如何讲好故事

我最近在申请[EHF - 新西兰的创业移民项目],在写申请材料的过程当中,我深刻意识到了讲故事的重要性!

下面跟大家分享一下我的例子。这里特别感谢我的好朋友丹尼尔(Daniel Bar)。以下的第2个版本就是我的好朋友丹尼尔帮我做的例子,受到这个讲故事手法的启发,我才写了这篇博客,也希望把好东西分享给有需要的人。

原来的故事

2019年我去尼泊尔和孟加拉交付了两次培训课程,还分别在这两个国家进行了两次敏捷演讲的分享,通过这个事情我连接了东南亚的当地敏捷社区。

怎么样读了上面的文字,你有什么感受呢?

改进版本的故事

中国是一个快速发展的国家,在中国敏捷已经慢慢得到普及。但与此同时我意识到东南亚的很多国家,也急需要敏捷来帮助他们改变工作与生活的平衡,改变他们的行业,改变他们的公司。我相信敏捷一定可以帮助他们得到更好的生活,也一定可以帮助他们改善现有的工作状况。所以2019年我受到尼泊尔和孟加拉敏捷社区的邀请去交付了两次演讲的分享,同时也做了两次培训课程,为当地人民带去了目前全球最新的思想和知识。

这个版本呢,读完之后有什么感受?

很明显,第2个版本更像是一个故事,从讲我自己的价值观,再到讲我的心路历程。这样更容易打动读者的心,更容易让人相信你说的话。而第1个版本只是描述了一个事实,可能有人就会问那又怎么样?与我何干?

所以讲故事的核心:要和自己的价值观连接到一起

总结与反思 - 黄金圆环

大家还记得[西蒙西涅克的黄金圆环]

讲故事也遵循同样的黄金圆环原则。

如上图所示,黑色箭头是第一个版本的故事,主要讲了事实(what)。

如果只是讲事实,这就是属于什么(what)的层面。只是告诉了别人一个事实又怎么样呢。 多数人讲故事是这个套路,难以打动人。

而如果我们从为什么(why)开始讲(如上图红色箭头)。则会完全不一样。比如为什么会去做这个事情,我的动机是什么?然后再讲怎么做的,得到了什么结果,这样的故事会更加的强大,更加的具有感染力。(这里面也离不开what,具体的数字和结果)

所以下次你再讲故事的时候,要不要也试一试呢,先讲出你的动机,你的价值观,为什么会去做这件事情。
把这些交代清楚之后再来描述你要讲的故事,看看会有什么样的效果。

本文首发于 Bob Jiang的博客 ,转载请联系 Bob Jiang

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