异类:探究成功的启示

为什么你与别人付出了同样的努力,却未达到别人的成就?那些成功人士的经验是否有迹可循,是否可以学习?《异类:不一样的成功启示录》这本书通过讲故事的形式来给我们一些启发。就个人而言,更喜欢它的英文名字《Utliers:The Story of Success》,它就是一本通过讲成功者的故事来寻求启发的书。

中国人做事成与败要讲究个“天时、地利、人和”。其实任何一个功成名就的人都离不开这些。现在所看到的名人,都是由于一系列的契机,外加个人的努力所获得的。

出生的时代决定了取得成就的优势

加拿大冰球人员的选拔分组的规则是这样的:1月1日到12月31日同组。这个表面看起来很公平的规则中却隐藏着一个秘密:1月1日出生的选手其实是在与其他比他年龄小的队友竞争。
在这里插入图片描述
在青春期的阶段,正值身体快速成长发育的阶段,一年的发育差距便意味着他有体力、脑力等各方面的优势。而这种优势在日常的训练、比赛中会体现出来。从而,他们获得了教练的更多关注、鼓励、褒奖、自信心提升、机会等。随着时间的推移,这种优势会不断的放大,最终原本差距很小的两个人,一个成为天才,一个成为平庸之辈。

“马太效应”说的就是这个道理:凡是有的,还要加给他,叫他有余;没有的,连他所有的,也要夺过来。

对于我们来说,我们无法决定自己的出生日期,就像无法决定很多客观存在的事情一样。那么,是否也可以寻求到马太效应的起点呢?

就拿职场中的例子来说:“那些没有发展目标、没有发展规划、也无积极心态的人,在发展中容易陷入负面循环,局面会越来越局促并难以突破;而那些从一开始有目标、有计划且心态积极、有闯劲的人,即使遇到一些困难,也能通过不断努力排除障碍,破茧成蝶,往越来越好的方向发展”。

通过上面的例子,其实破解马太效应负面影响的方法就是:确定目标,单点突破,并形成单点优势,然后利用马太效应不断放大这种优势。

无论个人或企业,在弱小的时候都是通过一个很小的点不断的做到最后,获得在这一点的优势,然后不断放大,到足够大的时候再进行周边的拓展。

1万小时法则

就像上面提到的,我们无法决定自己的出生日期,也无法决定自己的出生家庭和地点。但我们还可以通过后天的努力来进行改变。成功是天赋加上后天努力,而后天努力的作用很大。

埃里克森通过研究小提琴练习者得出的结论:第一,根本没有“与生俱来的天才”——花比别人少的时间就能达到比别人高的成就;第二,也不存在“劳苦命”——一个人的努力程度比别人高却无法比别人更优秀。
在这里插入图片描述
在智商和出身相差不大的情况下,唯一可以让人出人头地的方法就是:刻苦练习。这也是我们寻求单点突破的唯一方法。

一个人在学习的过程中,要完美掌握某项复杂技能,就要一遍又一遍艰苦练习,而练习的时长必须达到一个最小临界量:10000小时。

在此,大多数人犯的错误有两个:第一,在达到1万小时的量变之前放弃了;第二,所谓的“刻苦练习”只是在舒适区里面的刻苦,并没有取得实质性的进展。

软件行业有这样一个自嘲:程序员退休了,准备写写书法自娱自乐一下,提起笔之后,在纸上写下了大大的“Hello World”。从事软件行业的朋友第一行代码大多数都是打印这句话。

虽然是笑话,但如果一直停留在舒适区的努力是没有太多作用的。这也就是为什么有的人在一个行业工作了一辈子却没有成为专家。在之前的文章《为什么你的努力可能没有用》中也有详细的讲解。

成功者的幸运

像比尔·乔伊(Sun创始人)和比尔·盖茨这样的人,恰好出生的时代合适、家庭背景合适、学校资源合适等等,外加上他们无形中遵从着“1万小时定律”的在不断的超越自己,进化自我,最终才取得了现在的成就。

那么,现在是否也有这样的机遇在等待着我们呢?人工智能、区块链、大数据等等,是不是对于我们的来说是一个新的时代机遇呢?

这些领域都处于初期阶段,如果从现在开始,在其中的某一个领域深入研究,等它们即将被广泛运用的时候,你恰好攒够了一万小时,恰好成为了这方面的专家。那么,你会不会就是下一个时代的宠儿?

最后

最后将《异类:不一样的成功启示录》这本书推荐给不甘于平庸,想取得成功的朋友们。外加,读书过程中整理的脑图。
在这里插入图片描述
原文链接:《异类:探究成功的启示


程序新视界

关注程序员的职场生涯,大量优质学习资源、技术文章分享

csdn-微信公众号

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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

打赏作者

程序新视界

你的鼓励将是我创作的最大动力

¥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