[个人总结]职场进阶修炼

  1. 心灵停留在舒适区是最不可原谅的( 就是懒,图安逸) 
    1. 期望舒适,不愿被打扰,不愿被push不愿被职责,不愿主动关心他人,不愿意思考如何提高团队效率(是否主动性还是懒)
    2. 消极听取领导的命令,消极待命
    3. 不主动接触其他同事,聚会不主动发言,没做好社交的准备 
  1. "好像,有人会,大概,晚些时候,说不定,应该..  总是把这些不确定的词挂在嘴边
    1. 这样容易给leader留下你不靠谱的映像
    2. leader期望从你这里得到比较肯定的结果
  2.  不要拖延
    1. 一般来说, 困难的事情放在前面来完成
    2. 拖延往往是执行力不够的体现
  3.  理论上可行不等于大功告成
    1. 提高自己办实事的能力,切忌空谈
    2. 公司里面总有部分靠嘴巴和靠实干做事的人, 搞清楚自己是属于哪一种.  要是靠实干, 老老实实动手去做
  4. 不要让别人等你
    1. 关注别人的进度,不要落后
  5. 细节很重要(事无巨细均很重要)
    1. 项目谁都能做到60分,但细节决定最终的结果。 细节决定成败
    2. 我曾经以为, 把主要目的达到就可以了.  但这其实是降低自我要求的一种表现.  可能你认为你已经做到80分,但在别人看来, 可能还差的远.  而这些细节, 恰恰可能是你给别人留下的最直观映像
  6. 不要表现的消极
    1. 可能做的事情不是自己感兴趣的,但不能懒散,懒得理睬,想办法应付。
    2. 可能做的事情很机械,但不要表现的闷闷不乐, 因为你可能郁闷更久。
  7. 不要推卸责任
    1. 人总是容易条件反射式的推卸责任,然后一大堆无力的辩解和粗糙的借口
    2. 事情发生了, 在上级面前努力解释说明原因其实很愚蠢.  不如更早的认错并且积极想办法补救.
    3. 仔细想想是不是自己的责任,是否自己的思维方式错误或者处事方式错误。 
  8. 主动汇报机制   主动让leader了解你的进度和动向, 这是对自己的工作负责,也是对leader工作的配合
    1. 积极主动地向上级汇报最新的工作进展情况
    2. 如果任务将延期,下级应尽可能地提前将情况告诉上级(如至少提前一天),以便上级能及时调整方案
    3. 工作中出现任何意外情况,应第一时间上报给上级 这样可以最大程度的规避风险
    4. 在主动汇报之余,推进晨间站立会,下午5-6点的例会。每周一次的小组长工作汇报会议,都是惯例
  9. 总结:  责任心, 积极的态度, 多做的同时多思考 
    1. 更积极,做更多的事情,才能更多的锻炼自己,让自己具备更多的能力。
    2. 先有萝卜, 再有坑.    你要时刻准备好,做一根合适的萝卜, 当坑腾出来的时候, 你才有更高的几率得到坑.  而不是坑在那里等你跳进去.
    3. 如何做好工作, 不仅是工作专业技能的体现,  更是对情商的一种锻炼.  做事先做人,  做人体现在做事中.
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