärande
Det verkar vad allt detta är till för. Detta ses hos många barn. Deras föräldrar förklarar för alla att deras barn är geni, mormödrar beundrar och berömmer barn för deras "kunskap". Och sedan växer de till vanliga, helt enkelt smarta barn, inte mer geni än min mors vän.
När jag studerade neurala nätverk stötte jag på ett liknande fenomen, och det verkar för mig att vissa slutsatser kan dras av denna analogi. Jag är ingen biolog eller neurovetenskap. Alla vidare - min gissningar utan påstående att vara särskilt vetenskapliga. Jag skulle gärna få kommentarer från proffs.
När jag försökte förstå hur min son lärde mig räkna snabbare än mig så cool (han slutade nivån i Math Workout på 20,4 sekunder, medan min post var 21,9), insåg jag att han inte räknar alls. Han memorerade att när 55 + 17 visas måste du klicka på 72. På 45 + 38 måste du klicka på 83 och så vidare. Först räknade han naturligtvis, men hastighetshoppet inträffade i det ögonblick då han kunde komma ihåg alla kombinationer. Och ganska snabbt började han memorera inte specifika inskriptioner, utan kombinationer av symboler. Det är exakt vad de undervisar i skolan, studerar multiplikationstabellen - kom ihåg korrespondensstabellen MxN -> P.
Det visade sig att han uppfattade det mesta av informationen exakt som en koppling mellan inmatningsdata och utgångsdata, och att den mycket allmänna algoritmen som vi är van vid att bläddra för att få ett svar inte bara reducerades till en mycket väl skärpt högspecialiserad algoritm för att räkna tvåsiffriga siffror. Han gjorde några utmärkta uppgifter, men mycket långsammare. De där. vad alla tyckte var superkul simulerade faktiskt bara av ett välutbildat neuralt nätverk för en specifik uppgift.
Extra kunskap
Varför har vissa barn möjlighet att memorera detta sätt medan andra inte gör det?
Föreställ dig barnets intressefält (här närmar vi oss frågan kvalitativt, utan några mätningar). Till vänster är ett vanligt barns intressefält, och till höger är ett "begåvat" barns intresse. Som förväntat är det största intresset koncentrerat till områden för vilka speciella lämpligheter. Men för vardagliga saker och kommunikation med kamrater är fokus inte längre tillräckligt. Han anser att denna kunskap är överflödig.
Ett vanligt barns 5-åriga intressen.
Intressen för ett "lysande" barn på 5 år.
Hos sådana barn analyserar och genomför hjärnan utbildning endast i utvalda ämnen. Genom träning måste nervnätverket i hjärnan lära sig att framgångsrikt klassificera inkommande data. Men hjärnan har många, många neuroner till sitt förfogande. Mycket mer än vad som är nödvändigt för normalt arbete med så enkla uppgifter. Vanligtvis löser barn många olika problem i livet, men här kastas alla samma resurser in i ett smalare uppdrag. Och utbildning i det här läget leder lätt till vad ML-proffsen kallar övermontering. Nätverket, som använder ett överflöd av koefficienter (neuroner), har tränat på ett sådant sätt att det alltid ger exakt nödvändiga svar (men det kan ge ut fullständig nonsens på mellanliggande inputdata, men ingen ser det). Således ledde inlärning inte till det faktum att hjärnan valde de viktigaste egenskaperna och memorerade dem, utan att det justerade många koefficienter,för att ge ett exakt resultat på redan kända data (som på bilden till höger). Dessutom har hjärnan lärt sig så i andra ämnen och har dåligt tränat (som på bilden till vänster).
Vad är undermontering och övermontering?
För de som inte är med i ämnet kommer jag att berätta mycket kort. När du tränar ett neuralt nätverk är uppgiften att välja ett visst antal parametrar (kommunikationsvikter mellan neuroner) så att nätverket svarar på träningsdata (träningsprov) så nära och exakt som möjligt.
Om det finns för få sådana parametrar kommer nätverket inte att kunna ta hänsyn till detaljerna i provet, vilket kommer att leda till ett mycket grovt och genomsnittligt svar som inte fungerar bra ens på träningsprovet. Liknar bilden till vänster ovan. Det är under montering.
Med ett tillräckligt antal parametrar ger nätverket ett bra resultat, "sväljer" starka avvikelser i träningsdata. Ett sådant nätverk kommer att reagera bra inte bara på träningsprovet utan också på andra mellanvärden. Som den mellersta bilden ovan.
Men om nätverket ges för många konfigurerbara parametrar, kommer det att träna sig själv att reproducera även starka avvikelser och fluktuationer (inklusive de som orsakas av fel), vilket kan leda till fullständig nonsens när man försöker få svar på inmatningsdata inte från träningsprovet. Något som bilden till höger ovan. Det är övermonterat.
Ett enkelt illustrativt exempel.
Låt oss säga att du har flera punkter (blå cirklar). Du måste rita en smidig kurva för att förutsäga positionen för andra punkter. Om vi till exempel tar ett polynom, då i små grader (upp till 3 eller 4), kommer vår jämna kurva att vara ganska exakt (blå kurva). I detta fall kanske den blå kurvan inte passerar genom de ursprungliga punkterna (blå punkter).
Men om antalet koefficienter (och därmed graden av polynomet) ökas, kommer noggrannheten att passera de blå punkterna att öka (eller till och med kommer det att bli 100% träff), men beteendet mellan dessa punkter blir oförutsägbart (se hur den röda kurvan fluktuerar).
Det verkar för mig att det är barnets tendens till ett specifikt ämne (besatthet) och fullständig okunnighet om resten av ämnen som leder till det faktum att när man undervisar för många "faktorer" ges just dessa ämnen.
Med tanke på att nätverket är konfigurerat för specifik inmatningsdata och inte markerade "funktionerna", men dumt "kom ihåg" inmatningsdata, kan det inte användas med något annorlunda inmatningsdata. Tillämpningen av ett sådant nätverk är mycket smalt. Med åldern breddar horisonterna, fokus blir suddig, och det finns inte längre en möjlighet att tilldela samma antal neuroner till samma uppgift - de börjar användas i nya uppgifter som är mer nödvändiga för barnet. "Inställningarna" för det övermonterade nätverket kollapsar, barnet blir "normalt", geni försvinner.
Naturligtvis, om ett barn har en färdighet som är användbar i sig och som kan utvecklas (till exempel musik eller sport), kan hans "geni" bibehållas under lång tid och till och med föra dessa färdigheter till en professionell nivå. Men i de flesta fall fungerar detta inte, och det kommer inte att finnas några spår av gamla färdigheter på 8-10 år.
Slutsatser
- har du ett geni barn? det går över;)
- syn och "geni" är relaterade saker, och de är kopplade exakt genom inlärningsmekanismen
- detta uppenbara "geni" är troligen inte geni alls, men effekten av för stark trening av hjärnan på en specifik uppgift utan att förstå det - bara alla resurser ägnades åt denna uppgift
- när han korrigerar barnets smala intressen försvinner hans geni
- om ditt barn är "geni" och lite mer reserverat än kamrater, måste du utveckla samma färdigheter ytterligare noggrant, aktivt utveckla dina horisonter parallellt och inte fokusera på dessa "coola", men vanligtvis värdelösa färdigheter
Författare: Sergey Poltorak
