《演讲的力量》读书笔记

写在前面

我在阅读这本书的时候是把它当做工具书来读的,所以我的总结可能不具有通用性,而是总结我为什么要读这本书,我想通过它来解决什么问题。

我的问题

  • Q1: PPT的制作,也就是整个演讲的思路、结构。通过这几年的工作也积累了一些经验,但是怎么把它沉淀为一种切实可行的方法,不用每次做演讲又从零开始?

    主线意味着你首先需要确定一个能在有限时间内进行适当阐述的思想,然后搭建一个框架结构,从而使演讲中的每个元素都能与这个思想建立联系。
    让我们看看“结构”一词,它非常关键。不同的演讲会有完全不同的结构与中心主线相匹配。一种演讲可以从介绍演讲者研究的一个问题入手,给出一个例子说明这个问题,然后转向历史上一些试图解决这一问题的例子,再给出两个最终失败的例子,接着提出可能的解决方案,并用一个非常新颖的例证来支持这一想法,最后提出对未来的三个设想作为结尾。你可以把演讲的结构想象成一棵树,中间有主干垂直向上,其上附有树枝,每条树枝代表着对主题的展开论述:一条树枝在底部,作为开场趣味性的例子;上面两条树枝讲失败的例子;还有一条树枝讲可能的解决方案,作为新的例证;最后三条树枝在顶端,是对未来的设想。
    另一种演讲或许只是逐一分享有统一主题的五件作品,开头与结尾都是演讲者研究的课题。在这种结构中,你可以将主线想象成一个环,环上串着五个不同的盒子,每个盒子代表一件作品。在我撰写这本书时,网上点击量最多的TED演讲者是肯·罗宾逊(KenRobinson)。他告诉我,他的大多数演讲都遵循以下简单的结构:
    A.前言——明确要讲的主题
    B.背景——为什么这个问题很重要
    C.主要概念
    D.实践意义
    E.结论
    他说:“写文章有一个古老的准则,即好文章要回答三个问题:什么?怎么样?怎么办?演讲与之有点类似。”当然,肯·罗宾逊演讲的绝妙之处远不在于他简洁清晰的结构,无论是他还是我,都不会建议所有人使用同样的结构,关键是要在有限的时间内确定结构,使主线适当展开,并清晰地呈现每个演讲环节与主线的关联。

  • Q2:怎么准备?这是一直困扰我的问题,到底是背诵还是不背,如果完全按照背诵的来讲,我觉得别人肯定听得出来,这样就跟背书一样,对听众来说太不友好了,至少我面对背诵的演讲者,或照稿宣读的演讲者是极讨厌的;如果不背,现场最可能出现的是表达不流畅,如有些地方心里理解但是却不知道怎么用语言给大家表达出来,再比如PPT切换的时候,串词没准备好。到底是背诵还是不背呢?

TED演讲嘉宾帕梅拉·迈耶(PamelaMeyer)就如何检测谎言做过一场成功的演讲。她赞同背诵演讲稿,她的观点:“我通常告诉人们:熟练未必生巧,熟练使得不完美可以接受,因为当你彻底地理解了某事,就能用你自己的方式来驾驭它,而不是急于摆脱它。”

哈佛教授丹·吉尔伯特建议他的学生首先把演讲词对着录音机说出来,然后抄录下来,用作演讲的初稿。为什么?“因为人们在书写的时候,倾向于用正常讲话时不常使用的词、词组、句型和韵律。因此,当你先使用书面文本,之后再将其转换为表演文本时,你是在试图将一种交流形式转换成另一种交流形式,这样终将以失败而告终。”

不管你决定采用什么样的演讲模式,有一种非常简单的方法可以完善你的演讲,但大多数演讲者很少使用这种方法:反复排练。

  • Q3: 怎样演讲才能让人理解,让你的分享有意义?我一般都是做技术分享,我觉得还是可以让人理解的,但是是否能得到别人的认可,让别人印象深刻,还是需要学习的。

这个问题没有前面的问题让我困惑,所以我以读故事的方式阅读这一部分,没有很多方法的总结,但是和之前朋友交流的方式一样,讲故事,幽默,这样比较容易让听众记住。

写在最后

读到最后一部分觉得我碰到彩蛋了。作者对TED的价值思考的深度很深,很让我佩服。
1984年TED创建之初,理查德·“里奇”·沃尔曼及其合伙创始人哈里·马克斯认为,在技术、娱乐和设计产业(分别指TED当中的T、E、D)之间有着越来越多的融合,这是有意义的。
后来作者在接手TED时有了更多的思考,他认为TED的存在并非只依靠技术、娱乐与设计之间的协同作用,而是依靠所有知识的连接。

我们正在步入一个所有人都需要花更多时间互相学习的时代,这就意味着比以往任何时候都多得多的人能对这一集体学习过程做出贡献,任何从事特殊工作或拥有特殊智慧的人都能建设性地参与其中,当然也包括你。但如何参与?无论你是一位伟大的天体物理学家、一位天赋异禀的石匠或只是一个对生活有所感悟的人,我不需要从你身上学到你知道的一切,当然不需要,那需要数年的时间。我只要知道你所从事的工作是如何与其他事物相联系的,你能否用一种我可以理解的方式解释其要旨?你能否用非专业语言分享你的工作过程?你能否解释它为什么重要?你为什么对它如此痴迷?

如果你能做到这些,你就会开阔我的视野,而且你还可以激发我的创造力或灵感。每一个知识领域都是不同的,但它们也是相通的,而且常常会发生共鸣。这意味着你描述的工作方式可以让我获得智慧,或者启发我的思想,思想就是在这样的碰撞过程中诞生的。因此,公共演讲复兴的第一个有力推手就是,我们正在走进的知识时代需要一种不同的知识,鼓励我们接受自己传统专业领域之外的人们的启发,从而加深对世界的认识,加深对我们所扮演的角色的认识。
但这还不是全部。

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