《拖拉一点也无妨》读后感

主要内容

  • 针对结构性拖延症,如何采用自我欺骗的方式让自己舒服一点,去拖延最重要的任务,完成清单上次要的任务,尽量成为一个高效的人

如何提高结构化拖延症的效率

  • to-do list: 将第二天要做的、不能做的按照优先级列清单
  • 其中优先级最高的任务是看似重要,看似有截止日期的任务
  • 随着优先级更高的任务出现,当前优先级最高的任务渐渐成为次要的任务,让人愿意着手去做。

感想

  • 平时工作中,由于一直采用sprint迭代式开发,每个任务都尽量明确,切分的粒度足够小,有明确的工作量规定,所以我的拖延症不是太明显
  • 但在生活中,比如下班回家躺着刷微博、知乎,要睡觉了再去洗澡,自我学习一些新知识时,我的拖延症表现得很明显。微信读书app上基本每本书要么收藏之后躺着,要么读了前三章。
  • 针对以上现象,如果想在生活中战胜拖延症,我可能需要像在工作中参与sprint开发一样,将自己的学习活动变成一个有backlog,有story, task, 估点的sprint。但是实话说,真的好累呀。工作已经够累了,下班总想做点和程序员身份完全无关的事情,比如刷微博,看小说,看八卦新闻。然后如果当天没干一些正事,又会有满满的负疚感。尤其是工作中和同事发生纠纷,总想好好学习跳槽,回家又想刷刷微博放松一下。
  • 我现在的主要问题有:
    • 没有一个to-do list,学习的东西多且杂
    • 无法抑制注意力分散,比如做着那些优先级更高的事情,会忍不住刷刷微博,玩玩手机。甚至去做完全不相干的事情,如果看技术博客,会忍不住看作者的其他博客,看到作者的读书计划,会忍不住去注册一个个人博客
  • 先尝试一下:
    • 列一个半年学习计划,逐渐细化成每日to-do list
    • 每日to-do list不求全部完成,每天有进度就很值得开心
    • 将上网、刷微博、看剧等消遣活动放在不得不打断当前工作状态的事情后面,等到该事情(吃饭,上厕所)来临时,再上网浪一浪
    • 列一个半年读书计划
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