lixi


1. 有理想很重要

  往往有人把”有理想”作为”人格崇高”的代名词.这种习惯是错误的.有理想就像要吃饭一样,正常.理想的特别之处在于,它更侧重于精神上的一种需求. 
  理想,并不仅仅是指”为人民服务”,”我要做劳模”,”我要做首富”这样的口号.理想可以更为短期,更为实际一点.比如说,买个朋克风格的汽车,或者建个LOFT,甚至卖炊饼都可以作为理想.把理想妖魔化,是由于传统的保守自闭倾向造成的固执. 
  今天的世界已经改变了很多.曾经国破家亡的时候理想不多,当时献身革命改变时势是为数不多的理想.今天,时代已经变了.不仅是体制变了,而且,仅仅是量上的东西都已经改变.

2. 规划和实现理想更重要

  不让理想流落荷尔蒙的唯一办法,就是把它实现. 
  实现理想的办法如今有很多,可以采用一些不重复造轮子的办法.我们在计算机\单片机\英语上的知识积累让我们能够做到这一点,但仍然有一个现实的情况是,受限于共同的经历,我们习惯了把眼光向内看. 
  向内看其实是没有必要的.谁家媳妇更漂亮更强力这是典型的loser问题.我们可以向外看,别忘了还有像linus一样文武双全的风流才子. 
  规划理想,就是要为理想瘦身.裁剪掉不那么重要的,或者说重要而非必要的.轻装上行,协同并进,要高效率地积累量的优势. 
  而实现理想就可以品尝成功.虽然成功的定义千奇百怪,但实现理想,毫无疑问,正是一种成功.

3. 懒散只是生活方式

  懒散是一种生活方式.但也仅仅是生活方式的一种. 
  应该还有其他的生活方式.比如说理想主义的,勤奋主义的,委托主义的,众包主义的,甚至开源主义的. 
  懒散不值得作为理想,因为任何人在事实上已经占有了它.就像空气,什么人才会把呼吸作为一种理想?

4. 现实的哲学意义

  说到现实,就不得不提到一种”三维世界”的观点. 
  我们今天谈的理想现实,与三千年前那些人谈的理想现实不太一样.社会化生产出现以后,实际上引起了一个很显著的思想上的变化,传统的世界观分裂成了三个,理想的,计划的和现实的. 
  理想的是指可以让精神愉悦的,计划的是指可以被集团执行的,现实的是指作为个体去经历的.社会化生产对意识形态的改造是,尽量把其他的世界观向计划的拉拢. 
  从哲学意义上说,在做之前,未来还没有接触到现实.或者说,讨论现实仅仅只有历史意义,而不具备充分的指导意义.

5. 理想有没有现实意义?

  理想从过去的高大上,从城邦领主和贵族的专属,到了今天一种人所必备的职业素养,其间最大的驱动是变化.当变化出现的时候,人去应对变化,从而导致理想具有了相当程度的现实意义. 
  互联网让人与人的联系更便捷.这就意味着每个人所要经历的信息量呈几何级数的增长.随着带宽再一次调高,这种情况是更加普遍. 
  知识经济的发展,特别是对于洪量信息的处理,必须要求一个超越于现实和计划的存在来作为基本的基础.人的渐变远远慢于机器的进化,从而强化了理想的必要性. 
  另一方面,社会资源的有限性也要求了人要有不同的理想.这两个方面形成了理想具有现实意义的基本机制.

6. 理想的现实意义

  理想决定战略,战略架构了生存. 
  理想调节社会资源.当人人都想做手机的时候,价值规律也就来了.当每个人都想做驸马的时候,驸马也就不存在了,他只可能是最有权势最有地位的那一条单身狗. 
  仅仅只有理想同样是致命的.具体的害处跟只有现实是一样的.

7. 小结

  只对”鸡犬相闻,互通有无,共同进步”感十二分的兴趣.

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
本系统采用微信小程序作为前端交互界面,结合Spring Boot与Vue.js框架实现后端服务及管理后台的构建,形成一套完整的电子商务解决方案。该系统架构支持单一商户独立运营,亦兼容多商户入驻的平台模式,具备高度的灵活性与扩展性。 在技术实现上,后端以Java语言为核心,依托Spring Boot框架提供稳定的业务逻辑处理与数据接口服务;管理后台采用Vue.js进行开发,实现了直观高效的操作界面;前端微信小程序则为用户提供了便捷的移动端购物体验。整套系统各模块间紧密协作,功能链路完整闭环,已通过严格测试与优化,符合商业应用的标准要求。 系统设计注重业务场景的全面覆盖,不仅包含商品展示、交易流程、订单处理等核心电商功能,还集成了会员管理、营销工具、数据统计等辅助模块,能够满足不同规模商户的日常运营需求。其多店铺支持机制允许平台方对入驻商户进行统一管理,同时保障各店铺在品牌展示、商品销售及客户服务方面的独立运作空间。 该解决方案强调代码结构的规范性与可维护性,遵循企业级开发标准,确保了系统的长期稳定运行与后续功能迭代的可行性。整体而言,这是一套技术选型成熟、架构清晰、功能完备且可直接投入商用的电商平台系统。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
考虑实时市场联动的电力零售商鲁棒定价策略(Matlab代码实现)内容概要:本文围绕“考虑实时市场联动的电力零售商鲁棒定价策略”展开,提出了一种基于鲁棒优化的电力零售定价模型,旨在应对电力市场中可再生能源出力不确定性及实时市场价格波动带来的风险。通过构建两阶段鲁棒优化模型,结合风光出力场景生成与负荷聚类分析,充分考虑了电力零售商在日前市场与实时市场之间的互动关系,实现了在不确定环境下的最优定价与购电决策。文中采用Matlab进行仿真验证,展示了所提策略在提升零售商利润稳定性与风险抵御能力方面的有效性。; 适合人群:具备一定电力系统基础知识和优化理论背景,熟悉Matlab编程,从事电力市场、能源管理、智能电网等相关领域研究的研究生、科研人员及行业工程师。; 使用场景及目标:①用于电力零售商在不确定性环境下制定稳健的定价与购电策略;②为电力市场风险管理、需求响应建模及新能源集成提供技术支持与仿真工具;③支撑学术研究中对鲁棒优化、场景生成、主从博弈等方法的应用与复现。; 阅读建议:建议结合文中提供的Matlab代码进行实践操作,重点关注模型构建逻辑、场景生成方法与求解算法实现,宜配合YALMIP等优化工具包进行调试与扩展,以深入理解鲁棒优化在电力市场决策中的实际应用。
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