Как научиться быстро ходить на платформе


Как быстро научиться ходить на платформе, выбираем обувь — www.wday.ru

Интересуясь, как научиться ходить на платформе, важно знать и принимать во внимание несколько секретов.

1. Первые шаги в новых туфлях лучше всего сделать в магазине, когда проводится примерка. Самое важное – это понять, насколько хочется наслаждаться обновкой. Однако дальнейшее освоение лучше всего проводить в домашних условиях, предполагающих высокий уровень безопасности.

2. Нужно помнить правила красивого и легкого шага: двигаться нужно с ноги, а не с корпуса тела. Длина одного шага не должна превышать длины стопы без обуви. При этом изначально нужно становиться на пятку, а затем на носок.

3. Правильная ходьба предполагает наличие шагов по одной прямой линии. На самом деле этому можно и нужно научиться.

4. В обязательном порядке нужно контролировать носки обуви, так как нельзя их обращать внутрь. В противном случае походка способна стать косолапой. Носки лучше всего разводить немного от линии ходьбы.

5. Походка будет радовать красотой только при правильной осанке, потому нужно держать спину ровной.

Успешное проведение обучения, вне всяких сомнений, повысит самооценку.

Сколько времени нужно, чтобы изучить HTML?

Когда дело доходит до изучения нового навыка, такого как кодирование, легко запутаться, еще до того, как вы начнете беспокоиться о затраченном времени. Понятно, что трудно справиться с огромным количеством месяцев и лет, которые могут потребоваться для повышения квалификации, особенно когда вы хотите сменить карьеру и были готовы к переменам, которые произошли вчера. Перспектива такой траты времени запугала бы кого угодно.

Но сколько времени на самом деле длится изменение? Чтобы взглянуть на вещи в перспективе, я спросил группу веб-разработчиков, сколько времени им потребовалось, чтобы изучить основу, которая понадобится вам для начала пути к программированию: HTML.HTML - это язык, используемый для определения веб-страниц для веб-браузеров, которые их посещают, что позволяет этим браузерам переводить HTML-содержимое сайта в то, что вы видите на экране своего устройства (например, абзацы, заголовки, встроенное аудио- и видеоконтент и т. Д.). Это строительный блок Интернета, который подтолкнет вас к работе в качестве фронтенд-разработчика.

Будучи такой важной частью процесса веб-разработки, кажется, что на освоение могут потребоваться годы, не так ли? Ну, по мнению профи - не очень.

Изучение HTML: думайте недели, а не месяцы или годы

Хотите верьте, хотите нет, но трое веб-профессионалов, с которыми я разговаривал, согласились, что основы HTML можно изучить за недели, а не за месяцы или годы. Алея Уокер, инструктор по веб-разработке и координатор по работе с выпускниками в Skillcrush, Райан Тернер, совладелец компании 3Prime, занимающейся веб-решениями, и Стюарт Смолл, веб-разработчик и основатель веб-агентства полного цикла Kttp, все согласны с тем, что можно получить базовые знания HTML. менее чем за месяц.

Уокер говорит, что она выучила суть HTML через 15-25 часов в течение двух недель, в то время как Смолл говорит, что три недели по четыре часа в день. Где бы вы ни оказались на этой временной шкале, главный вывод заключается в том, что основной строительный блок для разработки веб-сайтов может быть буквально добавлен в ваш инструментарий в течение нескольких дней или недель, что дает вам больше времени, чтобы сосредоточиться на преимуществах знания как кодировать.

Где и как изучать HTML

Мало того, что базовые знания HTML можно освоить за удивительно разумное количество времени, есть также ряд гибких вариантов, когда дело доходит до того, где и как его поднять - и вам никогда не придется входить в класс, если это не ваше вещь.Уокер изучала основы HTML в школе - «в эпоху MySpace», - говорит она, - а затем через несколько лет вернулась к HTML через курс 101 Skillcrush, работая полный рабочий день в другой отрасли. Тернер также изучал HTML в школе, когда учитель организовал компьютерную лабораторию как увлечение и предложил курс. Смолл полагался на онлайн-ресурсы и платформы, такие как Codeacademy, Coursera и Free Code Camp. Учитывая востребованность HTML на рынке труда и гибкость, с которой вы можете учиться, это оптимальный навык, который можно использовать во время обеденного перерыва в офисе.

Следующие шаги: добавьте CSS в свой инструментарий

Хотя вы сможете освоить основы HTML за месяц или меньше, одних этих основ недостаточно, чтобы дополнить ваш технический инструментарий. Когда вы освоитесь с HTML, говорит Уокер, пора начинать изучать CSS (каскадные таблицы стилей). CSS - это двоюродный язык HTML, используемый для определения стиля веб-страницы - макеты, цвета и шрифты страниц определяются с помощью CSS. По словам Уолкера, изучение CSS продолжит расширять ваше понимание HTML, а также откроет возможности форматирования, необходимые для создания профессиональных веб-сайтов.Тернер повторяет CSS как следующий логический шаг, говоря, что - хотя CSS требует знания HTML, чтобы начать работу, - добавление CSS к вашим знаниям HTML сделает ваш общий набор навыков бесконечно более ценным. Вы можете изучать CSS на тех же платформах, которые обучают HTML в Интернете, и эти два языка часто преподаются вместе как пакет.

Собираем все вместе и получаем деньги

Уокер говорит, что приступ синдрома самозванца задержал ее переход от изучения HTML к оплачиваемой работе, но - после шести месяцев практики HTML - она ​​убедила себя начать искать небольшие оплачиваемые вакансии разработчика.Она смогла взять и выполнить эти ранние задания, используя свои практические знания HTML и CSS. Для Смолла потребовалось около двух месяцев практики HTML, прежде чем он получил свое первое оплачиваемое выступление. Однако и Уокер, и Смолл согласны с тем, что для выполнения крупномасштабных самостоятельных заданий им в конечном итоге потребовалось добавить JavaScript - язык программирования, управляющий интерактивными элементами сайта, такими как всплывающие окна с рекламой, слайд-шоу и автозаполнение полей поиска - своим знаниям HTML и CSS. Хорошая новость заключается в том, что в обоих случаях основы HTML позволили Уокеру и Смоллу сохранить свою работу разработчика и получать оплату (как деньгами, так и практическим опытом) в течение времени, которое им потребовалось, чтобы освоить JavaScript.

Если вы серьезно настроены изучить HTML и сделать первый шаг к карьере в сфере технологий, Уокер дает три совета: «Делайте. Файл. Работай." Уокер подчеркивает, что HTML - это то, с чем вам нужно запачкать руки, чтобы добиться хороших результатов. «Речь идет не только о просмотре учебных пособий и выполнении одного или двух проектов, - говорит Уолкер. «Вы действительно должны попасть туда и тратить свое время на то, чтобы что-то напутать, исправить и начать все сначала».

Small говорит, что любая работа, которую вы проделаете над интерфейсом с HTML, в будущем окупится.Обладая техническими навыками, которые у него есть сейчас (которые все выросли из HTML), он может быть самим себе боссом как веб-разработчик, работая в соответствии с его потребностями и неся прямую ответственность за свой успех. Из-за требований к ИТ, которые, по мнению Смолла, выходят из таких областей, как образование, бизнес, медицина, юридическая работа, транспорт и связь, он считает, что любой, кто обладает знаниями HTML (и навыками, вытекающими из этих фундаментальных знаний), победил ». не хватает работы. «Изучение технических навыков иногда может быть очень сложной задачей, - говорит Смолл, - но это определенно стоит времени и усилий.”

.

Полное пошаговое руководство по машинному обучению на Python: Часть вторая | by Will Koehrsen

Каждое значение NaN представляет собой недостающее наблюдение. Хотя существует несколько способов заполнить недостающие данные, мы будем использовать относительно простой метод - вменение медианного значения. При этом все отсутствующие значения в столбце заменяются средним значением столбца.

В следующем коде мы создаем объект Scikit-Learn Imputer со стратегией, установленной на медианное значение. Затем мы обучаем этот объект на обучающих данных (используя imputer.fit ) и используйте его для заполнения недостающих значений как в данных обучения, так и в данных тестирования (используя imputer.transform ). Это означает, что пропущенные значения в тестовых данных заполняются соответствующим медианным значением из обучающих данных .

(Мы должны выполнять вменение таким образом, а не обучать все данные, чтобы избежать проблемы утечки тестовых данных, когда информация из набора тестовых данных перетекает в данные обучения.)

 # Создайте импутируемый объект со средним значением стратегия наполнения 
imputer = Imputer (strategy = 'median') # Обучайте на обучающих функциях
imputer.fit (train_features) # Преобразование данных обучения и данных тестирования
X = imputer.transform (train_features)
X_test = imputer.transform (test_features) Отсутствующие значения в функциях обучения: 0
Отсутствующие значения в функциях тестирования: 0

Все функций теперь имеют реальные конечные значения без пропущенных примеров.

Масштабирование объекта

Масштабирование относится к общему процессу изменения диапазона объекта. Это необходимо, потому что функции измеряются в разных единицах и, следовательно, охватывают разные диапазоны.На такие методы, как вспомогательные векторные машины и K-ближайшие соседи, которые принимают во внимание меры расстояния между наблюдениями, значительно влияет диапазон функций, и масштабирование позволяет им учиться. Хотя такие методы, как линейная регрессия и случайный лес, на самом деле не требуют масштабирования функций, все же рекомендуется делать этот шаг, когда мы сравниваем несколько алгоритмов.

Мы будем масштабировать функции, помещая каждую из них в диапазон от 0 до 1. Это делается путем взятия каждого значения функции, вычитания минимального значения функции и деления на максимум минус минимум (диапазон) .Эта конкретная версия масштабирования часто называется нормализацией, а другая основная версия - стандартизацией.

Хотя этот процесс легко реализовать вручную, мы можем сделать это с помощью объекта MinMaxScaler в Scikit-Learn. Код этого метода идентичен коду для вменения, за исключением того, что вместо импутера используется масштабатор! Опять же, мы обязательно тренируемся только с использованием обучающих данных, а затем преобразуем все данные.

 # Создайте объект скейлера с диапазоном от 0 до 1 
scaler = MinMaxScaler (feature_range = (0, 1)) # Подгоните к скалеру данных обучения
.fit (X) # Преобразование данных обучения и тестирования
X = scaler.transform (X)
X_test = scaler.transform (X_test)

Каждая функция теперь имеет минимальное значение 0 и максимальное значение 1. Отсутствующее значение вменение и масштабирование функций - это два шага, которые требуются практически в любом конвейере машинного обучения, поэтому неплохо понять, как они работают!

Реализация моделей машинного обучения в Scikit-Learn

После всей работы, которую мы потратили на очистку и форматирование данных, создание, обучение и прогнозирование с помощью моделей относительно просты.Мы будем использовать библиотеку Scikit-Learn в Python, в которой есть отличная документация и согласованный синтаксис построения модели. Когда вы знаете, как создать одну модель в Scikit-Learn, вы сможете быстро реализовать широкий спектр алгоритмов.

Мы можем проиллюстрировать один пример создания модели, обучения (с использованием .fit ) и тестирования (с использованием .predict ) с помощью Регрессора Gradient Boosting:

  Gradient Boosted Performance на тестовом наборе: MAE = 10.0132  

Создание, обучение и тестирование моделей - каждая строка! Для построения других моделей мы используем тот же синтаксис, только меняем название алгоритма.Результаты представлены ниже:

Чтобы представить эти цифры в перспективе, наивный базовый уровень, рассчитанный с использованием медианного значения целевого показателя, составлял 24,5. Ясно, что машинное обучение применимо к нашей проблеме, потому что оно значительно лучше базового уровня!

Регрессор с градиентным усилением (MAE = 10,013) немного превосходит случайный лес (10,014 MAE). Эти результаты не совсем справедливы, потому что мы в основном используем значения по умолчанию для гиперпараметров. Особенно в таких моделях, как машина опорных векторов, производительность сильно зависит от этих настроек.Тем не менее, из этих результатов мы выберем регрессор с градиентным усилением для оптимизации модели.

В машинном обучении после выбора модели мы можем оптимизировать ее для нашей задачи, настроив гиперпараметры модели.

Во-первых, что такое гиперпараметры и чем они отличаются от параметров?

  • Модель гиперпараметры лучше всего рассматривать как настройки для алгоритма машинного обучения, которые задаются специалистом по данным перед обучением.Примерами могут служить количество деревьев в случайном лесу или количество соседей, используемых в алгоритме K-ближайших соседей.
  • Параметры модели - это то, что модель изучает во время обучения, например, веса в линейной регрессии.

Управление гиперпараметрами влияет на производительность модели, изменяя баланс между недостаточным и избыточным соответствием модели. Недостаточная подгонка - это когда наша модель недостаточно сложна (у нее недостаточно степеней свободы) для изучения сопоставления от объектов к цели.Модель недостаточной подгонки имеет большое смещение, которое мы можем исправить, сделав нашу модель более сложной.

Переобучение - это когда наша модель по существу запоминает данные обучения. Модель переобучения имеет высокую дисперсию, которую мы можем исправить, ограничив сложность модели с помощью регуляризации. И модели с недостаточной подгонкой, и с избыточной подгонкой не смогут хорошо обобщить данные тестирования.

Проблема с выбором правильных гиперпараметров заключается в том, что оптимальный набор будет отличаться для каждой задачи машинного обучения! Поэтому единственный способ найти лучшие настройки - это попробовать несколько из них в каждом новом наборе данных.К счастью, в Scikit-Learn есть несколько методов, позволяющих нам эффективно оценивать гиперпараметры. Более того, такие проекты, как TPOT от Epistasis Lab, пытаются оптимизировать поиск гиперпараметров, используя такие методы, как генетическое программирование. В этом проекте мы будем продолжать делать это с помощью Scikit-Learn, но следите за обновлениями, чтобы продолжить работу над сценой автоматического машинного обучения!

Случайный поиск с перекрестной проверкой

Конкретный метод настройки гиперпараметров, который мы будем реализовывать, называется случайным поиском с перекрестной проверкой:

  • Случайный поиск относится к методике, которую мы будем использовать для выбора гиперпараметров.Мы определяем сетку, а затем произвольно выбираем различные комбинации, а не ищем по сетке, где мы исчерпывающе пробуем каждую комбинацию. (Удивительно, но случайный поиск работает почти так же, как поиск по сетке, с резким сокращением времени выполнения.)
  • Перекрестная проверка - это метод, который мы используем для оценки выбранной комбинации гиперпараметров. Вместо того, чтобы разделять обучающую систему на отдельные обучающие и проверочные наборы, что сокращает объем обучающих данных, которые мы можем использовать, мы используем перекрестную проверку K-Fold.Это включает в себя разделение обучающих данных на количество складок K, а затем прохождение итеративного процесса, в котором мы сначала тренируемся на K-1 складок, а затем оцениваем производительность в K-й кратности. Мы повторяем этот процесс K раз, и в конце K-кратной перекрестной проверки мы принимаем среднюю ошибку на каждой из K итераций в качестве окончательного показателя производительности.

Идея перекрестной проверки K-Fold с K = 5 показана ниже:

Перекрестная проверка K-Fold с K = 5 (Источник)

Весь процесс выполнения случайного поиска с перекрестной проверкой:

  1. Настройка сетка гиперпараметров для оценки
  2. Произвольная выборка комбинации гиперпараметров
  3. Создайте модель с выбранной комбинацией
  4. Оцените модель с помощью перекрестной проверки в K-кратном порядке
  5. Решите, какие гиперпараметры работают лучше всего

Конечно, мы не делаем На самом деле не делайте это вручную, а позвольте Scikit-Learn RandomizedSearchCV выполнять всю работу!

Поскольку мы будем использовать модель градиентной регрессии, я должен дать хотя бы немного предыстории! Эта модель представляет собой ансамблевый метод, что означает, что она построена из множества слабых учеников, в данном случае индивидуальных деревьев решений.В то время как алгоритм пакетирования, такой как случайный лес, параллельно обучает слабых учеников и заставляет их голосовать, чтобы сделать прогноз, метод повышения, такой как Gradient Boosting, обучает учеников последовательно, при этом каждый ученик «концентрируется» на ошибках, допущенных предыдущими. .

Методы повышения стали популярны в последние годы и часто побеждают в соревнованиях по машинному обучению. Метод повышения градиента - это одна из конкретных реализаций, в которой используется градиентный спуск для минимизации функции затрат путем последовательного обучения учащихся на остатках от предыдущих.Реализация Gradient Boosting в Scikit-Learn обычно считается менее эффективной, чем другие библиотеки, такие как XGBoost, но она будет работать достаточно хорошо для нашего небольшого набора данных и довольно точна.

Вернуться к настройке гиперпараметров

Существует множество гиперпараметров для настройки в регрессоре с градиентным усилением, и вы можете посмотреть документацию Scikit-Learn для подробностей. Мы оптимизируем следующие гиперпараметры:

  • потеря : функция потерь для минимизации
  • n_estimators : количество слабых учеников (деревья решений) для использования
  • max_depth : максимальная глубина каждого дерева решений
  • min_samples_leaf : минимальное количество примеров, необходимое для конечного узла дерева решений
  • min_samples_split : минимальное количество примеров, необходимое для разделения узла дерева решений
  • max_features : максимальное количество функций использовать для разделения узлов

Я не уверен, есть ли кто-нибудь, кто действительно понимает, как все они взаимодействуют, и единственный способ найти лучшую комбинацию - это попробовать их!

В следующем коде мы строим сетку гиперпараметров, создаем объект RandomizedSearchCV и выполняем поиск гиперпараметров с использованием 4-кратной перекрестной проверки по 25 различным комбинациям гиперпараметров:

После выполнения поиска мы можем проверить RandomizedSearchCV объект, чтобы найти лучшую модель:

 # Найдите лучшую комбинацию настроек 
random_cv.best_estimator_ GradientBoostingRegressor (loss = 'lad', max_depth = 5,
max_features = None,
min_samples_leaf = 6,
min_samples_split = 6,
n_estimators = 500)

Затем мы можем использовать эти результаты для поиска по сетке для нашей сетки, которые близки к этим оптимальным значениям. Однако дальнейшая настройка вряд ли существенно улучшит нашу модель. Как правило, правильная разработка функций будет иметь гораздо большее влияние на производительность модели, чем даже самая обширная настройка гиперпараметров.Это закон убывающей отдачи, применяемый к машинному обучению: разработка функций поможет вам в этом, а настройка гиперпараметров обычно дает лишь небольшую выгоду.

Один из экспериментов, который мы можем попробовать, - это изменить количество оценок (деревьев решений), сохраняя при этом остальные гиперпараметры. Это позволяет нам непосредственно наблюдать эффект именно этой настройки. См. Блокнот для реализации, но вот результаты:

По мере увеличения количества деревьев, используемых моделью, уменьшается и обучение, и ошибка тестирования.Однако ошибка обучения уменьшается намного быстрее, чем ошибка тестирования, и мы видим, что наша модель переобучается: она очень хорошо работает с данными обучения, но не может достичь такой же производительности на тестовой выборке.

Мы всегда ожидаем по крайней мере некоторого снижения производительности на тестовой выборке (в конце концов, модель может видеть истинные ответы для обучающей выборки), но значительный пробел указывает на переобучение. Мы можем решить проблему переобучения, получив больше обучающих данных или снизив сложность нашей модели с помощью гиперпараметров.В этом случае мы оставим гиперпараметры на месте, но я призываю всех попытаться уменьшить переобучение.

Для окончательной модели мы будем использовать 800 оценщиков, потому что это привело к наименьшей ошибке при перекрестной проверке. Пришло время опробовать эту модель!

.

Этот робот научился ходить самостоятельно.

В течение 10 минут после рождения детеныш олененка может стоять. В течение семи часов он может ходить. Между этими двумя вехами он участвует в очень восхитительном, очень неистовом взмахе конечностей, чтобы понять все это.

В этом заключается идея робототехники на базе искусственного интеллекта. В то время как автономные роботы, такие как беспилотные автомобили, уже стали привычной концепцией, автономное обучение роботов по-прежнему остается лишь желанием.Существующие алгоритмы обучения с подкреплением, которые позволяют роботам обучаться движениям методом проб и ошибок, по-прежнему во многом зависят от вмешательства человека. Каждый раз, когда робот падает или выходит из тренировочной среды, ему нужно, чтобы кто-то поднял его и вернул в правильное положение.

Новое исследование, проведенное исследователями Google, сделало важный шаг вперед в направлении роботов, которые могут научиться ориентироваться без этой помощи. За несколько часов, полагаясь исключительно на настройки современных алгоритмов, они успешно получили четвероногого робота, который научился ходить вперед и назад, а также поворачивать влево и вправо, совершенно самостоятельно.

Работа основана на предыдущем исследовании, проведенном год назад, когда группа впервые выяснила, как заставить робота учиться в реальном мире. Обучение с подкреплением обычно выполняется в моделировании: виртуальный двойник робота крутится вокруг виртуального двойника среды, пока алгоритм не станет достаточно надежным для безопасной работы. Затем он импортируется в физического робота.

Этот метод помогает избежать повреждения робота и его окружения в процессе проб и ошибок, но он также требует среды, которую легко моделировать.Чтобы смоделировать естественное рассыпание гравия или пружину матраса под ногами робота, требуется так много времени, что оно того не стоит.

В этом случае исследователи решили полностью избегать проблем моделирования, обучаясь с самого начала в реальном мире. Они разработали более эффективный алгоритм, который мог обучаться с меньшим количеством попыток и, следовательно, с меньшим количеством ошибок, и заставили робота подняться и начать ходить в течение двух часов. Поскольку физическая среда создавала естественные вариации, робот также мог быстро адаптироваться к другим достаточно похожим средам, таким как уклоны, шаги и ровная местность с препятствиями.

Но человек все равно должен был присматривать за роботом и вручную вмешиваться сотни раз, говорит Джи Тан, соавтор статьи, возглавляющий группу робототехники в Google Brain. «Сначала я не думал об этом», - говорит он.

Итак, они начали решать эту новую проблему. Во-первых, они ограничили территорию, которую было разрешено исследовать роботу, и заставили его обучаться нескольким маневрам за раз. Если робот достигнет края ограничительной рамки, когда учится идти вперед, он изменит направление и вместо этого начнет учиться ходить назад.

Во-вторых, исследователи также ограничили пробные движения робота, сделав его достаточно осторожным, чтобы минимизировать ущерб от повторяющихся падений. Во времена, когда робот все равно неизбежно падал, они добавляли еще один жестко запрограммированный алгоритм, чтобы помочь ему встать.

С помощью этих различных настроек робот научился автономно ходить по нескольким различным поверхностям, включая ровную землю, матрас из пены с эффектом памяти и коврик с щелями. Работа показывает потенциал для будущих приложений, которые могут потребовать, чтобы роботы перемещались по пересеченной и неизвестной местности без присутствия человека.

«Я считаю, что эта работа весьма интересна, - говорит Челси Финн, доцент Стэнфордского университета, которая также связана с Google, но не участвует в исследовании. «Убрать человека из процесса действительно сложно. Позволяя роботам учиться более автономно, роботы становятся ближе к тому, чтобы учиться в реальном мире, в котором мы живем, а не в лаборатории ».

Однако она предупреждает, что установка в настоящее время полагается на систему захвата движения над роботом для определения его местоположения.В реальном мире это невозможно.

Двигаясь вперед, исследователи надеются адаптировать свой алгоритм к различным типам роботов или к нескольким роботам, обучающимся одновременно в одной и той же среде. В конечном счете, считает Тан, передвижение по взлому станет ключом к открытию более полезных роботов.

«Многие места построены для людей, и у всех есть ноги», - говорит он. «Если робот не может использовать ноги, он не сможет перемещаться по миру людей».

Чтобы получать больше подобных историй прямо на ваш почтовый ящик, подпишитесь на нашу рассылку AI The Algorithm, номинированную Webby.Это бесплатно.

.

10 способов выучить язык быстрее

Вас пригласили на важную встречу в Германии в следующем месяце, вы получили потрясающее повышение по службе и теперь много путешествуете, или вас попросили переехать в Шанхай. У всех этих сценариев есть что-то общее; Вам нужно быстро улучшить свои языковые навыки! Мы составили этот верный список советов, которые, как мы уверены, помогут вам выучить язык быстрее.

Хотите выучить язык? Начните с оценки ваших вариантов

Возможно, вы слышали, что проводить время в целевой культуре, погрузиться в культуру - безусловно, лучший способ выучить другой язык.

Что делают успешные изучающие язык, чтобы учиться быстро и эффективно?

Однако этот вариант может быть вам недоступен, и даже если вы переехали, это не гарантирует, что вы успешно выучите язык.

Многие эмигранты возвращаются домой, почти не владея местным языком или совсем не владея им, и в равной степени есть и другие, которые свободно говорят на одном или нескольких иностранных языках, не выходя из дома.

Помимо естественных способностей, что делают успешные изучающие язык, чтобы учиться быстро и эффективно?

Вот 10 способов выучить язык

1.Разберитесь в своем стиле обучения

Слушатели предпочитают слышать новые слова, чтобы запомнить их

Обучение очень личное, и мы не все изучаем новые языки одинаково:

  • Некоторые из нас логичны и должны понимать, как работает структура, и видеть грамматические шаблоны
  • другие - визуальные и должны видеть новый язык, записанный и иллюстрированный
  • слушатели, обучающиеся на слух, предпочитают слышать новые слова, чтобы запомнить их

Вам нужно будет сделать все это, но понимание того, как вы лучше всего учитесь, поможет вам сэкономить время и добиться более быстрого прогресса.

2. Инвестируйте в качественные онлайн / аудиоматериалы

Убедитесь, что материал соответствует вашему стилю обучения - языковые онлайн-курсы и методики изобилуют всеми обещаниями, которые помогут вам быстро овладеть языком.

Присмотритесь к материалам и выберите метод, который лучше всего подойдет вам, а затем используйте его! Слушайте в пути на работу, пока вы ждете, чтобы забрать своих детей, или перед сном, или когда у вас есть свободное время.

3.Воспользуйтесь бесплатными ресурсами

В настоящее время в Интернете доступно множество бесплатных обучающих ресурсов

В настоящее время в Интернете доступно множество бесплатных учебных ресурсов, которые могут быть особенно полезны в первые дни вашего путешествия по изучению языка.

BBC предлагает ресурсы на 40 языках, но есть и другие.

4. Поддерживайте свои интересы и мотивацию

Найдите материалы на темы, которые вас интересуют и волнуют, чтобы обучение стало удовольствием.

Найдите блоги или журналы, связанные с вашими увлечениями, посмотрите, какие фильмы доступны на вашем изучаемом языке, или смотрите или читайте заголовки новостей каждый день.

Найдите материалы по интересующим и волнующим вас темам, чтобы обучение стало удовольствием

5. Практика ведет к совершенству

Как и при изучении любого другого нового навыка, вам необходимо найти как можно больше возможностей для практики. Индивидуальные занятия с квалифицированным носителем языка ускорят ваш процесс обучения, но если это невозможно, найдите другие возможности для практики.

Возможно, у вас есть коллега, который говорит на вашем изучаемом языке, или вы можете найти местный ресторан с местным персоналом, чтобы вы могли попрактиковаться в заказе еды или обсуждении футбольных результатов.

Вы можете найти местный ресторан с местным персоналом, чтобы попрактиковаться в заказе еды или обсуждении футбольных результатов.

6. Делайте что-нибудь каждый день

Откройте для себя язык, который вы изучаете каждый день. Чтобы ваше обучение стало частью вашей повседневной жизни, у вас может быть:

  • оповещения по электронной почте, поступающие в ваш почтовый ящик
  • карточек на столе или на стене кухни
  • раз со словарной записью
  • аудиоматериалов по дороге на работу каждое утро

Откройте для себя язык, который вы изучаете каждый день

7.Работа со всеми четырьмя навыками

При общении мы обычно объединяем:

  • говорящий
  • слушаю
  • чтение
  • письмо

Хотя одно из них может быть для вас более важным, убедитесь, что вы практикуете все четыре. Один из способов выучить язык - подумать о том, на чем вам нужно сосредоточиться, например, на разговоре, и потратить как можно больше времени на работу над этим навыком. Остальные, естественно, придут, когда вы будете больше слушать, смотреть больше оригинальных версий мультимедиа, читать электронную почту, газеты и т. Д.

8. Будьте любопытны

Ищите шаблоны и исключения в грамматике и произношении

Интересуйтесь, как работает изучаемый вами язык. Ищите закономерности и исключения в грамматике и произношении, узнавайте больше о культуре, ищите слова, когда вы их не узнаете или не знаете, как сказать что-то новое.

9. Рискуйте

Еще один способ выучить язык - рисковать.Успешные изучающие язык экспериментируют и идут на риск, поэтому, даже если вы не знаете, как что-то сказать, всегда старайтесь, когда появляется возможность.

По мере вашего продвижения вы можете быть тем, кто предлагает приветствовать зарубежных посетителей в офисе, отвечать на звонок от носителя вашего изучаемого языка или помогать готовиться к встречам и презентациям.

10. Любите свои ошибки

Наконец, не бойтесь ошибаться, ведь именно так мы учимся.

Ошибки являются естественной частью изучения языка и помогают нам узнавать новые модели и системы, поэтому вы не должны расстраиваться, когда делаете что-то не так.Когда вы общаетесь с носителями языка, попросите их исправить вас и обратите внимание на их исправления.

Когда вы общаетесь с носителями языка, попросите их исправить вас и обратите внимание на их исправления

Есть гораздо больше способов выучить язык и бесконечное количество советов о том, как выучить новый словарный запас, структуры и повысить беглость речи. Найдите то, что вам больше всего подходит, и наслаждайтесь разговором на этом языке!

.

Смотрите также