知识管理方式整理

         信息获取的渠道有几种方式:网页信息、pdf、caj等电子格式数据浏览/纸质书阅读,当然还包括其他方式的信息获取,但是这三种是主要的信息获取方式,至少对我来讲是这样的。

         那么针对这三种渠道的信息整理就成为在知识整理过程中很重要的部分。


         针对网页的数据部分,将其划分为网页内容、网站等。在你查看网页的时候,可能某一篇文章对你很有用,可能某一个人的博客让你感觉很专业,持续关注会有更多的收获,可能某个网页工具对你很有用,可能某个论坛、某个网站对某个专题进行了深入的讲解,这些对我们来讲都是很宝贵的资源,想要收集起来,方便以后查找。
针对网页内容,有几种处理方式,一种是看完了,感觉很有用,就把它用evernote的firefox插件(clearly插件)进行重点划分,网页采集,或者直接将这些内容拷贝黏贴到Evernote笔记上。当然,笔记本的文章分类也是很重要的。

         另外一个是如果我觉得这个很有用,但是暂时又没时间看这个资料,那么我就会把这些内容用Pocket暂时存起来,有空的时候看,或者在车上的时候用手机查看。这里面提到的一些工具,大家都可以自己上网上搜一下,都是个人感觉很不错,长期在使用的工具。

         当然像网站、论坛、工具网页以及博客等这些用evernote、pocket这种内容收集的工具来处理并不合适。这个时候,浏览器的收藏文件夹就很有用了。但是浏览器自带的收藏功能有个缺陷,就是多个电脑间的数据共享、同步比较麻烦。这个时候Xmarks工具就派上用场了,他就是来解决收藏夹的多终端同步的问题的。也就是说,我在公司感觉好的网站,收集下来的网站,回家也能看到,同时不会因为电脑重装忘记备份而丢失。

         而pdf、caj等格式文本,我目前主要因为两个原因接触这部分数据,一个是看电子书,主要是IT方面的专业书籍,令一个就是某个专题需要查看部分沦为的时候,这个时候论文大部分是这两种格式的。这就明确了这两种数据的来源及主要针对的事项。
针对IT专业电子图书,我根据书所涉及的语言、架构等方面的内容进行文件夹的划分,而论文方面就更简单点了,就是针对这部分论文所涉及的专业方向进行文件夹归类。

         最后是纸质书的阅读了,因为纸质书与电子书的区别,导致在进行电子书的阅读的时候进行记录的方式还是以手写为主,你很难想象一边看书,一边双手打字给你打来的阅读上的断裂感,不过一些技术书籍可能稍微好点,如果你不介意这种感觉的话也可以这么干,主要这么做也不方便。另外一种就是直接那个本子记了,后面再用手机拍照收集下来或者用evernote提供的一个工具进行读书笔记的收集,不过那个本子是真心的贵阿!!!

------------------------------------------------------华丽的分割线--------------------------------------------------------

现在电子图书大行其道,虽然没有纸质书的质感跟味道,但是他的便利性却是纸质书无法比拟的。
目前使用的几款电子书阅读软件简单做个记录:
1、ezpdf 看这个名字就知道,这款软件是用来进行pdf文档的阅读的。虽然该软件还可以阅读其他格式的电子书,不过目前pdf文档这么齐备,基本也用不上其他格式的书了。
2、iannotatepdf 同样是一款pdf的阅读软件,不过我觉得这个软件在ios系统下面的效果那是相当的好,对于喜欢在书上写字画画的同学,这个确实是一个不错的选择。当然android平台也有,不过功能相对弱一些。不知道什么时候登陆windows平台啊。
3、kindle 这个是amazon的阅读器了,专门针对这货开发了相应的硬件产品,当然也有针对android跟ios的app软件(windows平台有吗?没看)。现在很多公司都在做电子阅读器(豆瓣、当当……),至于他与其他公司的这些软件的对比,我并没有做太多的了解。

最后整合现有的网盘(各大网络运营公司大打出手,分别有不同程度的大容量相送,不要错过),现在的电子书更是适合到处看。
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 1
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