非技术 技能知识和资讯

我认识了很多开发者伙伴,大部分的伙伴都不擅长聊天,但我知道他的技术很强,而且不同的伙伴技术强的方面都不相同,刚好我参加了集团的一点培训,了解了技能和知识和资讯的差别,于是记录在本文

有一些伙伴属于技能强,但是知识薄弱。有一些伙伴属于资讯了解很多,但知识没有了解多少。有一些伙伴知识储备很足,但是没有啥技能

技能其实指的是非记和背能了解的知识,大概和做数学题的效果差不多,在开发里面,可以认为是技能的包括使用搜索引擎技能,使用某个软件的技能,调试技能等。技能会包含一点知识,有相关性。技能部分更多的是依靠经验和时间,去尝试或者练习学习的

但知识更多指的是类似语文古诗词的可以背下的内容,如了解 C# 语言知识,了解 WPF 的 XAML 知识,了解 GIF 格式的知识等。知识部分是需要看书看文档来学习的

资讯的知识类似新闻的内容,如 IT 之家的资讯,了解某某厂商发布了啥,某某有啥新特性等的内容

在认识新伙伴的时候,想要介绍说他有多厉害,可以试试从技能和知识和资讯三个不同的方向介绍或了解。从现实遇到的和在网上聊的有一些差别,如技能很强的伙伴,很多都是现实遇到会觉得特别厉害,如我看过某个小伙伴在 VisualStudio 上安装了 VIM 插件,然后全程快速输入。但如果技能很强的伙伴的知识薄弱,那么在现实也不会觉得他的技术差,但是会在网上聊的时候觉得他很多知识都不知道从而认为他比较水。大部分的读到高中或以下的开发者,同时看起来技术很厉害的,都是这个类型,技能很强但是知识储备不足,能作出很多奇妙的应用,也因为知识储备不多因此反而会更少受到限制,创新能力更强

如知识储备很足但技能不够的伙伴,在现实遇到了,一开始,会觉得好像他的技术没啥的,因为知识形的内容很难有可以在现实的输出,很少会有人能静下心听知识。但是在解决问题上,这样类型的伙伴能够全面的处理,而且是符合规范的方法。共事一段时间,才会觉得技术很厉害。在网上聊的时候,在聊到他的领域的时候,将会觉得他特别强。一般工作经验比较丰富的伙伴,要么就是技能强要么就是知识丰富

如资讯类的伙伴,现实遇到了,会觉得他啥都知道,能说出很多新的或者旧的但少人知道的东西。在网上聊的时候,也会觉得他啥都知道,很厉害。但如果资讯类的伙伴没有足够的技能和知识支撑,那么将会在实际合作开发发现他啥都只了解概念。在遇到一些奇怪的问题的时候,找这些伙伴聊聊也不错,也许会告诉一些很少人知道的东西来解决

我自己按照技能和知识和资讯评自己,发现我是属于知识储备足够,技能一般,资讯较差的。在现实会发现我在不断逗比中,原因在于技能上的不够。在网上聊的时候,会经常发现我听伙伴们瞎聊的时间更多,原因是资讯了解不多,但如果能聊到我的领域,那就可以全程听我瞎聊

大部分我遇到的伙伴,无论是哪个方面的能力比较强,其他两个方面也差不到哪去

好的,接下来咱来做几道题来练习一下

  • 小A同学打LoL时候的能双杀

以上称赞的是小 A 同学的哪方面能力?

【A】技能 【B】知识 【C】资讯

  • 小B同学基础扎实,了解 dotnet 里面的内存分配

以上称赞的是小 B 同学的哪方面能力?

【A】技能 【B】知识 【C】资讯

  • 小C同学了解市面上的新机型的新功能

以上称赞的是小 C 同学的哪方面能力?

【A】技能 【B】知识 【C】资讯

答案被我注释掉了,你需要通过F12才能看到

我搭建了自己的博客 https://blog.lindexi.com/ 欢迎大家访问,里面有很多新的博客。只有在我看到博客写成熟之后才会放在csdn或博客园,但是一旦发布了就不再更新

如果在博客看到有任何不懂的,欢迎交流,我搭建了 dotnet 职业技术学院 欢迎大家加入

如有不方便在博客评论的问题,可以加我 QQ 2844808902 交流

知识共享许可协议
本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。欢迎转载、使用、重新发布,但务必保留文章署名林德熙(包含链接:http://blog.csdn.net/lindexi_gd ),不得用于商业目的,基于本文修改后的作品务必以相同的许可发布。如有任何疑问,请与我联系

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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 1
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