说说我们SQL英语群的故事

点击蓝色“有关SQL”关注我哟

加个“星标”,天天与8000人一起快乐成长

我们本该在任何地方,都学到我们应该学会的东西。

这句话我非常喜欢。我不说它多么包含有哲学思想,只是单纯认可这种做学问的态度。凡事都要细致地观察,反复琢磨,才有可能认识到某块领域对自己的机会。

《Thinking Fast and Slow》这本书,讲的便是惯性思维对人产生的偏差。股市中最能体现这种偏差。人们常说天量天价,可追着天量上去的,最后都成了接盘侠。学不会就要交学费。而事事琢磨,瞻前顾后,又降低了处事的效率。拿捏中间的度,非常困难。

前两天,我收到一个留言。读者说,我们的英语群真没啥意思。开始我觉得很郁闷。辛苦搭建一个平台,纯免费的平台给大家伙用,居然还有人不满意。学不到东西,仿佛都是错在别人。

但后来想开了。我写了篇文章:

三行SQL代码中隐藏的数据库书单

在写的过程中,我不断遇到写作短片,断层。忽而觉得那段不妥,忽而又觉得引子不对,立意不新。辗转反侧,最终立定于自我驱动力,才写了下来。

于是这篇文,又让我坚定了一遍我的观念,人在学东西这件事情上面,永远不能急,永远不能贪,也永远不能寄望于别人。最终能靠得住的,还是自个儿。但凡有些重大的事情,你急,贪,躁了,肯定做不好。也不能给未来的你,带去有价值的经验。

回到正题,我们的英语群有没有价值,我认为肯定是有的。我举几个例子:

这位身穿红色战袍的 Brent Ozar 是我非常喜欢的 SQL Server 作家,他是《Professional SQL Server 2008 Internals and Troubleshooting》作者,如果想在一本书中学到有关SQL Server 的一切,那读这本吧。

甚至,我在 Twitter 上和他是好友。我请教过他的封面,是怎么设计的。他很礼貌的推荐了我,他的封面设计师。

那么,这么有价值的一条信息,为什么有人就当没看见?还老是追在别人后面问,能不能给我一份学SQL的书单,这不搞笑么?

当然,英语群不说英语,那是不是就失去了初衷?

然后,他们几位打着字就不过瘾了,直接脱口飙起英语来。毕竟都是外企或者国外的朋友,他们的口语让我汗颜。我也偷偷地学起了美式英语。开始模仿哪些是长调,哪些都是低调。口语讲得好,给人感觉更舒服。

就像我去丈人家拜年一样,说点地道的徐州沛县话,大家感觉才像一家人。有些味儿就出来了。

当然,我们也不止技术。国内热议的话题也都探讨,比如生活与工作的平衡,社会健康问题,等等。有些单词我也不认识,好在微信有翻译。你看,这不是学习,是什么?

有些人会说,你们一群中国人围在一起说英语,有什么搞头,越学越差劲。都学不到真宗的老美环境。我只能这么说,我是用英语,而不是去学。我用英语来表达我自己,还让别人都清楚我在讲什么,并且写几百字的英文文章,也没有障碍,这就是我的目的。通过这里练习,我达到目的了,而那些说这不行,那不行的人呢?能写完完整的200字英文介绍么?能看懂英文原版书了么?

不行,那你吵吵啥?

再说一遍吧:我们应该在任何地方,都学到自己本该学会的知识。

--完--

往期精彩:

本号精华合集(二)

如何写好 5000 行的 SQL 代码

如何提高阅读 SQL 源代码的快感

数据工程师必须掌握的7个大数据实战项目

零基础 SQL 数据库小白,从入门到精通的学习路线与书单

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

dbLenis

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