你为什么总是很忙碌,却还在原地踏步!

英语的学习不止是是学习英语,还有诗和远方。一些问题经常性的在身边出现的时候,就应该反省反省为什么出现这种问题了,不是每一次都可以得过且过,学会了解自己,认识自己,在这个过程中和Bill师哥交谈过三次,每次都是受益匪浅。

第一次, 这是一个什么性质的问题?(第一次交谈和交谈过后)

对于这个问题刚刚出来的时候心里有着说不出的滋味,难受,开心,兴奋,五味杂良,没有头绪,对于问题的解决摸不着头绪。但是也在尝试这解决这个问题,对于这是个什么问题的解决没有找的很好的答案,大多都是在反思以前的种种过失,研究了些看似是问题答案的答案。

第二次, 方向明确了吗?(第二次交谈和交谈过后)

当我拿这那些成果给Bill师哥“展示”的时候,说实话心里都不是很清楚自己讲述的什么,没条理。在交谈之前的总结大多都是自己的反省,关于查到的内容是不是在自己该找的答案呢?不是!那为什么呢?在交谈的过程中,Bill师哥很好的分析了当有问题出现的时候解决的方法,首先要知道自己要什么,想得到什么,找的内容是否符合问题的需要的答案,广大的信息面前是否可以吸收到所需求的内容。这里还拿对于记不住的问题示范:分为两方面一是身体健康的外在因素;二是心理因素。这样就简单明了的知道了原因所在,就剩下解决问题了!这次的交谈后有些压抑,想了很多。
交谈过后的想法,再次分析,给自己提出的问题如下:

(1)总是忘记东西
(2)为什么,很好,却不优秀(好友问我的问题)
(3)学习方法
(4)习惯
(5)交流上的问题,为什不可以深入的探究?
(6)纠结上的问题,为什害怕 ,害怕来自哪里?

1、学习方法

不去说是习惯问题,没有好的学习习惯,给自己一个目标,没有压力就没有动力,不要把项目放下,利用今目标的时间管理进行,不能放松,当感觉到不舒服的时候就是自己在快速成长的时候,不要害怕什么,其实没有什么的,当把一件事情真正的实施的时候才会发现其中的奥妙。

刘冉亭需要做的事情:

学习上建好今目标项目给自己一个大目标,不断的定小目标向大目标前给自己奋斗的目标:想要自由就先自律,提高自己,提高父母的生活质量

2、习惯问题

为什么记性不好,其实不是你不好,学会利用工具,把日历提醒用起来,叶武滨老师说过一句话这些工具没有用起来,之前的之前的就像是没有学习一样。白白把时间浪费了,也就不用在“假装”学习了,你很贵的,好好利用好时间

刘冉亭需要做的事情:
培养用日历提醒的习惯,做长期和短期的计划,时间

管理很重要。时间四象限做重要不紧急的事情,给生活给自己更多的自由

3、交流问题

这个问题也不是问题,学会思考,多问问为什么不要总是看一些表面的东西,每周和小伙伴聊聊天交谈一下,看了书籍、视频、新闻、等等学会写些东西,给别人讲述,分享的过程,他人自己都会收益,大家思维打开了,思考的问题也就慢慢多了起来,考虑事情的时候不至于局限在自己的想法里了。

刘冉亭需要做的事情:
每周找一个人交流,深入交谈,头脑风暴一下,和徒弟

交流,和小伙伴交流,一起成长!

4、纠结

做事情的时候可以立即解决的事情尽快解决不要拖着,没有必要放在心里,憋着再说也没有什么,大胆些,错了又能怎样,这就是一个犯错的地方,不犯错哪里来的成长?可是那些害怕来自哪里?细细想来应该有着各种因素,小时候不爱交流,不爱说话等等,但是现在的你很优秀,心里的恐惧都是小怪兽,刘冉亭的聪明才智都可以把他们打倒,打倒!!!
学会不断的突破自己,学会给自己加油,一切的问题都不是问题,学会给自己找乐子。当你感觉到不舒服的时候,也就是你突飞猛进的时候。

5、学会提问

把控全局,不要看到的只是片面性的东西,学会问为什么

6、集中注意力

每次只做一件事情,做重要的事情。(对于手机的使用,反扣手机不把手机放在身边。IM的处理,定时处理。)

第三次:积极思维(第三次交谈)

这次的交流大脑很清晰,知道该说什么该做什么,问题不怕暴露,需要去解决。最后的重点就是学会总结,总结看着很麻烦其实是在把事情变得简单,在慢慢变“懒”的路上。

总结

1、学会问Why?
2、学会筛选信息,管理知识
3、不将就,得过且过的终会还会来的
4、总结分享,分享总结


当思考方式,习惯,慢慢改变的时候,总是忘记东西的问题也就不是问题了,说了这么多最重要的是:去实践,去做!

这里写图片描述
有一双发现美的眼睛,我们的生活会变得更加美丽,打开心灵的窗户,窗外的花朵如此动人。

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 108
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