哈佛商学院私人笔记:如何一天拥有48小时?

你的身边有没有这样一群人——永远精力充沛、永远有用不完的时间,工作、社交、生活、兴趣什么都不落下……

谁都知道这得益于他们对时间的高效利用,但具体的妙招是什么呢?

刚来到学校(哈佛)的时候我就被告知,你们的第一年是故意设计成很紧张的时间表,以锻炼你们的时间管理以及应对压力的能力——当然,对于那些曾经在投行或PE每周工作120个小时的同学来说,这完全是个笑话——但相对我以前每周70-80小时的节奏来说,还是颇为挑战的。

可是,同时,却总能发现周边的牛人们总能活得好像每天有48小时一样。同样每天上课、啃case、参加discussion group,这些人却还可以:

·        同学T,楷模型的学习委员。课堂发言总是很有质量;组织各种学习活动;几乎不落下任何一个party(相信我,商学院真的很多party……),但哪怕在另外一个州party到凌晨5点第二天早上7点照样雷打不动给全班同学发课业相关事项提醒。

·        同学A,discussiongroup几乎每次都是第一个出现,准备充分见解独到;同时在伦敦做一个startup,融资,招人,扩张业务,进展顺利;这个学期又在学校的school project做了一个startup,pitch competition拿了第一名。

·        同学K,作为美国某个人气歌手的乐队鼓手,上学期跟她一起在做巡回演唱会;奥斯丁音乐节上,我们还去瞻仰了一下她帅气的表演。

 

每当看到他们的时候,我的脑子里就开始浮现出从小看过的各种励志传记。可是,他们的style,却好像跟那些励志故事里每天只睡n(n<5)个小时,遵守严格的时间表,杜绝一切娱乐活动的形象不是很相符。

这倒让我心里很是窃喜了一番。因为,作为一名喜欢到处玩爱看电视剧还每天必须睡7个小时以上的同学——

我最不喜欢让人不睡觉的了!

为什么睡觉很重要呢?

时间管理的第一原则:效率

因为,当我跑去采访这些牛人的时候,他们不约而同地提到的“时间管理第一原则”是:效率。

在每天啃case的过程中,我也发现了这么一个简单的事实:同样长的case,我可以看上3小时,也可以40分钟-1小时看完,区别在于大脑的运转效率。

当大脑疲于工作的时候,对着case就开始犯困/发呆/走神,于是拖拖拉拉地看完,也不一定看进去了多少。

后来我学乖了,上完3节课回来,大脑已经累的不转了,干脆睡个半小时一小时的,起来又是一条好汉,看起case来哗哗的~算下来花的时间还是少的。

我自己发现的以及同学们分享的“效率”技巧

1. 维持能量

觉当然是一定要好好睡的。白天连续工作太久,发现大脑效率下降的时候,不妨放松或者小憩一下充个电,往往效率曲线就又蹭的一下上去了。

2. 提高体力

有没有发现动脑子的时候饿的快?说明脑力工作也是相当耗体力的。所以大脑与身体能持续高效工作多久,体力是基础。腾出时间,去健身房吧。这是对效率的投资,一定不亏本。

3. 集中精神

大多数事情在集中精神的状态下都会完成的更快更好,所以尽量一次只做一件事情。抄抄写写这种不动脑子的不在此列。

为了让你的大脑保证只想一件事情,往往要能够把脑子清空——如果发现有些事情在脑子里转来转去,不妨干脆先写下来,然后分配一个另外的时间再去想。

时间管理的第二个关键词:优先级

列了要做的/想要的list,下一步是排序。检验排序有效的标准:当出现冲突的时候,你能够干脆地放弃优先级低的。

比如:“对我来说,每天要睡8小时这件事情是第一优先级,绝对没有商量的余地。所以,party虽然不得不去,但一到12点我就会偷偷消失。第二天如果有人问我,怎么昨天party没看到你啊?我就会装傻说,啊,真的么?我一定是错过你了吧!”——学生E的经验分享。

所以,关于优先级这一点,想说的是:比决定想要什么更难但也更重要的,也许是决定不要什么。

我是容易贪心的平凡人,常常觉得这个也不能不做,那个也不舍得不要。观察身边的牛人,却发现很多我的第一反应会是“这怎么可以不做”的事情,他们却可以理直气壮地说,我不干。而这种放弃,是非常有策略性的。

例如,同学Y,discussion group不去,大部分要求的case都不屑读。我并不认同这种做法,但慢慢发现人家不过是想学的东西跟学习的方法不一样。事实上,他会坚持在课后总结整理自己的收获与思考,还从学校图书馆拿了很多其他感兴趣的case和书,并认真地写读书笔记。

同学K,身为美女+流行歌手的乐队鼓手,简直就是学校里的名人。可她偏偏几乎从不出席商学院的主流社交party与大型聚会活动。

她说,我就不喜欢跟一大群人去吵得要死说话也听不见的地方,特别浅薄,还不如省下来时间跟三两好友喝酒聊天。结果她依然是好友遍天下,第一次到土耳其也迅速找着了当地的音乐知己,聊天逛街抽水烟,不亦乐乎。

说到底,现在这个花花世界,填满生活还不容易,哪有那么多不能放弃的事情。

时间管理的第三个关键词:提前计划

说起来也不复杂,不过是每天、每周开始之前,拿出一点事情想想要干嘛。可是还是蛮容易想不起来去做这件事情的。

所以我们说说不提前计划的坏处是什么吧。除了事情可能恰好堆到一起导致手忙脚乱以外,最典型的负面作用其实是:时间永远不知道花到哪里去了。很忙的过了一周觉得自己好像啥也没干。

原因是如果不很清晰地知道要做什么,就容易碰到什么是什么。于是哪件事情先找上来就处理了,反正一时也想不起来有什么更应该去做的事。然后过了一阵子发现几件重要的大事一件都没干。

我对付这个毛病的办法是,在提前计划的时候:

1.     把大事分解成具体的任务

2.     把Calendar上用来做这件事情的时间锁定住。这样逼自己先把重要的事情的时间排出来,剩下的时间再处理其他事情。

反正时间长了就发现,其他事情真做不完也不会死。倒是重要的事情老拖着不做往往后果比较严重——重要的事情之所以“重要”,总是有道理的……

时间管理的第四原则:成就感

最后想说一点,这些出色的时间管理者有个共同特点,就是都很喜欢to do list,享受从to do list上划掉一项的成就感。

这种对成就感的追求,本身也是他们去管理自己的时间的动力。但这未必是每个人喜欢的生活方式。

有些人从高效的生活中获得满足,也有些人从慢节奏随性的生活中获得满足。

如果你决定“发呆时间”“看小说时间”“看肥皂剧时间”对你来说很重要,我觉得一点问题都没有。只要你知道你的选择同时意味着放弃什么,并觉得值得就好。

这个人生选择话题就太大了,任谁都是一生的反复权衡与纠结,我们就不说了。只是,不管怎么样,以上说的这些小技巧应该都能对执行过程有所帮助。

最重要的是立刻开始去做,哪怕只是其中任何一点。应该都能帮助你在同样的24小时里收获更丰富和广阔以及不焦虑的人生吧。

 

原文地址:http://mp.weixin.qq.com/s?__biz=MjM5OTA5ODAyMA==&mid=209431774&idx=2&sn=27dda3c01f5b0120c80aec5717ca0594&scene=1&srcid=GCzk4o4YgCt6HshPxw8f#rd


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