我为什么没办法持续精进机器学习理论及数学?

在过去的3年内,我曾经无数次想把机器学习理论学习得更扎实,更牢靠,让自己的数学知识更牢固,更好。

然而,现在三年过去了,我深深的发现,我的理论和数学,还留在三年之前的那个水平。

3年过去了,我还是我,虽然得到了一些成长,但是平心而论,这并非是我所期望的速度,也不是我本来可以达到的高度。

3年,1095天,就那么流逝了。很多时间,就这么被我所荒废了,我很大一部分人生,浪费在了一些琐碎、对我人生毫无裨益事情上面。这真是一件可悲又让人可愧的事情。

这是一个惨痛而悲惨的事实。但是我需要直面它,即便在情绪上无法接受,但是只有直面现实,才能找到问题解决之道。在这篇文章中,我希望可以深刻的思考我为什么没有持续精进我的计算机理论知识,机器学习理论以及数学,是什么原因导致的,在以后的人生中,我该怎么避免?

1.关于耐心和耐力

很多时候,一旦遇到了短时间内难以理解的概念。自己就会心烦意乱,甚至想跳过这个不懂的概念,而不是想着彻底弄懂它,掌握它。而那些简单的东西,它们是我本来就知道的,价值对我相对来说也很小,自己为什么要把时间花在那么多价值很小的事情上,而不是把时间花在那些长远来说 学习确实令人感到困难,但是对我却真正有价值的事情上呢?

其次,在学习知识的过程中,为什么要急躁呢,每天心烦意乱、急躁,对我来说,没有任何帮助。倒不如真正的平和 镇定下来。一脚一步的啃下实在的东西。

我觉得可以给自己一个期限。如果在那个期限之前,自己可以把基本的数学知识搞得纯熟、把相关的机器学习理论搞得纯熟,自己就去出国。如果连这么一个事情,自己都没办法办到,就好好留在国内挣钱,脚踏实地得生活。

这样一想,无论哪个目标,我都是可以接受的,或者说,我必须坦然接受。

2.制定可以完成的目标,而不是盲目制定目标

如果说,自己给自己一个期限,看自己是否能够在既定的时间内完成自己给自己设定的目标。那么接下来便是进行任务拆解。

把具体并且宏大的目标,拆解成每一年,每一月,每一周,每一天,甚至到每个小时。

每天、每周,每月的目标,都要根据自己的情况, 进行规划。如果你制定的目标,在时间内,根本没有办法完成,实际上是没有意义的。

我记得在之前做计划的时候,每天给自己安排的任务是很多的,以至于根本没有办法全部高质量的完成。我想这个时候,宁愿

少一些,能够完成一些, 真正理解和掌握,也不要那么多,那么囫囵吞枣、一知半解。

这个时候,那更要平静下来,制定少的,可行的,符合自己能力,能够高质量完成的目标。

3.休息方面

休息是为了什么,是为了保证自己的身体和能量,让自己能够有更多的能量投入生活。

而我却经常那么晚睡,放纵自己,自己有没有真正想清楚晚睡的原因呢,如果每天可以把自己想要完成的任务都完成,

是不是就可以安心的睡去了?如果有烦心的事情,就接受接纳它们,毕竟它们并不会真正影响伤害到我。

如果学习累了,其实你也可以去散步的,毕竟休息好了,你才能真正高效的完成学习任务。 

4.执行计划的坚决性

上一次在执行计划的时候,因为cdssm语义模型要上线,结果自己就中断了计划,直到现在也没有恢复。

为什么要中断呢,自己把一天中的所有时间都放在cdssm语义模型上,以至于无法再挤出时间到执行计划上面。

其实,也许有更好的解决方案?也许,我可以把cdssm语义模型的项目周期延长一些,即便我延长一些,也不会太影响上线。、

这样,每天的时间,我就可以再挤出来。

5.关于生活中的情绪

之前自己在遇到一些情绪问题时候,总是试图去控制、与情绪去搏斗。而控制、压抑、搏斗的过程浪费了我太多的精力,以至于我没办法再很好的执行我的计划,做我想做的事情,朝我想要方向前进。

我觉得ACT那本书中的一些话很有道理,情绪本身不会影响伤害人,如果你完全接纳它们,感受它们,并采用一些技巧,它们对你所能够产生的影响便不再是那么大了。退一步讲,即便你不开心,你有负面情绪,又如何呢,你依然可以选择前进,朝自己想前进的方向前进,带着那些负面情绪。

6.关于效率问题

另外一个是效率问题。在很多时候,不仅仅是在执行学习计划的时候,包括工作的时候,一定要提高效率。如果效率不够高,会导致要完成既定任务比预计花费更长的时间,进而压缩挤压其他任务所给以预留的时间。

 

 

 

 

 

 

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。
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
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