化学基本观念是化学基本思想和方法在头脑中的综合与提升，是我们化学学习的最终结果和对化学认识的最高境界．&以水的知识为基础，构建你的化学观．请回答下列问题：（1）从社会角度看：-28日是第二十六届“中国水周”．活动的宣传主题为“节约保护水资源，大力建设生态文明”．下列做法符合宣传主题的是______A．不间断地放水洗衣服B．农业浇灌推广使用喷灌、滴灌技术C．富含氮、磷的生活污水不能排放到河中，但可以直接用于农田的灌溉D．工业污水直接压入地下（2）从资源角度看：海洋为人类提供了宝贵的自然资源．图为海水淡化装置，利用的能源是______，获得的蒸馏水属于______（填纯净物或混合物化合物化合物）．（3）从组成角度看：通过水的电解实验可知水的元素组成及其质量比为：______．（4）从化学化学变化角度看：写出下列化学反应的方程式．有水参加的化合反应：______；有水生成的置换反应：&H2O+CuH2+CuOH2O+Cu；（5）从价值角度看：水在实验室和日常生产生活中有很多用途．&I、溶液是日常生活中的常见物质，请根据下列各图所示内容回答：20℃时，将等质量的甲、乙两种固体物质，分别加人到盛有100g水的烧杯中，充分搅拌后现象如图1，加热到50℃时现象如图2，甲、乙两种物质的溶解度曲线如图3．请结合图示回答下列问题：①图1中一定为饱和溶液的是______．②图3中表示乙的溶解度曲线是______；P点表示的含义是______．③在图4所示的实验中，小烧杯内盛放的是50℃时乙物质的饱和溶液．某同学要使小烧杯内有固体析出时，他向大烧杯的水中可加入下列物质是______（填序号）．A．氧化钙&&&&&&B．干冰&&&&&&&&C．浓硫酸&&&&&&D．硝酸铵Ⅱ、水在化学实验中的作用不可忽视．下图中五个实验分别用到水．请回答下列说法正确的有______（填序号）：①实验A中水作溶剂；②实验B中水的作用是防止集气瓶瓶底炸裂；③实验C中通过烧杯中的水进入集气瓶中的体积可得出氧气约占空气总体积的结论；④实验D中水的作用只是提供热量；⑤实验E中的水仅作反应物．
我是天王279
（1）A．不间断地放水洗衣服会浪费水资源，故错误；B．农业浇灌推广使用喷灌、滴灌技术可以节约用水，故正确；C．富含氮、磷的生活污水不能排放到河中，也不能直接用于农田的灌溉，否则会污染土壤和地下水，故错误；D．工业污水直接压入地下会污染土壤和地下水，故错误；故选：B；（2）图为海水淡化装置，利用的能源是太阳能，蒸馏水属于纯净物；故填：太阳能；纯净物；（3）水通电分解生成氢气和氧气可知水是由氢、氧元素组成，其中氢、氧元素质量比=（1×2）：（1×16）=1：8；故填：水是由氢、氧元素组成；氢、氧元素质量比为1：8；（4）二氧化碳和水，生成物是碳酸，所以化学方程式是：CO2+H2O═H2CO3；故填：CO2+H2O═H2CO3；氢气和氧化铜反应生成铜和水，是单质和化合物反应生成另外的单质和化合物，属于置换反应，化学方程式是：H2+CuOH2O+Cu；故填：H2+CuOH2O+Cu；（5）Ⅰ①图1中甲有未溶解的固体，所以一定为饱和溶液；故填：甲；②20℃时乙物质的溶解度大，所以图3中表示乙的溶解度曲线是N；P点表示的含义是在30℃时甲乙两种的溶解度相同；故填：N；30℃时甲乙两种的溶解度相同；③乙物质的溶解度随温度的降低而减小，所以要使小烧杯内有固体析出时，应该是温度降低，硝酸铵溶于水吸热，温度降低，所以向大烧杯的水中可加入下列物质是硝酸铵；故填：D；Ⅱ①，水能溶解很多物质，所以实验A中水作溶剂，故正确；②铁丝燃烧生成四氧化三铁，所以实验B中水的作用是防止高温的四氧化三铁将集气瓶瓶底炸裂，故正确；③红磷燃烧消耗氧气，瓶内压强减小，所以实验C中通过烧杯中的水进入集气瓶中的体积可得出氧气约占空气总体积的结论，故正确；④实验D中水的作用提供热量和隔绝氧气，故错误；⑤实验E中的水除作反应物，还可作溶剂，故错误．故选：①②③．
为您推荐：
（1）从节约用水和防治水污染等角度进行分析判断；（2）根据图为海水淡化装置，利用的能源是太阳能，蒸馏水属于纯净物进行解答；（3）根据水通电分解生成氢气和氧气可知水是由氢、氧元素组成进行解答；（4）根据水的性质进行解答；（5）Ⅰ根据溶解度曲线以及饱和溶液的含义进行解答；Ⅱ根据水的性质以及作用进行解答．
本题考点：
保护水资源和节约用水；电解水实验；水的性质和应用；溶解时的吸热或放热现象；纯净物和混合物的判别；书写化学方程式、文字表达式、电离方程式．
考点点评：
在水资源缺乏的日益严重的今天，了解节约保护水资源的措施、水体污染的来源等显得尤为重要．
扫描下载二维码小明同学在学习了“水的一些重要性质”知识之后,想探究一下“水结冰以后体积与质量是否会变化”这个问题,于是他回到家里做了以下实验.请你帮助小明同学在空格中填写有关内容.（1）取一只矿泉水瓶,用_____称得其质量m1g,然后装入一半体积的水,再称得其质量为m2g,计算得水的质量是_________.（2）用量筒量得步骤（1）中的水的体积为V1,然后把水倒回矿泉水瓶中.（3）把装有水的矿泉水瓶放入冰箱中,过2h后取出,发现水已经______,称得其质量为m2g.这时发现m3_______（填“>”“=”或“
谢晋宇1807
（m2-m1）g
水结冰后质量不变,体积变大
为您推荐：
其他类似问题
扫描下载二维码随笔 - 27&
评论 - 64&
&&&&&&&&&&&
关于人肉工程，包括业务知识、领域知识，经验等，在实际的机器学习问题中的应用，是一个屡见不鲜的话题，典型的有苦逼的数据清洗、人肉特征工程等。大家都想把尽可能多的过程由机器自动完成，但是目前的状态是，大部分机器学习问题中，最困难也最重要的部分，还是依靠人的经验来生成特征。那么人的经验为什么重要，能否用机器完成这个过程，本文试作一简单分析。
机器和人看待数据的区别
首先要看一下，从机器的角度看，机器学习是怎样一个问题？在机器看来，机器学习的问题通常是在一组特征上，最大化某个目标函数。注意，对于这组特征而言，机器是理解不了它的含义的。举例来说，下面一组数据（第一列是targe）
0, 1, 1, 0
1, 0, 1, 1
1, 0, 0, 1
你能看出这组数据是什么含义吗？显然不能。但是完全可以用它训练一个分类模型，比如logistic regression。
然后查看一下关于这组数据的描述，知道这是关于某个班某次考试的结果，第一列表示物理是否及格，后面三个特征分别是性别、文理科班、数学是否及格，那么现在我知道这组数据的含义了。这样又可以训练一个logistic regression模型。问题来了，这两个模型有区别吗？显然没有。也就是说，人是如何理解数据含义的，对于算法并没有任何影响。因为从机器的角度看，这都是一堆数字而已。
现在看另一个例子，这里有一个特征是这样的
能看出这个特征是什么吗？如果你猜测这是时间（timestamp）&&那么，你已经开始使用领域知识了。对于机器来说，这只是一个整数序列而已。如果我们把这组数据代入一个线性模型，那么意味着默认预测目标和特征之间是线性关系。也就是说，学习算法的假设空间仅包含timestamp的线性函数。
机器能否通过&学习&达到和人的知识相同的效果
现在，我们既然知道这是日期，就可以增加特征，比如从日期中提取月份、星期、小时等。假设增加&小时&这么一个特征，注意，这个变换是非线性的，这里使用了人的知识。对于机器而言，没有这样的知识。如果要求机器能自动提取出这个特征，那么学习算法的假设空间至少应该覆盖timestamp到小时的转换函数，类似于(timestamp/3600)%24。这会增加假设空间的维度。如果知道函数的形式也还好，比如知道(timestamp/a)%b, 这样只需要拟合a、b两个参数。但是实际问题往往是，我怎么知道特征的转换函数是怎样的？也许是log(sin(a x)) / (exp(x) + x^2)，如果要求假设空间涵盖各种可能的函数形式，那必然大大增加假设空间的维度，很容易导致过拟合。比如神经网络，三层网络就可以逼近任意函数（有个什么连续性还是可导条件，忘了），但是太容易过拟合了，而且存在局部最优的问题。
所以，人的知识的作用在于特征变换。更进一步说，如果人的知识可以给出有效的特征变换，那么可以大大降低搜索空间的维度。对于线性模型而言，模型本身可以处理所有线性的情况，如果人的知识所产生的特征变换也是线性的，那么对于模型没有任何提升，只有非线性的变换才对模型有影响。而如果要求模型能够自动的学习出相同的非线性变换，则会造成模型的特征空间维度大大提高。
而人类的知识是千万年间积累下来的，其中包含了很多复杂的变换，而且知识之间相互依赖，如果要理解一个概念，往往需要首先理解其他的很多概念，所以，从这个意义上将，要求机器学习出人类的知识结构是不太现实的。当然，机器不必模仿人类的知识，可以学习出另外的特征变换，只要最后的模型是有效的。所以为什么现在的deep learning这么火，因为它在控制过拟合的前提下，能够在一定程度上学习出特征变换的形式，也就是在一定程度上完成了人肉特征工程的工作，目前大概也只有deep learning能做到这一点。不过，从目前的实践情况来看，人的知识仍然在具体问题中起着重要的作用。
&算法工程师&的角色和职责
基于此，可以把典型的机器学习建模过程分成三个阶段：
数据清洗、预处理、特征变换 -& 代入标准机器学习算法 -& 将结果应用到业务问题
其中，只有中间的部分是标准化的（所以一般大家都是调用现成的软件包），而两头的，则需要由人工完成，也就是把数据解释、变换成机器要求的形式，以及对结果的含义做出解释。因为机器理解不了数据的含义。
如果从这个角度看待&算法工程师&，或者&数据科学家&之类的角色，这种职业的作用在于解释数据，而不是算法研究或者编程。机器学习算法将会越来越标准化、平台化，使用门槛降低，数据科学家将不再需要处理大量的编程细节，而是越来越类似传统的医疗或金融行业的数据分析师，重在理解业务和数据。算法的研究由科研人员负责，而工程细节由通用的（分布式）平台解决。算法工程师的重点在于数据的预处理、特征生成以及模型选择和参数优化，这也是和现实情况相符的。
目前机器学习的应用还处于粗放阶段，要搭建一个系统，必须应付大量的编程细节。比如一个使用LR进行CTR预测的系统，即使使用开源的模块搭建，也往往要处理许多接口、测试和训练集划分、甚至数据存储的细节。然而，这些细节都和问题的本质无关。将来，这些技术细节将被屏蔽。例如，用一种类似SQL的语言执行模型训练过程，类似于
CLASSIFY click
RELATE TO time, pos, user_id, ad_id
FROM ad_show_dataset
WHERE '' &= time &= ''
USING logistic_regression
CROSS VALIDATION TRAIN 40% random TEST else
EVALUATE WITH
EXPORT MODEL file_path FORMAT PRML;
这段代码比较接近自然语言了，意思是以click为目标，以time, pos, user_id, ad_id为特征，ad_show_dataset中到之间的数据为样本，训练logistic regression模型，其中随机选择40%作为训练集，其他作为测试集。模型以auc为评估指标。最后将训练出的模型以PRML格式导出到file_path。（如果你看了上面的代码后不明白，还要看这段解释，说明我的语法设计的不好。）
从更广的范围来说，计算机技术的发展过程，就是一个不断降低人们使用计算机门槛的过程，用Brooks大神的话说，是&消除软件领域的非本质性困难&。最初的程序员，需要写汇编代码、直接处理CPU与内存。C语言和操作系统出现以后，编程门槛降低了，但是仍然免不了处理底层细节。而Java、python、php等语言出现后，编程门槛进一步降低，只要稍微经过一些培训的人，都可以写代码。而有关进程调度、内存管理、IO、缓存一致性等底层细节，被少数专业化的制作编译器、操作系统、虚拟机等的程序员掩盖。而大部分程序员的职责，是把业务逻辑&翻译&成计算机听得懂的语言。
机器学习和分布式系统也将沿着这个路线发展。少数专业化程度很高的程序员负责平台开发，屏蔽技术细节，消除&非本质性困难&，使得算法工程师或数据科学家可以专注于业务逻辑和数据含义。这个职业的性质将越来越接近产品经理，而不是工程师。工程师的技术是通用的，比如一个音乐网站的php工程师，到一个互联网金融公司写php，技术上没什么区别。而产品经理就不一样了，因为音乐和金融的业务、用户、商业模式有很大不同。
所以，直白的说，算法工程师的本质就是数据解释、清洗、预处理、人肉特征工程、参数调优等。究其根本原因，在于计算机理解不了数据的含义。如果有一天计算机能够理解数据含义了，那就像计算机能听懂自然语言一样，大部分程序员可以下岗了。
阅读(...) 评论()