中层管理者【交流感、临场反应(思考框架)、用商业的聊天方式、迭代复盘】

1、了解岗位需要什么?我合适,我原意去做这件事情吗?愿意花十年来做这件事情吗?

2、了解自己,我有什么能力是否匹配?

能力匹配+有信心做好

时间:15-30分钟

择业观念+钱多,确定的职业的发展+负担(定居+创业诉求)

行业的认识+抽象的能力+如何思考(思考细节)

交流感:他们问你几句,你回答几句,延伸一下,然后反向提个问
临场反应(思考框架):

获取更多信息,用嘴巴去想。
先收集资讯、综合分析研判在研究,此时此地,最合适的反应,在去做

  • 横向拆解:WBS 拆题+表达 业务着眼未来(达成条件)
  • 纵向拆解:时间(前、中、后)+分类+因果(因为,,,所以)表+深原因。

创新、主动性:

用商业的聊天方式:
  • 1、业务什么情况?
  • 2、我们部门在业务上提供的支撑?
  • 3、我们业务遇到了什么问题?
  • 4、在发展过程需要什么的支撑?
  • 5、有什么样的机会?成本与利润之间的关联如何?
  • 6、所以我们作什么的决策,在这个时机上来给到足够的支撑,甚至能够直接引领和带动。

怎么支撑,主要业级我是怎么带动的?

复盘 VS 成长

如果我们在做一次的话,我们还有什么地方可以优化

不断的迭代和复盘,在进化,在发展在成长的感觉。
 

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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