三句话是如何暴露自己不职业的

三句话是如何暴露自己不职业的 <script src="http://blog.csdn.net/count.aspx?ID=1781594&Type=Rank" type="text/javascript"></script>
 
       职场上,更职业的人受欢迎,因为比较职业的人让他人更放心。在他人眼里,一个是否职业,往往取决于是否让听者放心。
       从日常的谈话上,一个人是否职业,就能看出个大概来。试看这几句:
 
       “我尽快。”
       不同的人,“尽快”的含义是不同的。有的人讲尽快,指的是五分钟;有的人,指的是三小时内;更多的人,话中意思并不包括时限,指的只是一种想尽快办的心情;还有一种人,只是想敷衍一下对方。除最后一种外,前三种的含义究竟是哪一种,听者没法明白,也就没法放心了。
       解决这个问题,是把“尽快”变成“××时间内办完”。
 
       “我明白了。”
       接受任务或听取客户需求时,有些人会迫不急待地表达“我明白了”。且慢,大部分情况下的“我明白了”,实际上指的是“我理解出了一种意思”。被理解出的意思,与说话者想表达的意思是否一致,则不一定。
       职业的人通常都会与说话者确认意思。
 
       “我试一下。”
       发生在接受上级任务时最为常见。企业办事一般都有时限、有完成的标准。试一下?结果会怎么样,此时还没说明。上级允许这种情况发生,说明上级没经验;常说这话,说明说话者不够职业。
       职业人的做法通常是:“我负责办。××时给你一个答复”。尚有不明情况没向上级或客户问清楚时,职业人会问下去,不会轻易承诺。遇到确实没把握、又不急迫的事,才会说“我试一下”。
 
       职场中,上司和整个企业管理的不职业,许多时候会影响员工的职业性,造成员工不得不说类似这三句的话。此时,员工有没有更高的发展目标,是其行动方式的根源,有较高目标且愿意行动者不一定会严格坚持这些职业做法,但仍会用比周围更职业一些的方式工作。
 
      
 
职业不职业,不是自己说了算的事,别人的看法才是关键。而看别人是否职业,这三句话可是很灵的。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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