玩游戏也是有心得的!——培训的第一天


    培训,又是培训。

    每次培训几个教训,哈哈哈。

    

[故事一]

教练上来聊了几句热场之后,要来一个全员大挑战,俗称镇场。接了。

“请听题:有一天,你开着一辆公交车,从始发站开始。始发站上来两个男的,两个女的。

然后下一站,下去一个男的。

然后下一站,上来一个男的一个女的。

然后下一站,下去两个男的。

然后下一站,上来一个男的,下去一个女的。

然后下一站,下去一个女的。

然后下一站,上来两个女的。

然后下一站,没人上车也没人下车。

请问,司机是男的还是女的?”

从中间那么多个下一站,那么随意的男女个数,是很容易看出来这个问题的目的肯定不是最终男女乘客数目。但是当时并没有想到怎么利用这一点。

然而可以关注的还有一些别的信息,比如一共经过几站,几站上了男乘客,等等。

这个问题的本质,可以说是他故意隐藏问题的目的,也可以说是他主动犯错来得到错误的回应。并不用纠结自己最后没有注意到问题的答案在问题的开头,因为想要短时间关注并记住所有细节,并不是一件容易的事情,花精力训练自己去记住和注意所有细节,也不一定是值得的。

所以要学会看开这种故意设坑的题。

[故事二]

三十张图片,每张图片寓意着一个数字,从1到30。当然,也可能寓意着几个数字。

一分钟时间看这些图,然后一分钟时间来把图按数字排序。排完之后告诉你从1开始对了几个。然后思考三分钟,再给1分钟排序,持续直到30张都排好。

如果是一个人做的话,除非是知识面特别广,不然估计得用十几分钟。

然而23人的团队只用3次就排好了。

当然我要讲的不是3次排好的故事。

三个小组竞争。第一次两个组0分,我们组最后一个排,3分。尴尬的庆祝。

第二次我们依次回忆,讨论到17张,然后决定暂时保证这17张没错误,核对了一遍。事情非常顺利,我们只用半分钟就排好17分钟,剩下的半分钟不到是蒙了几个后面的顺序。

第二次,两个组2分,我们组17分。确实值得庆祝,我们很开心。

第三次,没有我们的机会。前面一个组排好30张,直接获胜。

是策略错了吗?并不是。逐步渐进,已经是非常良好的策略,而且取得了不错的成功。

是轻敌了吗?并不是。第二次拼17张,确实有几个难关,而且后面也是遇到了难关。能拼到17张不容易了。

是对方太强了?是的。对方不止强,肯定运气也好。

那就这样没辙了?认输了?

是的。一般程度的努力,遇上这样的情况,认输吧。一笑而过,这是一个拼脸的时代。

但是心有不甘,第三轮如果我们先上,赢的就是我们了啊!然而并没有如果。所以,如果想要赢,想要抓住命运留给你的生存缝隙,只能拼第二把。第二把拼到17是不错,但是仅仅是不错而已。为什么不顶着压力往前走?大家都知道难,不迎难而上还想穿过都不知道存不存在的缝隙?是,也许不需要穿过那条缝隙就能赢,然而万一没有也许?

深深的记住,有时候,光“进”依然不够,要“进,进,进!”

[故事三]

这是一个扫雷游戏。

但是是一个看脸的扫雷游戏。

一张12*12的地图上,每个格子可能是地雷。从一边走到另一边的出口算赢。出口只有一个。

地图的中部,左右各3*4的格子被连在一起,是沼泽区,使得中间的路很窄。

23个人,每人两条命,没命则牺牲。

经过探索,发现中间所有的路都是死路,只能从沼泽走。而且只有一个沼泽可以走。

这个故事的一开始,我们就注意到沼泽了,而且教练语焉不详。我们在费了不少命探索出一条到沼泽的死路的时候,并没有想到往沼泽里走一步。而那正是正确的路。导致后来费了无数命去试探一条错误的路。

这种事情经常发生。明明感觉到线索,却没有思考如何使用,不敢去用。

加油改进。


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习是一种人工智能(AI)的子领域,致力于研究如何利用数据和算法让计算机系统具备学习能力,从而能够自动地完成特定任务或者改进自身性能。机器学习的核心思想是让计算机系统通过学习数据中的模式和规律来实现目标,而不需要显式地编程。 机器学习应用非常广泛,包括但不限于以下领域: 图像识别和计算机视觉: 机器学习在图像识别、目标检测、人脸识别、图像分割等方面有着广泛的应用。例如,通过深度学习技术,可以训练神经网络来识别图像中的对象、人脸或者场景,用于智能监控、自动驾驶、医学影像分析等领域。 自然语言处理: 机器学习在自然语言处理领域有着重要的应用,包括文本分类、情感分析、机器翻译、语音识别等。例如,通过深度学习模型,可以训练神经网络来理解和生成自然语言,用于智能客服、智能助手、机器翻译等场景。 推荐系统: 推荐系统利用机器学习算法分析用户的行为和偏好,为用户推荐个性化的产品或服务。例如,电商网站可以利用机器学习算法分析用户的购买历史和浏览行为,向用户推荐感兴趣的商品。 预测和预测分析: 机器学习可以用于预测未来事件的发生概率或者趋势。例如,金融领域可以利用机器学习算法进行股票价格预测、信用评分、欺诈检测等。 医疗诊断和生物信息学: 机器学习在医疗诊断、药物研发、基因组学等领域有着重要的应用。例如,可以利用机器学习算法分析医学影像数据进行疾病诊断,或者利用机器学习算法分析基因数据进行疾病风险预测。 智能交通和物联网: 机器学习可以应用于智能交通系统、智能城市管理和物联网等领域。例如,可以利用机器学习算法分析交通数据优化交通流量,或者利用机器学习算法分析传感器数据监测设备状态。 以上仅是机器学习应用的一部分,随着机器学习技术的不断发展和应用场景的不断拓展,机器学习在各个领域都有着重要的应用价值,并且正在改变我们的生活和工作方式。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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