向奥巴马学习演讲

巴拉克•奥巴马(Barack Obama)连任就职讲话中那些华丽的辞藻,可能不会被许多人铭记。他的那句“尽管这些事实不言自明,但从来不会自动实现”,远比不上富兰克林•罗斯福(Franklin Roosevelt)的那句“我们唯一要恐惧的就是恐惧本身”令人印象深刻,也远不及约翰•肯尼迪(John Kennedy)的那句“不要问国家能为你做些什么,而要问你能为国家做些什么”令人难忘。

不过,奥巴马的演讲可谓富有技巧,并且很感人,显示他是一位具有说服力的演讲者——毕竟,奥巴马在失业率超过7%的情况下仍然获得连任。在整个20世纪,只有罗斯福和罗纳德•里根(Ronald Reagan)做到了同样的事情。

企业领导者应该看看美国总统是如何讲话的。奥巴马擅长演讲,而大多数企业领导者不擅长。

过去人们对奥巴马演说风格的研究,主要集中于“三点原则”等技巧方面。人们普遍认为,一次罗列三件事是比较合适的,如果让它们押上头韵就更好,比如奥巴马的那句呼吁:“再造政府,重修税制,改革学校”(原文是“remake our government, revamp our tax code, reform our schools”,都以[ri]的发音开头)。

这确实是奥巴马演讲的特点,但首席执行官们在对员工或其他听众发表讲话时做得不好的地方,并不是不遵循“三点原则”。即便讲话遵循了“三点原则”,仍不能保证听众不昏昏欲睡。

有一些企业高管的演讲之所以失败,是因为演讲内容选取不当。不过,大多数人的失败,还是因为演讲的方式有问题。我们可以从奥巴马的演讲中吸取经验——刚好也是三条。

● 奥巴马不使用PPT。在Google上搜索“死于PPT”,你会发现,PPT多年前就开始招人烦了。但企业高管们却对此置之不理。几乎所有企业高管讲话时都会带一个U盘,里面存着几十页PPT。

PPT对听众的折磨倒不是最主要的问题。虽然这也够讨厌了:PPT的内容下面的听众一般根本看不清,它的唯一功效只不过是证明演讲者写的东西和说的东西一样枯燥无味。

PPT对演讲者的影响是更主要的问题。演讲者需要为PPT额外操心。遥控器没出问题吧?没翻错页吧?要是我点错了、提前点开了下一张幻灯片怎么办?

只在一种情况下使用PPT,那就是你有一张特别能说明问题的幻灯片要展示时。比如一张图表,显示其他所有人的销售额都在急速下滑,而你的公司销售额却在飙升。或者一张地图,显示你的公司销售网点已遍布全市。并且,当你展示完那张幻灯片,就接着凭嘴巴说,不要再借助电子设备。

如果要展示的图片太多,即便是再老练的PPT使用者也必须盯着屏幕看,而这也是演讲者的大忌。这就要说到奥巴马的第二条经验:

●看着你的听众。从总统的就职演说视频中你会注意到,奥巴马非常注意这一点:他先深深地注视右侧的听众,然后目光坚定地投向中间的听众,最后凝视左侧听众。注意,他在演讲中不断重复这样做。

所有演讲者都知道要看着听众,但在演讲时他们很容易忘记这一点。你在发表演讲时,往往只能模糊地看到下面的人群。你可能会觉得眼花,演讲台上或许有灯,让你能看清自己的讲稿,但却让你看不清讲台下的听众。

因为你看不到听众,你就很容易忘记他们的存在。但他们能看到你。所以,在演讲中请一直看着听众。做到这一点不容易,因为你还得不时低头看讲稿。与总统不一样,你讲话的地方或许没有配备电子提词机。

有两种方法解决这个问题。首先,确保讲稿打印的字体足够大。一些人开玩笑说,打印字号应该与你的年龄相等。这是有些夸张了。但我很快发现12号太小了。其次,多练习。演讲需要花时间,需要提前准备。将演讲的大部分内容背下来。这样一来,你只用偶尔瞟一眼讲稿,而不用老盯着它看。你可以掌握演讲的节奏,这是奥巴马带给我们的第三条经验。

● 奥巴马不怕让听众等待。每说完一段话,他就会停顿一段时间——这段时间有时会长得令人不可思议。大多数高管不敢这样做。他们觉得听众会走神。事实恰恰相反。安静是让听众集中注意力的法宝。如果在餐桌上出现瞬间的安静,所有人都会注意倾听打破这种安静的第一句话。演讲也是如此。

内容方面有什么诀窍?没有。大多数首席执行官熟悉自己的业务,就好像总统熟悉自己的工作一样。他们在自己所在行业中待的时间几乎一定比奥巴马从政的时间更长。他们是懂行的。关键是如何讲给别人听。

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