坚持学习打卡的人,将来会变成什么样?

坚持打卡的人,将来会变成怎么样?让我们拭目以待。我组织了一个打卡活动,希望大家踊跃参加。

有一个励志故事:

在中国的最东边生长着一种竹子,名叫“毛竹”。那里的农民到处播种,每天精心培养,等待着种子萌芽,即使农民几年来一直精心照顾,毛竹4年也只不过长3CM。别的地方的人看到这种情景,摇着头表示完全不能理解。会这样想:花这么长时间种它做什么,浪费时间和精力。

但是,竹子5年后以每天足足30CM的速度生长着。这样只用6周就可以长到15米,这里瞬时间就可以变成郁郁葱葱的竹林。虽然4年间只长了3CM,但从第5年开始了暴风成长,6周时间好像发生了不可思议的变化。

但之前的4年间,毛竹将根在土壤里延伸了数百平米。

我们身边也有这样的人,即使拼了命去努力也看不到成果或者即使不被人知道也坚持到底的人们。

当我们看到他们的时候,也许会认为他们很不幸或认为他们是傻子,但他们并不是不在成长,而是在扎根,很深很结实的根。等到时机成熟,他们会登上别人遥不可及的巅峰。

也许你现在做的事情看不到成果,但不要害怕–你并不是没有成长,而是在扎根。

学习不能一步登天,而在于积累,好多人就没熬过那3厘米

有一些同学想要入门机器学习,并且想要问我请教一些学习经验,我给出的建议总是很朴素,就是持续不断的学习,坚持每一周甚至每一天都学会、掌握一点新知识。

坚持一定能成功吗?我只能说,坚持的人,成功的概率大一点,大部分人,应该做大概率的事情。

我分享下我读博士的作息:

早上6点20起床,7点到达实验室,中午休息半小时,下午5点到7点体育锻炼(游泳或者跑步),晚上10点离开实验室,11点20睡觉,一周6天以上。

自律让我学习和体质上有很大的进步。(我通常是跑步和游泳,这是我的成果,当时年龄40周岁8个月)

当然,一个人孤独的坚持是困难的,为了营造良好的学习氛围,我和几位朋友组织了每周学习打卡的项目。到现在,这么项目已经启动了一个多月了,我们把它放到了 Github 上面,来简单看下大家其中一周的打卡情况。

这次的项目,本身也是一次关于坚持的尝试,从启动开始到现在,也不是所有的同学都坚持下来了,因为每个人都有自己的工作生活,能够在业余时间不断给自己进行充电,不是一件容易的事情。可以列出一个数据, ML 打卡:最初 13人,中途加入1 人,目前 8 人,减员 6 人;NLP 打卡:最初 6 人,目前 6 人,减员 0 人;CV 打卡:最初 8 人,中途加入 1 人,目前 5 人,减员 4 人。可以看出,表现最优秀的是 NLP 打卡的同学们,他们每周都按时完成学习心得分享,从未有人中途退出。在他们当中,也有 996 的程序员,繁忙工作之外的坚持更为不易。

由于这一次学习打卡的实践很成功,很多知识星球里的同学询问如何参与进来。之前考虑到打卡的质量以及我个人的精力,只是在小规模范围内试行,经过了一个多月的实践,我决定将机器学习打卡推广开来。

经过一些尝试,发现「小打卡」这款小程序能够提供很好的打卡体验,开始对热爱学习的同学免费开放。每天优秀的打卡主题,我也会同步到知识星球中。

打卡主题分为两个:

学习打卡体育锻炼打卡,每天只能各打卡一次,建议晚上8点以后打卡。打卡日记的精彩内容,我会更新到知识星球去。

我只是想看看,坚持的人,一年后会怎么样?两年后会怎么样?未来会怎么样?

大家可以看看,为什么越厉害的人,反而越努力?

加入打卡方式:点击学习打卡链接加入,或者在我的微信群里点小程序分享加入。也可以试试二维码进入:

打卡规则:每天只能各打一次卡(学习和锻炼),要求字数30字以上,建议每天晚上8点以后打卡。初定每个月打卡需要20次以上,以免被淘汰。

目前是面向全体朋友开放,人数太多的话,将只考虑我的知识星球用户。

请关注和分享↓↓↓ 

本站的知识星球(黄博的机器学习圈子)ID:92416895

目前在机器学习方向的知识星球排名第一

往期精彩回顾

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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