《乌合之众》--Agree with something

从小学到大学,一个年轻人只能死记硬背书本,他的判断力和个人主动性从来派不上用场。

受教育对于他来说就是背书和服从。 学习课程,把一种语法或一篇纲要牢记在心,重复得好,模仿也出色——这实在是一种十分可笑的教育方式,它的每一项工作都是一种信仰行为,即默认老师不可能犯错误。这种教育的唯一结果,就是贬低自我,让我们变得无能

法国年轻人恰恰在最容易出成果的年纪,被剥夺了所有这些宝贵的接触、所有这些不可缺少的学习因素,因为有七八年的时间他一直被关在学校里,切断了一切亲身体验的机会,因此对于世间的人和事,对于控制这些人和事的各种办法,不可能得到鲜明而准确的理解。

十人之中,至少九个人在这几年里把他们的时间和努力浪费掉了,而且可以说,这是非常重要的、甚至是决定性的几年。他们中间有一半甚至是三分之二的人,是为了考试而活着——我这里指的是那些被淘汰者。还有一半或三分之二成功地得到了某种学历、证书或一纸文凭——我指的是那些超负荷工作的人。

在规定的某一天,坐在一把椅子上,面对一个答辩团,在连续两小时的时间里,怀着对科学家团体,即一切人类知识的活清单的敬畏,他们要做到正确——对这种事所抱的期望实在太过分了。

在那一天的那两个小时里,他们也许正确或接近正确,但用不了一个月,他们便不再是这样。他们不可能再通过考试。他们脑子里那些过多的、过于沉重的所学不断流失,且没有新东西补充进去。他们的精神活力衰退了,他们继续成长的能力枯竭了

一个得到充分发展的人出现了,然而他也是个精疲力竭的人。他成家立业,落入生活的俗套,而只要落入这种俗套,他就会把自己封闭在狭隘的职业中,工作也许还算本分,但仅此而已。

这就是平庸的生活,收益和风险不成比例的生活。 生活中取得成功的条件是判断力、是经验,是开拓精神和个性——这些素质都不是书本能够带来的。教科书和字典可以是有用的参考工具,但长久把它们放在脑子里却没有任何用处。

《乌合之众》-大众心理诊断

群体中:个人行为表现具有如下特点,1:是自我人格的消失,2:是无意识人格起到决定性作用,3:是情感与思想在暗示与传染的作用下转化一个方向:4:是暗示的观念具有即刻转为行动的冲动。

个体的人是理性的,一旦到了集体里面,就丧失了理性, 不善推理,却急于行动 , 夸大自己的感情 , 只会被极端感情所打动 这些简洁而坚定的判断,让人们可以迅速拿来解释身边的现象,易学易用。

相关链接:https://www.zhihu.com/question/33591602

                 https://zhuanlan.zhihu.com/p/29477894

 

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

打赏作者

JianRobSim

嘤嘤其名,求其友声!

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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