易中天

上大学的时候开过一门课叫商业礼仪。当时想着是门副课,所以睡了个懒觉,下半节课才赶过去。一到教室门口吓了一跳,发现班上同学们都正襟危坐着。难道是班主任来检查来了?这背时?小心翼翼地溜进去后才发现,原来同学们都在聚精会神地看一个录像。这次是我第一次接触培训录像。
在后来,我又看过 余世维,金正昆这些有名的培训师的培训录像,深刻的体会到了他们语言的幽默,和知识的渊博。但说句实话,虽然当时听得的确很快活,最后能记住的东西却不多。在一次看新闻时,了解到了易中天教授的品三国,后来上班放鸭子的时候又碰巧看到了这个MP3下载的链接,于是下载了几集,拷到了MP3里在车上听,结果差点坐车坐过站……。一冲到家就一古脑把所有的品三国全DOWN了下来,听得直到听到MP3没电了,罢工了才停了下来。
易中天先生的品三国,语言里面同样充满了幽默,但他是用当代的大众语言,从另一个视角讲述了家喻户晓的三国故事,所以显得格外的平易近人,也更贴近我们的生活。在被他逗笑的同时,你也可以体会到他故事里透出来的 做人,做事的道理,和一些管理学的知识。
好了,广告到此为止。希望大家也能听听,但听得坐过了站不要怪我唷。


易中天品三国01_大江东去
http://www.tingko.com/Down/UploadFiles_down2323/media/yzt01.mp3
易中天品三国02_真假曹操

易中天品三国03_奸雄之谜

易中天品三国04_能臣之路

易中天品三国05_何去何从

易中天品三国06_一错再错

易中天品三国07_深谋远虑

易中天品三国08_鬼使神差

易中天品三国09_一决雌雄

易中天品三国10_胜败有凭

易中天品三国11_海纳百川

易中天品三国12_天下归心

易中天品三国13_青梅煮酒

易中天品三国14_天生奇才

易中天品三国15_慧眼所见

易中天品三国16_三顾茅庐

易中天品三国17_隆中对策

易中天品三国18_江东基业

易中天品三国19_必争之地

易中天品三国20_兵临城下

易中天品三国21_临危受命

易中天品三国22_力挽狂澜



(另外附上我个人比较喜欢的他的一段话,摘自他的 《我的历史观》)

人类社会是善恶并存的。没有纯粹只有善的社会,也没有纯粹只有的恶的社会。人的社会就是这样的矛盾体。西方人甚至说,人一半是天使,一半是魔鬼。也就是说,人的身上,既有神性,又有兽性。神性就是善,兽性就是恶,人是神与兽、善与恶的对立统一。什么叫善?善不是说没有恶。一个人,为什么没有恶?怎么会没有恶?天生没有吗?这就讲不清、靠不住了。因为我们无法知道人的天性究竟是善还是恶。所以我们只能把这个问题挂起来,而且要把下面这个道理讲清楚,那就是:善,不是没有恶。善是什么?是我本有恶,我也会作恶,我也想作恶,我还能够作恶,但是我不作恶,我发自内心地不愿意作恶,这才叫善。这是“真善”。我本来也想作恶,我也能作恶,我装一个不作恶的样子,我用一个不作恶的样子去作恶,或者等到能够作恶的时候再作,那叫“伪善”。

转载于:https://www.cnblogs.com/outrain/archive/2006/09/08/492270.html

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