How to be an expert

你作为业余者和你成为专家的唯一区别是:投入。这些谈论的是神童们么?只要花时间且专注,我们每个人都可以成为(或者接近)神童。至少那是有头脑的家伙们说的。还好,任何时候这都不算晚。


严肃说来,有多少人认为他们错过了成为音乐家、高尔夫球手,甚至是国际象棋大师的机会?因为他们没有在很年轻的时候着手去做?或是因为他们缺乏天赋?那些人(基本上)错了。根据一些脑科学家的研究,几乎每个人都能在他们身体上没有缺陷的事情上发展到世界级(或至少顶级专家)的能力。很显然,上帝给予的天分、自然的禀赋、遗传特质并不象它们被夸赞的那样,或至少不似我们大部分人的想象。实际上,比起在音乐、数学、象棋或其他领域上的天赋,表现卓越者很可能是在专注、投入和追求卓越的欲望上有一种特别的天赋。再次强调,从理论上说,任何人只要愿意去做那些被要求持续改善的事儿,就会做得更好。

或许“天生的艺术家”只是因为他们比别人尝试得多得多。或者,他们刻意进行了这样的尝试。Dr.K.Anders Ericsson,佛罗里达州立大学心理学教授,花了他20多年职业生涯的时间来研究天才、神童和表现卓越者。在《全新的大脑》(The New Brain)一书中(它正在我的咖啡桌上),Richard Restak引用了Ericsson的话:

“对于表现卓越者来说,目标不是简单的重复同样的事情,而是更上一个台阶,更好掌控他们的表现。这就是为什么他们不会觉得练习很无聊。每一次的练习,他们都会在某些地方比上一次做得更好。”

所以,不仅仅是练习了多久,还在于他们如何进行练习。基本上就象这样:

我们中的大多数人想练习我们已经擅长的,但却避免我们需要努力才能掌握的。我们永远停留在中等或业余水准上。

然而研究表明:如果我们愿意花更多的时间去练习那些看起来不太有趣的事情,我们能变得更好。优秀,潜在的杰出。我们需要,就像Restak说的,“一种追求精通的激情。” 那种对征服的奉献驱使潜在的专家专注在表现的细微方面,永远不满足。总是有更多需要改进的地方,他们愿意在无趣的事情上花时间。Restak引用了Sam Snead的话,他被认为是20世纪5个最好的高尔夫球手之一:

“我知道站在球座旁挥杆比打滚地球和劈球(或在沙地里面练习,弄得满脸都是沙子)更有趣。但是这些都回到了问题所在--你到底愿意为成功付出多少代价。”

关于这个主题的脑科学还有很多内容,当然,我只是挑些重点。许多研究是新的,研究者们在fMRI(机能性磁共振成像)和PET扫描(正电子发射计算机断层扫描)的帮助下得以轻松实现。我只展开一点……有些想法认为,不夸张的说,要成为世界上玩象棋、小提琴、数学、编程,或高尔夫最好的人,你或许的确需要某些遗传因素。但是,那是指世界上最好的。研究表明,无论那个特殊调料是什么,它也就只在推动某人达到世界冠军程度中起到1%的作用。剩余的我们,尽管没有特殊调料,仍然可以成为世界级(或至少国家级)的专家,如果我们花时间,并且按照正确的方法。

这里和热情洋溢者密切关联的是“努力吸收门槛”和“活力门槛”(又叫作“激情”)。普通人很典型地掉入了上图中三个类别之一:专家,业余,或者放弃。放弃者决定,在“我在此努力了”阶段,不值得再继续,他们放弃了。对此你能起到什么作用?你知道你的退出率是多少么?

但是最烦人的,也是我们最能起作用的,是业余爱好者正满意于他们的现状。你经常会听到:“是的,我知道做这个事情有更好的办法,但是我已经知道如何做了[更无效,更无力],让我只做这个很容易”。换句话说,他们通过了努力吸收的门槛,但是现在他们不想再争取新的技术和能力了。他们不想再次去吸收,但是那意味着他们永远不能再体验极度活力的阶段,在那里有大得多的机会使他们变得激情四射。他们越是靠近能力曲线的上端,所获得的激情体验就越棒!

我们能帮助他们更容易地行进在成为专家之路上么?记住,变得更好就是更好。无论你在什么方面变得更好,只要它更有乐趣,更令人满意,有更丰富的体验。它就能有更多的涌流(译注:美国心理学家米哈伊尔.奇凯岑特米哈伊命名的一种心理状态,在其中人们获得了卓越的心理体验,可在此详细了解)。这正是我们努力帮助我们的读者的。

哦,对了,关于那个永远都不晚的说法……我们中的大多数人都无法染指奥林匹克滑冰奖牌,身高5尺4寸(160cm),我的篮球生涯很可能毫无希望。但是,想一想这个例子,演员吉莲.戴维斯差一点就被选进美国奥林匹克箭术队,她从40岁开始参加这项运动,到奥林匹克预选赛之前,还不到三年时间。

如果神经科学家是对的,实际上你在任何年龄都可以创造出新的脑细胞,不过需要通过学习,而不是闷在一间昏暗的小屋子里。想想看……如果今天你30岁,明天你开始学吉他,到你50岁的时候你已经弹了20年的吉他。你将能够弹奏一些高难度的吉他曲。如果你今天50岁,没有任何理由你不能在70岁时成为高手。你还在等什么? 
 

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值