坚持一下,正态的哲学就在一个百分点——技术需要不断积累

现状

IT日新月异,完全让人慌张和措手不及,不久前刚出来MVC,很快就连升几个版本;其他的,Swift,智能穿戴,大数据等等,让我这样笨拙的人情何以堪啊!!!

是的,我爱技术,但同时我又比较笨和比较浮躁。(不对称关系组合在一起,真揪心)

比较笨,是因为我CPU处理速度不是那么地快,随着年龄的增长,确实力不从心;

比较浮躁,是因为我什么都想学,什么都想要,虽然我没有说直接要钱,但是我想要通过牛逼的技术,来赚更多的钱。

实际上,当我重新选择来写博文这条路,我有个比较小型而且明确的目标,人生重新有了另一种追求的意义。请接着往下看

最新感悟

入门

我们学习过程总是从零开始,入门的时候,有很多很多的人,在门里的,也有很多的人。我们的技术状态就是——入门。

正态分布角度:接近最多的人数,到达峰值。

一般

学了一两年左右,多多少少能够做点项目(如果人的智能按照大众水平,排除那些怪才,我承认怪才——很努力+很好使的脑子+很兴奋+很久的熏陶),对技术也有一定的认识。

但是,我们的心开始浮躁,开始想钱(至少我是这样的),什么都学一点,什么都不精,对未来似懂非懂,难以判断。我们的技术状态就是——一般。

正态分布角度:有一部分玩家退出,剩下的都是竞争激励的对手,虽然对手数量逐渐减少(转行去买水果等),但剩下的都在变强悍。

经验足

又过了一年半载,或者二三年,我们能够搭建一个企业级的框架,能够胜任一般企业的项目的开发,对“专业”技术也越来越苛刻,不断提高自己,是的,你已经是骨干了。我们的技术状态是——经验足。

正态分布角度:仍然有一部分玩家推出,剩下的还是很多竞争激励的对手,但是,排名突然间大大提高,可以闭上眼睛,想想,从正态钟形曲线一路下滑的斜率的改变,是不是很爽?

稀有

不管怎样,如果再坚持一点,我觉得不用说什么,已经是无限逼近X轴,薪资和技术都可以到达一个新高。

正态分布角度:夸张一点,你有可能出现在小概率事件的区间内哦。

Condition

如果中途退出,游戏直接结束,Return;

如果不积极,不谦虚地积累经验,学习技术,那么干一百年也只是年龄的数量增长;

如果不积累,那么也难以达到一个牛逼的技术人员;

如果不写博客,博客的积分永远都是那个59999名,不会动;

如果不体会自己的人生,那么人生就是一个只读点,不会被重新赋值;

Summary

最后,我坚信,每坚持一步,就会增长一个百分点,就看你坚持有多久。所以,没有什么好浮躁的,坚信自己的兴趣和抉择。

当有很多兄弟和你奋斗的时候,虽然压力很大,但要感谢他们,他们让你活在正态分布里面;

当有很多兄弟离你而去的时候,虽然很寂寞,仍感谢他们,他们让你走在了正态分布的稀有区间;

当你彷徨时,请记得,你做一步,就创造一个百分数点。如果很小,也能微调一个正态分布系统;如果很大,有可能决定这个系统。这是多么自娱自乐的事情啊!!!

坚持一下,正态的哲学就在一个百分点——技术需要不断积累

时间: 2024-08-02 08:36:42

坚持一下,正态的哲学就在一个百分点——技术需要不断积累的相关文章

【程序员眼中的统计学(7)】正态分布的运用:正态之美

正态分布的运用:正态之美 作者 白宁超 2015年10月15日18:30:07 摘要:程序员眼中的统计学系列是作者和团队共同学习笔记的整理.首先提到统计学,很多人认为是经济学或者数学的专利,与计算机并没有交集.诚然在传统学科中,其在以上学科发挥作用很大.然而随着科学技术的发展和机器智能的普及,统计学在机器智能中的作用越来越重要.本系列统计学的学习基于<深入浅出统计学>一书(偏向代码实现,需要读者有一定基础,可以参见后面PPT学习).正如(吴军)先生在<数学之美>一书中阐述的,基于统

曲线拟合——(2)拉普拉斯/瑞利/对数正态 曲线

作者:桂. 时间:2017-03-15  21:12:18 链接:http://www.cnblogs.com/xingshansi/p/6556517.html 声明:欢迎被转载,不过记得注明出处哦~ 本文为拟合系列中的一部分,主要介绍拉普拉斯曲线 .瑞利曲线.对数正态曲线的拟合,并给出理论推导. 一.理论分析 A-拉普拉斯(Laplace) 对于拉普拉斯分布: $f(x) = \frac{1}{{2b}}{e^{ - \frac{{\left| {x - \mu } \right|}}{b}

在opencv3中实现机器学习之:利用正态贝叶斯分类

opencv3.0版本中,实现正态贝叶斯分类器(Normal Bayes Classifier)分类实例 #include "stdafx.h" #include "opencv2/opencv.hpp" using namespace cv; using namespace cv::ml; int main(int, char**) { int width = 512, height = 512; Mat image = Mat::zeros(height, wi

OpenCV Machine Learning 之正态贝叶斯分类器源代码分析(Normal Bayes Classifier)

1.  CvNormalBayesClassifier的 类 定 义 在ml.hpp中有以下类定义: [cpp] view plaincopyprint? class CV_EXPORTS_W CvNormalBayesClassifier : public CvStatModel { public: CV_WRAP CvNormalBayesClassifier(); virtual ~CvNormalBayesClassifier(); CvNormalBayesClassifier( co

OpenCV Machine Learning 之 正态贝叶斯分类器 (Normal Bayes Classifier)

OpenCV Machine Learning 之 正态贝叶斯分类器 (Normal Bayes Classifier)

z检验用于检验正态样本均值是否等于某个假设值

    z检验用于检验正态样本均值是否等于某个假设值,不过需要事先知道总体方差,得到的统计量服从正态分布,有的教材上又叫u检验       t检验与z检验相似,t检验不需要知道总体方差,它用样本方差替代总体方差,得到的统计量服从t分布.实践应用中,t检验比z检验常用,因为不容易知道总体的方差.t检验来源于戈斯特的笔名student.     f检验主要用于方差分析,方差分析中,组间均方比上组内均方服从F分布,它是为了纪念费雪(此人对统计学贡献巨大)     卡方检验主要为了检验某个样本是否服从某

【CS229笔记一】监督学习,线性回归,LMS算法,正态方程,概率解释和局部加权线性回归

监督学习 对于一个房价预测系统,给出房间的面积和价格,以面积和价格作坐标轴,绘出各个点. 定义符号: \(x_{(i)}\)表示一个输入特征\(x\). \(y_{(i)}\)表示一个输出目标\(y\). \((x_{(i)},y_{(i)})\)表示一个训练样本. \(\left\{(x_{(i)},y_{(i)});i=1,\dots,m\right\}\)代表m个样本,也称为训练集. 上标\((i)\)代表样本在训练集中的索引. \(\mathcal{X}\)代表输入值的空间,\(\mat

[定理证明]正态随机过程又是马尔科夫过程的充要条件

必要性的证明 充分性的证明 参考 参考1:<概率论与数理统计教材>(茆诗松,第二版) 参考2:[公式推导]用最简洁的方法证明多元正态分布的条件分布 参考3:<线性统计模型-线性回归与方差分析>(王松桂) 参考3:百度文库--<随机过程-正态马尔科夫过程>. 后续更新: 在定理1的基础上证明的定理2: 定理2就很有实用价值,由于平稳序列具有遍历性,所以就可以用样本自协方差函数来代替总体协方差函数,从而来根据函数是否为指数函数来判别序列是否具有马尔科夫性. --------

估计量|估计值|置信度|置信水平|非正态的小样本|t分布|大样本抽样分布|总体方差|

5 估计量和估计值是什么? 估计量不是估计出来的量,是用于估计的量. 估计量:用于估计总体参数的随机变量,一般为样本统计量.如样本均值.样本比例.样本方差等.例如:样本均值就是总体均值的一个估计量. 估计值就是估计出来的数值. 可以在点估计上使用样本方差估计总体方差吗? 可以,是无偏的. 置信度与置信水平的关系? 置信度是0.05,置信水平是0.95 来自非正态的小样本如何处理? 按照样本原生分布处理 两总体均值之差两种方差情况下的自由度? 使用t分布的动机是什么? 抽样分布正态,但是总体方差未