互联网+时代的人生必修课—逆商

 

多年以前在互联网上观看了余世维博士的一个培训课程,讲的是一个人成功的关键因素是3Q,即IQEQAQ,大致的意思是成功=20%IQ + 60%EQ + 20%AQIQ是指一个人所具有的智慧多少和对科学知识的理解掌握程度,EQ是指一个人对环境和个人情绪的掌控和对团队关系的运作能力,AQ是指一个人面对困境时减除自己的压力、度过难关的能力。

 

在职场的体现通常是这样的,IQ是你的敲门砖,比如在大企业传统的面试里IQ是非常重要的,IQ往往决定是否录用你。EQ是你的升降电梯,即决定你在企业升职或降职的重要因素,我个人觉得在企业里的每一个人其实IQ真没有什么太大的差别,差别大的是EQEQ高的人左右逢源春风得意,EQ低的人怀才不遇垂头丧气。AQ是你的舞台,决定你能达到什么样的高度。

 

在旧年代的中国环境里,个人认为EQ真的非常重要,从我个人的理解,比如在政府机构里,很多事情应该是不需要太高的IQ的,在强大深奥的官本位体系下,高EQ让你游刃有余步步高升,在很多的企业里,也一样不需要太高的IQ,我们的技术都是跟着外国的屁股走,学习与模仿是最大的特色,老板们往往对高EQ的醒目仔印象深刻,而那些埋头苦干默默无闻的实干者则继续默默无闻。

 

但在当今的互联网+时代,信息对称了,体制越来越公开透明,传统的营销模式比如关系型营销慢慢失去功效,用户对产品与服务的要求愈来愈高,用户需要参与感,个性化,用户就是你的广告,互联网技术在不断地改变传统的生产模式、流通模式和管理模式,未来是数据的世界,数据比讲故事重要,我们的评价与决策以数据为主要依据,拥有数据你就拥有了话语权,尽管在极力鼓吹大众创业万众创新,但实际上创业会变得越来越难,这是一个合伙人的年代,这是一个大平台大生态的年代,从01的创业成功率会比较高,传统从1N的创业成功率很低,很多行业的互联网平台或服务只有第一没有第二,对创业者或创业团队要求越来越高,创业风险也越来越高,职业或创业的成功不仅取决于你是否有强烈的创业意识、娴熟的专业技能和卓越的管理才华,而且在更大程度上取决于其面对挫折、摆脱困境和超越困难的能力。

 

         那么我们该如何要提高AQ以适应互联网+时代的发展呢?这个问题公说公有理婆说婆有理,没有标准答案,因此我的分享也只是我的观点,觉得有理好玩就点赞,无理无趣就一笑而过。

 

1.       培养强大的内心和坚强的外表;

 

这通用于所有的行业与人,每个在江湖上混的人都不容易,需要一颗强大的内心让自已许许多多莫名其妙的病快速自愈,在困难挫折失败面前,你就是自已的上帝,战胜了自已就战胜了一切。

 

2.       专注,一生只学一门技能,只做一件事情。

 

我一直提倡专注,一生只学一门技能,一生只做一件事情,专注才能做到极致,极致才有竞争力,在大千世界茫茫人海中,我们作为一个个体,有如沧海一粟,你不可能什么都牛逼,任何行业任何能力,山外有山楼外有楼,别以为自已有多牛,还是静下心来专注学好你的技能做好你的事情。

 

3.       勇敢面对自已的脆弱,学会倾听倾诉,善于表达与记录。

 

每一个人都有自已的脆弱,即使你看起来很坚强,我们需要学会倾听,学会倾诉,以获得安慰与鼓励,甚至找到解决的方法,人都是在群体社会里生活与工作的,要善于和团队一起分享与讨论,如果你还喜欢记录,比如偶尔写写文章,总结过去,展望未来,分享自已的困难挫折失败,在给别人的经验与教训的同时,也让自已的心有了缓冲的时间与空间。

 

4.       多尝试多努力,看淡失败,人的成长有时是从失败中获取的。

 

我是一个从来不轻易放弃的人,即便是一而再再而三的失败,也一样能东山再起,因为我喜欢尝试,也很勤奋努力,第一次失败是最痛的,失败多了也就看淡了,甚至你会惊喜地得到成长,这就是历练。

 

5.       找到放松与独处的方法,然后去执行。

 

这个社会让每一个人都觉得很累,其实就只是一种心态问题,有些人真的很忙很累,但他总显得很乐观开心,给你的感觉是他过得很爽,有些人一天到晚都在重复那些事,然后不停地抱怨,总是很忙很累,个人认为要么方法有问题,要么心态有问题,心态决定人的高度与境界,如果真的很忙很累,那么你何不找找放松自已的乐子,比如一张电影票、一场旅行、一本好书、一个约会……人啊,别自已为难自已。

 

逆商是人生成败的关键,逆商在磨砺中得到提高,提高逆商, 从改变自己开始,巴尔扎克说过:“苦难对于天才是块垫脚石,对能干的人是财富,对弱者是一个万丈深渊”。

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 4
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