记录点滴——2019年终总结

读过的书:

  • 《圣经》:从年初到年终,终于完成此书的速读。对于书中的历史事件、人物、教训有了更多的认识。引用:【耶稣说:“是,却还不如听 神之道而遵守的人有福。”(路加福音 11:28 和合本)】
  • 《shengling的力量》开阔了眼界。
  • 《向前一步》 鼓励女性要勇敢、自信。
  • 《蒙福人生》 真正的祝福从何而来
  • 《诸神面具》 知道了,那些所谓【大家都这么做】,其实是【不对的】。
  • 《但愿婚前早知道》 提前知道了一些现在不知道的一地鸡毛的剧情 ^_^
  • 《心思的战场》 知道了负面情绪从何而来,以及如何克服——武器是【常常感恩,常常赞美。不因别人做了什么或没做什么,产生不良情绪】

学过的课:

  • C++ 第四版年前结束的,作为2018年学习的收尾。
  • 王争的《数据结构与算法之美》——极客时间。部分代码提交git
  • 香帅的《北大金融学课》——得到。对金融基础、国家经济大背景有了一个初步的宏观认识。后半年试着用小小的money进行理财。收益3.88%。学费挣回来了。
  • 年底刚开始机器学习,2020年,开始做向AI进军(即自学)。
  • MySQL、python、Qt、C#等都是今年入门的,当然现在还在初级阶段。

听过的书:

逆商、让大象飞、创新者、高能人士的七个习惯、亲密关系、成吉思汗与今日世界之形成丝绸之路爱因斯坦、学会吃饭、机械宇宙、不管教的勇气、自尊、万物皆数、知识大迁移、故事经济学、人类简史、为什么有的人特别招蚊子、恰如其分的自尊、未来简史、列奥纳多.达.芬奇传、每个人的战争、世界观、精益创业、即兴演讲传染掌控谈话

来自【樊登读书会】。书是好书,一些观点不认同,仅代表个人观点。加粗的书,是我到目前为止,还有印象的书。如果有时间,会自己读一遍之后,写读书感受。

敲过的代码&刷过的题:

https://github.com/hitskyer/course/tree/master/dataAlgorithm/dongyaxing        只有这点点记录。

力扣刷题记录。

财务总结

2019年自己财务管理,总结:

1、分析2019年的花费,总结出需要改善的地方 :
总消费:4W+ 元。
房租(房租+水电煤气1.6%):47.9%
人情(份子钱,逢年过节给家人买东西或意思意思):18.8%
餐饮(主要是自己吃饭以及请人吃饭):13.2%
医疗(买中药调理身体):5.1%
交通(铁路、公交):4.8%
家用(置办居家用品):4.5%
服饰(自己买衣服):2.6%
护肤品(简单的水乳套盒等):0.7%
教育(网课投入、买书):0.6%
通讯(话费):0.5%
其他:0.4%

2、总结2019年投资的得失,并拟出调整方案 
购买了几只消费基金,涨幅还是不错的。2019年,虽然经济大环境不是太给力,CPI质数(居民消费质数)开始可以的,主要是猪肉影响大一些。买了一只医药基,当时听别人说的,然后没有研究,就试着跟了一点,收益不稳定,且负的时候居多。所以买基金也需要认真分析,尤其【不能听别人说】。
调整的话,就是需要看宏观基本面,选择几种基,然后坚持定投。

3、为2020年做消费计划 
减少在医疗上的开销。为身体的健康持守dg,并且积极锻炼身体。
对自己好一点,我在经济上,对自己太过于抠门了。

4、2020年的财富增长计划
工资每年会有涨幅,工龄+1,工资涨50元。
然后就是基金,可以提高一点投入,获得更多回报。

谈谈感受:

听书跟读书,是不一样的,听书更多听到是书里的故事以及讲述者的观点。读书除了知道书里的故事外,更有助于自己思考。如果有更多的时间,还是自己读书。

工作需要的知识,学的不是太多、不是太深,不过应付目前是够了。但是!,还是要继续深造,不能止步于皮毛。

关于2019年的运动,上下班走路 20-35分钟,单程。每天往返。除特殊天气外,都是走路。所以运动量还是有的。每天早睡早起。当然,我一直是这样的。

借用【Angelo Fracassa 】老爷子的一句话:对我来说,最重要的是上帝,第二是家庭,第三是国家,当我说到国家时,我的意思是,做好自己的工作,遵守职业道德,就是爱国了,大概就是这样。

最后感谢上帝,感谢爹妈,感谢我的HT学习团队弟兄姊妹(包括蓝朋友),大家相互支持、相互鼓励、一起学习,才能使我的2019有如此的收获。感谢老板,给我留下学习的时间^_^

 

忘记背后,努力面前,想着标杆直跑!

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
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