精华内容
下载资源
问答
  • 神经网络那些事之在现实生活中的应用 神经网络是一种算法,但是它离我们每个人都很近,不知不觉神经网络已经渗透到了各个领域中并且已经得到大量的应用.也许你没注意到,下面我将介绍几个很常见的应用来告诉你神经网络...

    https://github.com/123liudong/deeplearing_nocode_handbook.git


    神经网络是一种算法,但是它离我们每个人都很近,不知不觉神经网络已经渗透到了各个领域中并且已经得到大量的应用.也许你没注意到,下面我将介绍几个很常见的应用来告诉你神经网络到底有多么多么的强大!

    图像领域

    • 在未来的某个时间&某个地点,你发现了一张90年代关于自己一家人合照的照片.可是不幸的是,随着岁月的流逝,照片已经泛黄且部分已经损坏,虽然这样很有年代感,但你还是想让它恢复原来的模样.
    • 作者在高考的时候,有一道作文是根据漫画内容进行写作,本质就是读取图片所包含的含义然后进行表述.
    • 2019年,当时的你是否还在为正确分类垃圾而愁眉苦脸呢?
    • 出行旅游,你是否会因为不认识(识别)一棵美丽的植物而发现自己寡闻少见呢?
    • 2016年,闻名全宇宙的AlphaGo就是把围棋看成了一张图片从而战胜了围棋界的顶尖人物.
    • 美颜不会ps没技术怎么办?现在很多美颜app有一键美颜的功能,其背后也隐藏着神经网络的影子.
    • 在美国,自动驾驶已经被允许,自动驾驶其中一部分仍是通过"看"路况来达到目标.

    简而言之,神经网络已经在图片处理领域上占据了大半个江山,目前在大部分特定的图片处理工作上至今还没有其他的方法能够超越它.在图像领域,只有你想不到的玩法,没有神经网络做不到的工作.

    自然语言处理领域

    • 刚学外语的你,在大街上遇见了自己不懂的广告标语,怎么办?当然是Google Translate.
    • 记得小学总会有一道用几句话总结文章中心思想或者给文章起个标题的题目.
    • 看见心仪的她/他,你是否也会想吟诗一首以表心意同时展现自己的才华呢?
    • 记得高中的英语总会有一道根据上下文的意思进行单词填空.
    • QQ中的小冰是否也成为了你深夜聊天的对象?(举例子,开玩笑的啦)

    以作者本人来说,在自然语言处理中受益最多的一项必然是谷歌翻译.同上述的图像领域,神经网络在自然语言处理中也是拥有一席之地,在很多方面仍是独占鳌头的一个方法.

    其他领域

    也许你会觉得上述两个领域都与你无关,也许是这样的,但是神经网络必然会与你有联系.

    • 打字太慢?试一试语音输入转化为文字吧.微信上不方便听语音消息?把语音转化成文字然后接受信息吧.
    • 在购物平台上买了东西,购物平台上会推荐一些类似的物品.
    • 支付宝支付在使用密码验证的同时也支持人脸识别验证了.
    • word中出现语法错误会标红是怎么回事呢?
    • 超市中经常会把很多东西捆绑起来卖给客户,优惠了客户同时老板也赚了个盆满钵满
    • 在高速上开开心心地驾车,却被告知"您有一张超速罚单"
    • 大规模的食品检验也不用再依靠人工,而是依靠一个一个的机器人了
    • 待接收的文件怕是恶意的病毒?先用某个工具检测一下

    神经网络跟时间一样,你看不着但是却能感受到它的存在!

    我相信,在列举了上述的例子之后,你已经迫不及待的想知道神经网络这个"万金油"是怎么被利用在这些领域中了吧.后续我将继续总结神经网络的知识点以及应用面,敬请期待.

    原文见于: https://www.yuque.com/bailixiang/blog/sgiu5g

    展开全文
  • 区块链在现实生活中有哪些应用?

    千次阅读 2019-08-22 16:33:00
    目前,食品行业仍然缺乏透明度和信任,这使得确定问题在供应链的确切位置非常具有挑战性。通过区块链的问责制和可追溯性,消费者可以轻松地从一个农场到另一个餐桌追踪他们的食物。 五、网络安全性 在这个...

        区块链技术吸引了大量的注意力。它改变了游戏规则,就像20世纪90年代互联网的早期一样。然而,人们经常混淆术语“区块链”和“比特币”。我们没有意识到的是,比特币或加密货币只是区块链技术的应用,这种分布式数字分类账是向多个行业转移的核心。

    一、智能合同
        据计算机科学家尼克·萨伯(Nick Szabo)介绍,他是第一个提出智能合同概念的人,这是一种执行合同条款的数字交易协议。当我们听到“合同”时,你会把一张签字的纸看作是双方之间的法律协议。基于区块链的智能合同是一个数字合同,它运行在由连接到区块链网络的多个节点监督的计算机化交易协议上。
    由于《区块链议定书》在所有被许可方之间的分布式系统上运行,它可以运行和维护自己,从而消除了对律师或公证人等中间人的需求。与传统系统相比,智能合同是透明的、可追踪的、安全的和不可逆的,这就是为什么一些行业转向区块链。

    二、投票
        选举是民主的支柱。然而,投票平台的安全性多年来一直受到质疑和批评。事实上,容易遭到破坏和黑客攻击的中央服务器非常容易遭到破坏,破坏了选举的合法性。然而,如果应用程序是使用区块链技术开发的,整个投票过程可以加密并变得透明。数字投票的便利性与区块链的不变性相结合,消除了重复投票、篡改投票和删除投票等问题。

    三、卫生保健
        区块链http://www.gendan5.com/digitalcurrency/btc.html科技正以微妙但有益的方式渗透到医疗保健行业。随着物联网(IoMT)和实施人工智能的医疗检查系统的出现,区块链技术的应用将很快通过其互操作性、数据可移植性、完整性和安全性彻底改变医疗卫生行业。
        这种分布式图书技术非常适合解决与医学数据相关的分布式挑战。预计这三个主要领域将受益于区块链数据库技术,包括临床试验、合规和监督以及病历。

    四、食品安全
        区块链用于食品安全吗?这并不奇怪。技术专家认为,区块链技术可以在由农民、经纪人、经销商、加工商、零售商、监管者和消费者组成的复杂网络中改善整个数据管理过程。
         回顾过去,我们可以很容易地发现一系列事件,其中一批劣质食品迫使连锁餐馆和食品企业倒闭。2008年中国婴儿奶粉丑闻和2006年北美大肠杆菌爆发就是例子。目前,食品行业仍然缺乏透明度和信任,这使得确定问题在供应链中的确切位置非常具有挑战性。通过区块链的问责制和可追溯性,消费者可以轻松地从一个农场到另一个餐桌追踪他们的食物。

    五、网络安全性
        在这个对消费者构成持续威胁的移动互联网时代,数据泄露的数量激增。根据身份盗窃资源中心报告的摘要,“在2018年1月1日至7月2日期间,668条违规记录损坏了22,408,258条记录。”
        2018年,Ponemon报道:“数据泄露的平均总成本为386万美元,使用安全自动化的组织成本为155万美元。”
    令人不安的数据泄露和黑客攻击上升趋势迫使组织升级其网络安全解决方案,以匹配恶意行为者的方法。

       以上只是区块链技术许多实际应用的一部分。作为一项刚刚发展了几年的技术,它也在不断发展和适应,直到在未来几年变得更加成熟。可以说,区块链的颠覆性技术正在以惊人的速度创新,必将引发世界范式的急剧转变。
     

    转载于:https://my.oschina.net/u/4178038/blog/3096197

    展开全文
  • 如何分辨出垃圾邮件”、“如何判断一笔交易是否属于欺诈”、“如何判断红酒的品质和档次”、“扫描王是如何做到文字识别的”、“如何判断佚名的著作是否出自某位名家之手”...然后,通过现实中触手可及的、活生生的案例

    如何分辨出垃圾邮件”、“如何判断一笔交易是否属于欺诈”、“如何判断红酒的品质和档次”、“扫描王是如何做到文字识别的”、“如何判断佚名的著作是否出自某位名家之手”、“如何判断一个细胞是否属于肿瘤细胞”等等,这些问题似乎都很专业,都不太好回答。但是,如果了解一点点数据挖掘的知识,你,或许会有柳暗花明的感觉。

    本文,主要想简单介绍下数据挖掘中的算法,以及它包含的类型。然后,通过现实中触手可及的、活生生的案例,去诠释它的真实存在。




    一般来说,数据挖掘的算法包含四种类型,即分类、预测、聚类、关联。前两种属于有监督学习,后两种属于无监督学习,属于描述性的模式识别和发现。

    有监督学习

    有监督的学习,即存在目标变量,需要探索特征变量和目标变量之间的关系,在目标变量的监督下学习和优化算法。例如,信用评分模型就是典型的有监督学习,目标变量为“是否违约”。算法的目的在于研究特征变量(人口统计、资产属性等)和目标变量之间的关系。

    分类算法

    分类算法和预测算法的最大区别在于,前者的目标变量是分类离散型(例如,是否逾期、是否肿瘤细胞、是否垃圾邮件等),后者的目标变量是连续型。一般而言,具体的分类算法包括,逻辑回归、决策树、KNN、贝叶斯判别、SVM、随机森林、神经网络等。

    预测算法

    预测类算法,其目标变量一般是连续型变量。常见的算法,包括线性回归、回归树、神经网络、SVM等。

    无监督学习

    无监督学习,即不存在目标变量,基于数据本身,去识别变量之间内在的模式和特征。例如关联分析,通过数据发现项目A和项目B之间的关联性。例如聚类分析,通过距离,将所有样本划分为几个稳定可区分的群体。这些都是在没有目标变量监督下的模式识别和分析。

    聚类分析

    聚类的目的就是实现对样本的细分,使得同组内的样本特征较为相似,不同组的样本特征差异较大。常见的聚类算法包括kmeans、系谱聚类、密度聚类等。

    关联分析

    关联分析的目的在于,找出项目(item)之间内在的联系。常常是指购物篮分析,即消费者常常会同时购买哪些产品(例如游泳裤、防晒霜),从而有助于商家的捆绑销售。

    基于数据挖掘的案例和应用

    上文所提到的四种算法类型(分类、预测、聚类、关联),是比较传统和常见的。还有其他一些比较有趣的算法分类和应用场景,例如协同过滤、异常值分析、社会网络、文本分析等。下面,想针对不同的算法类型,具体的介绍下数据挖掘在日常生活中真实的存在。下面是能想到的、几个比较有趣的、和生活紧密关联的例子。



    基于分类模型的案例

    这里面主要想介绍两个案例,一个是垃圾邮件的分类和判断,另外一个是在生物医药领域的应用,即肿瘤细胞的判断和分辨。

    垃圾邮件的判别

    邮箱系统如何分辨一封Email是否属于垃圾邮件?这应该属于文本挖掘的范畴,通常会采用朴素贝叶斯的方法进行判别。它的主要原理是,根据邮件正文中的单词,是否经常出现在垃圾邮件中,进行判断。例如,如果一份邮件的正文中包含“报销”、“发票”、“促销”等词汇时,该邮件被判定为垃圾邮件的概率将会比较大。

    一般来说,判断邮件是否属于垃圾邮件,应该包含以下几个步骤。

    第一,把邮件正文拆解成单词组合,假设某篇邮件包含100个单词。

    第二,根据贝叶斯条件概率,计算一封已经出现了这100个单词的邮件,属于垃圾邮件的概率和正常邮件的概率。如果结果表明,属于垃圾邮件的概率大于正常邮件的概率。那么该邮件就会被划为垃圾邮件。

    医学上的肿瘤判断

    如何判断细胞是否属于肿瘤细胞呢?肿瘤细胞和普通细胞,有差别。但是,需要非常有经验的医生,通过病理切片才能判断。如果通过机器学习的方式,使得系统自动识别出肿瘤细胞。此时的效率,将会得到飞速的提升。并且,通过主观(医生)+客观(模型)的方式识别肿瘤细胞,结果交叉验证,结论可能更加靠谱。

    如何操作?通过分类模型识别。简言之,包含两个步骤。首先,通过一系列指标刻画细胞特征,例如细胞的半径、质地、周长、面积、光滑度、对称性、凹凸性等等,构成细胞特征的数据。其次,在细胞特征宽表的基础上,通过搭建分类模型进行肿瘤细胞的判断。

    基于预测模型的案例

    这里面主要想介绍两个案例。即通过化学特性判断和预测红酒的品质。另外一个是,通过搜索引擎来预测和判断股价的波动和趋势。

    红酒品质的判断

    如何评鉴红酒?有经验的人会说,红酒最重要的是口感。而口感的好坏,受很多因素的影响,例如年份、产地、气候、酿造的工艺等等。但是,统计学家并没有时间去品尝各种各样的红酒,他们觉得通过一些化学属性特征就能够很好地判断红酒的品质了。并且,现在很多酿酒企业其实也都这么干了,通过监测红酒中化学成分的含量,从而控制红酒的品质和口感。

    那么,如何判断鉴红酒的品质呢?

    第一步,收集很多红酒样本,整理检测他们的化学特性,例如酸性、含糖量、氯化物含量、硫含量、酒精度、PH值、密度等等。

    第二步,通过分类回归树模型进行预测和判断红酒的品质和等级。

    搜索引擎的搜索量和股价波动

    一只南美洲热带雨林中的蝴蝶,偶尔扇动了几下翅膀,可以在两周以后,引起美国德克萨斯州的一场龙卷风。你在互联网上的搜索是否会影响公司股价的波动?

    很早之前,就已经有文献证明,互联网关键词的搜索量(例如流感)会比疾控中心提前1到2周预测出某地区流感的爆发。

    同样,现在也有些学者发现了这样一种现象,即公司在互联网中搜索量的变化,会显著影响公司股价的波动和趋势,即所谓的投资者注意力理论。该理论认为,公司在搜索引擎中的搜索量,代表了该股票被投资者关注的程度。因此,当一只股票的搜索频数增加时,说明投资者对该股票的关注度提升,从而使得该股票更容易被个人投资者购买,进一步地导致股票价格上升,带来正向的股票收益。这是已经得到无数论文验证了的。

    基于关联分析的案例:沃尔玛的啤酒尿布

    啤酒尿布是一个非常非常古老陈旧的故事。故事是这样的,沃尔玛发现一个非常有趣的现象,即把尿布与啤酒这两种风马牛不相及的商品摆在一起,能够大幅增加两者的销量。原因在于,美国的妇女通常在家照顾孩子,所以,她们常常会嘱咐丈夫在下班回家的路上为孩子买尿布,而丈夫在买尿布的同时又会顺手购买自己爱喝的啤酒。沃尔玛从数据中发现了这种关联性,因此,将这两种商品并置,从而大大提高了关联销售。

    啤酒尿布主要讲的是产品之间的关联性,如果大量的数据表明,消费者购买A商品的同时,也会顺带着购买B产品。那么A和B之间存在关联性。在超市中,常常会看到两个商品的捆绑销售,很有可能就是关联分析的结果。

    基于聚类分析的案例:零售客户细分

    对客户的细分,还是比较常见的。细分的功能,在于能够有效的划分出客户群体,使得群体内部成员具有相似性,但是群体之间存在差异性。其目的在于识别不同的客户群体,然后针对不同的客户群体,精准地进行产品设计和推送,从而节约营销成本,提高营销效率。

    例如,针对商业银行中的零售客户进行细分,基于零售客户的特征变量(人口特征、资产特征、负债特征、结算特征),计算客户之间的距离。然后,按照距离的远近,把相似的客户聚集为一类,从而有效的细分客户。将全体客户划分为诸如,理财偏好者、基金偏好者、活期偏好者、国债偏好者、风险均衡者、渠道偏好者等。



    基于异常值分析的案例:支付中的交易欺诈侦测

    采用支付宝支付时,或者刷信用卡支付时,系统会实时判断这笔刷卡行为是否属于盗刷。通过判断刷卡的时间、地点、商户名称、金额、频率等要素进行判断。这里面基本的原理就是寻找异常值。如果您的刷卡被判定为异常,这笔交易可能会被终止。

    异常值的判断,应该是基于一个欺诈规则库的。可能包含两类规则,即事件类规则和模型类规则。第一,事件类规则,例如刷卡的时间是否异常(凌晨刷卡)、刷卡的地点是否异常(非经常所在地刷卡)、刷卡的商户是否异常(被列入黑名单的套现商户)、刷卡金额是否异常(是否偏离正常均值的三倍标准差)、刷卡频次是否异常(高频密集刷卡)。第二,模型类规则,则是通过算法判定交易是否属于欺诈。一般通过支付数据、卖家数据、结算数据,构建模型进行分类问题的判断。

    基于协同过滤的案例:电商猜你喜欢和推荐引擎

    电商中的猜你喜欢,应该是大家最为熟悉的。在京东商城或者亚马逊购物,总会有“猜你喜欢”、“根据您的浏览历史记录精心为您推荐”、“购买此商品的顾客同时也购买了商品”、“浏览了该商品的顾客最终购买了商品”,这些都是推荐引擎运算的结果。

    这里面,确实很喜欢亚马逊的推荐,通过“购买该商品的人同时购买了**商品”,常常会发现一些质量比较高、较为受认可的书。
    一般来说,电商的“猜你喜欢”(即推荐引擎)都是在协同过滤算法(Collaborative Filter)的基础上,搭建一套符合自身特点的规则库。即该算法会同时考虑其他顾客的选择和行为,在此基础上搭建产品相似性矩阵和用户相似性矩阵。基于此,找出最相似的顾客或最关联的产品,从而完成产品的推荐。

    基于社会网络分析的案例:电信中的种子客户

    种子客户和社会网络,最早出现在电信领域的研究。即,通过人们的通话记录,就可以勾勒出人们的关系网络。电信领域的网络,一般会分析客户的影响力和客户流失、产品扩散的关系。

    基于通话记录,可以构建客户影响力指标体系。采用的指标,大概包括如下,一度人脉、二度人脉、三度人脉、平均通话频次、平均通话量等。基于社会影响力,分析的结果表明,高影响力客户的流失会导致关联客户的流失。其次,在产品的扩散上,选择高影响力客户作为传播的起点,很容易推动新套餐的扩散和渗透。

    此外,社会网络在银行(担保网络)、保险(团伙欺诈)、互联网(社交互动)中也都有很多的应用和案例。

    基于文本分析的案例

    这里面主要想介绍两个案例。一个是类似“扫描王”的APP,直接把纸质文档扫描成电子文档。相信很多人都用过,这里准备简单介绍下原理。另外一个是,江湖上总是传言红楼梦的前八十回和后四十回,好像并非都是出自曹雪芹之手,这里面准备从统计的角度聊聊。

    字符识别:扫描王APP

    手机拍照时会自动识别人脸,还有一些APP,例如扫描王,可以扫描书本,然后把扫描的内容自动转化为word。这些属于图像识别和字符识别(Optical Character Recognition)。图像识别比较复杂,字符识别理解起来比较容易些。

    查找了一些资料,字符识别的大概原理如下,以字符S为例。

    第一,把字符图像缩小到标准像素尺寸,例如12*16。注意,图像是由像素构成,字符图像主要包括黑、白两种像素。

    第二,提取字符的特征向量。如何提取字符的特征,采用二维直方图投影。就是把字符(12*16的像素图)往水平方向和垂直方向上投影。水平方向有12个维度,垂直方向有16个维度。这样分别计算水平方向上各个像素行中黑色像素的累计数量、垂直方向各个像素列上的黑色像素的累计数量。从而得到水平方向12个维度的特征向量取值,垂直方向上16个维度的特征向量取值。这样就构成了包含28个维度的字符特征向量。

    第三,基于前面的字符特征向量,通过神经网络学习,从而识别字符和有效分类。

    文学著作与统计:红楼梦归属

    这是非常著名的一个争论,悬而未决。对于红楼梦的作者,通常认为前80回合是曹雪芹所著,后四十回合为高鹗所写。其实主要问题,就是想确定,前80回合和后40回合是否在遣词造句方面存在显著差异。

    这事让一群统计学家比较兴奋了。有些学者通过统计名词、动词、形容词、副词、虚词出现的频次,以及不同词性之间的相关系做判断。有些学者通过虚词(例如之、其、或、亦、了、的、不、把、别、好),判断前后文风的差异。有些学者通过场景(花卉、树木、饮食、医药与诗词)频次的差异,来做统计判断。总而言之,主要通过一些指标量化,然后比较指标之间是否存在显著差异,藉此进行写作风格的判断。

    展开全文
  • 生活中的定律——劣币驱逐良币

    千次阅读 2019-05-24 10:14:53
    400多年前,英国著名经济学家格雷欣发现了一个有趣的现象,两种实际价值不同而名义价值相同的货币同时流通时,实际价值较高的货币,也就是“良币 ”,必然退出流通——它们被收藏、熔化或被输出国外;实际价值较低的...

    400多年前,英国著名经济学家格雷欣发现了一个有趣的现象,两种实际价值不同而名义价值相同的货币同时流通时,实际价值较高的货币,也就是“良币 ”,必然退出流通——它们被收藏、熔化或被输出国外;实际价值较低的货币,也就是“劣币”,却充斥市场。 人们称这种现象为“格雷欣法则”,也就是“劣币驱逐良币规律”。

    “劣币驱逐良币”的原则不仅存在于货币流通中,社会生活的方方面面也都存在着类似现象,比如,清官总被贪官排挤、盗版软件冲击正版、小道消息容易传播、娱乐圈盛行潜规则、医生拒“红包”成另类等等。

    职场中的隐藏危机

    在企业中,也经常出现“劣币驱逐良币现象”,比如一些人通过欺骗、贿赂或其它不正当手段获得了升迁、捞到了好处,别人就会纷起效仿,而那些踏实肯干、任劳任怨的人却没有得到提升,他们最终的结果通常只有三种情况,第一,选择离开,“良币”主动离开;第二,开始可能发发牢骚,继之会自暴自弃,最后干脆同流合污,把自己也变成“劣币”;第三,他们被“劣币”当成眼中钉,由于他们的存在凸显了“劣币”的劣,最终被驱逐。

    大部分情况,企业中“劣币”往往以更加隐蔽的形式存在,或者不那么“劣”,或者可以称之为“良性肿瘤”,他们驱逐“良币”的手法也很巧妙,其他管理者或者HR会不知不觉地成为“帮凶”,这里仅仅列举一二。

    “劣币”之一,能力差的领导:也许由于不正当手段,也许由于个人的努力,最终担任了一个超出他个人能力范围的职位。可以想像,团队中一些能力特别强的员工,会很快地先后离开,这时候招聘新员工就成为HR与这位管理者的主要工作了。

    这位管理者最喜欢谈“有潜力的员工”,这让HR感觉到管理团队里有知音了,其实他的“有潜力”就是指,现在没有能力、很年轻、基本属于菜鸟。他会把自己包装成,善于“发展员工”、“启用新人”、“校招的支持者”,当HR推荐一些有经验的候选人时,拒绝的通常理由是,这些人不稳定,而且事实上,有这样的一位领导,有能力的员工都不会稳定的,一次又一次地证明他的正确,让HR无语

    当这样一位员工上位成为管理者时,他关注的焦点其实不是“部门的业绩或目标”,而更多的“职位的安全”或者“个人的领导权威”,“良币”还没有进门,就被枪毙在面试过程中,人才是企业发展的关键也最终成为一句空话。

    “劣币”之二,喜欢指责他人的人:并不是说这些人的工作能力差、或者工作业绩差,有时候恰恰相反,只是他们信奉的“办公室政治”是“只要找到比我差的人,就证明我是好的”。在推崇业绩导向的公司中,这些人大行其道。

    当然,选择被指责的对象可有讲究了,首先不能与另一个喜欢指责他人的人为敌,有可能“吃不到羊肉,惹得一身骚”,同时,有意或者无意,他们会相互支持,因此,几个人同时指责一个人时,成功的机率会大大提高;其次,不能选择那些所谓“有背景”的人;第三,找出一些业绩真有问题的人,在这一点上,他们通常被组织与HR评为有“正义感”、“有勇气”,在中庸的文化中,指出他人的不足,可是需要勇气,值得表扬;第四,实在找不到,就找那些不会指责他人的人,这样最安全。

    那些“关注于自己业绩”的员工,渐渐被那些“盯着他人业绩”的员工驱逐,在这种企业文化下,完成多少工作是其次的,少犯错误或者不犯错误是生存的关键,当然要少犯错误或者不犯错误的最好办法,就是少做事或者言必听上级。

    “劣币”之三,会哭的孩子:中国有句古话,“会哭的孩子有奶喝”,职场中“会哭的孩子”工资要高一些、机会要多一些、发展速度会快一些,当然,并不是说这些人有问题,可是,如果你不会哭怎么办?

    最近一位企业高管朋友在一家企业工作多年后,感觉到在公司内部没有发展前途,提出了辞职,与公司的数位HR沟通后,口径非常地一致,“你有发展的需求,为什么不与自己的领导说清楚?”,也就是说,“你为什么不哭?”。

    当企业员工把注意力从“业绩”转移到“Exposure”(曝光度)时,工作的重点已经不再是“我做了什么?”,而是“我怎么汇报?”“我怎么让更多的人知道?”,那些只会做,不会说的员工,只能一个人流泪到天亮。员工的个人发展最终要依靠“会哭”,也同时证明公司的员工发展流程、业绩评估流程的失败。

    这些“劣币”一开始更像良性肿瘤,但是只要条件成熟,就立即恶化成“劣币”。“劣币”的破坏性作用远比“良币”的建设性作用要大。就像箱子里出现了一个“烂苹果”,如果不及时处理,它会迅速传染,把整箱子都变成“烂苹果”,可怕的并不在于一个“烂苹果”,而是它的惊人破坏力。

    劣币驱逐良币现象解释

    之所以如此,从社会学上讲,人都是趋利避害的“经济人”,并追求利益的最大化,只要违纪违法的成本低于遵纪守法的成本,作奸犯科、铤而走险的就会大有人在,何况上面这些例子根本不存在法律、纪律、道德的问题。从经济理性的角度看,盗版者只有在预期惩罚的成本大于预期收益时,才会选择遵守规则。无论古今中外,凡有人群的地方,“毫不利己、专门利人”的极好的人和“人不为己、天诛地灭”的极坏的人都只占少数,大多数人在道德上都是中性且随波逐流的一个社会、一个组织,只要在制度上存在漏洞或缺陷,“劣币”驱逐“良币”的现象就难以避免地出现

    早期发现“劣币”迹象,就可以防患于未然,这就要挑战HR与管理者透过现象看本质的能力了,寻找问题的根本。

    比如,上面第一个例子中,管理者与HR需要找到部门高潜力员工、有能力员工的离职的核心原因,找一些菜鸟入职,当然可以短期解决员工流失高的问题,可是这些菜鸟成长后,也会一个个飞走,因为,我们没有找到根本原因。解决这位领导领导力的问题,应该是更加紧要的,长期而言,公司提升员工前,对于员工的评估应该更加靠谱一些,这也是改进重点。

    比如,上面的第二个例子,你会发现这些人都不会在正常的工作沟通中反映对他人的意见,特别喜欢秋后算帐、或者通过其它非正式渠道反应意见,你进一步分析这些人提意见的目的,更像是对人做出一个“判断”,而不是帮助他人改进。在一个组织中,如果这些人的招术屡次奏效,管理者或者HR就要特别注意了。

    比如,上面的第三个例子,管理者或者HR要问自己,是否每一个员工都有相同的机会表达个人的意愿或者诉求,如果不是,就需要重新审核现有的管理流程。

    声明:苏南生 发表于 2019-05-24 09:26:00 ,共计2122字。

    转载请署名:生活中的定律——劣币驱逐良币 | www.sunansheng.com

     

    展开全文
  • Java语言在现实生活中的应用

    千次阅读 2014-12-29 20:14:47
    如果你刚开始学习Java也许会好奇Java到底在哪里用到。你也许会发现除了Minecraft,其他游戏都不是...现实生活中到底有什么应用是Java写的呢?不只是你一个人有这个问题,很多初学者都会好奇。顺便提一句,你安装Java
  • 认识生活中的泊松分布

    万次阅读 多人点赞 2018-08-26 17:48:46
    有些人推动生活走,有些人则被生活推着走。 导语 公交地铁站根据每天客流量的变化安排班次,银行根据每天的排号人数决定开放柜台数,包子粥铺根据每天卖出多少碗粥和多少个包子来充分备货……这一类问题都和泊松...
  • 对于复杂网络解决现实的网络问题

    千次阅读 2018-11-26 22:02:20
    关于复杂网络的应用与发展 复杂网络(Complex networks) 在以往,我们认为网络是通过随机的方式形成的,并且将这些网络成为随机网络,例如在一次...而在现实中,我们每个人都认识很多人,所以链接更加紧密,由此产...
  • 作者:华为云开发者社区 ...来源:知乎 ...· 1945艾伦图灵在论文《计算机器不智能》提出了著名的图灵测试,给人工智能的収展产生了深远的影响。 · 1951年,马文·明斯基(Marvin Minsky)和迪恩..
  • 生活中图像处理的一个小应用

    千次阅读 2017-11-23 21:33:27
    生活中图像处理的一个小应用上周六做了一个频闪实验来研究物体的运动,但是由于频闪图片的特点必须在暗室拍摄才有效果,由于一些原因图片有些地方过曝形成死白,而另一些地方由于光太少曝光太少,导致了黑乎乎的一片...
  • (1)日常生活中遇到的各种问题 选择热门的产品 选择销售量大的产品 (2)痛点、抱怨点、低效率点 各种领域的痛点、抱怨点、低效率点往往就是问题的所在点。采用新的方法解决这些痛点、抱怨点、低效率点就是专利...
  • 其实,云计算在我们日常生活中也有很多应用呢!下面我就举一些例子让大家了解了解。 云计算和普通人关系不大?其实每个人都离不开它 1、电子日历 我们的大脑并不是万能的,不可能记住我们所要记住的每一件事。...
  • 深度学习:实际问题解决指南

    千次阅读 2015-11-19 10:37:28
    深度学习拥有解决大部分机器学习和人工智能领域问题的潜力,可以用来解决诸如语音识别、三维物体识别和自然语言处理等领域的难题。本文介绍了深度学习在解决实际问题中存在的优势与缺点。
  • 消息队列中间件是分布式系统重要的组件,主要解决应用解耦,异步消息,流量削锋等问题,实现高性能,高可用,可伸缩和最终一致性架构。目前使用较多的消息队列有ActiveMQ,RabbitMQ,ZeroMQ,Kafka,MetaMQ,...
  • 文章发布于公号【数智物语】 (ID:decision_engine),关注公号不错过每一篇干货。   转自 | 知识工场 作者 | 肖仰华博士,复旦大学...在领域知识图谱技术的落地实践过程涌现出一大批理论与工程问题。...
  • 学友来函系列为乐知学堂学员来信提到的学习的典型问题,乐知学堂的教师都给出了细致的回复。我们会定期将较有价值的学友来函整理出来,希望能给更多学习者提供帮助。——————————————————————...
  • 2019工程伦理慕课答案(2019秋)习题及期末答案

    万次阅读 多人点赞 2019-11-08 18:19:53
    第一章习题(下) 单选题 (1/1 point) 下列哪一项不是工程与技术的区别 ...下列哪项是工程的完整生命周期的环节 计划 设计 评估 完成 判断题 (1/1 point) 计划、设计、建造...
  • 生活中处处的贝叶斯

    万次阅读 2018-02-19 00:00:00
    用贝叶斯分析的方法,可以帮助我们解决生活中方方面面的问题,尤其在我们未来将有可能深入了解的机器学习,大数据挖掘,以及相关工程性问题中,有着极其重要的地位,接下来就让我们走进贝叶斯方法,通过一系列的例子...
  • 生活中的十大心理学现象

    千次阅读 2018-07-19 09:15:05
    这种统计的不平衡性在社会、经济及生活中无处不在,这就是二八法则。 二八法则告诉我们,不要平均地分析、处理和看待问题,企业经营和管理中要抓住关键的少数;要找出那些能给企业带来80%利润、总量却仅占20%的...
  • 生活中的递归?

    千次阅读 2006-12-21 10:54:00
    我们如何面对生活中遇到的一切,这确实是一门艺术。在看到新东西的同时完成久东西,不要奢望在一件事情完全做好之后再去做下一件事,因为,没有人能把事情做得完美,总觉得不够。 曾经听说过一个理论,叫做80%...
  • 一文看懂如何用贝叶斯解决实际问题

    万次阅读 多人点赞 2017-11-10 13:33:55
    贝叶斯定理太有用了,不管是在投资领域,还是机器学习,或是日常生活中高手几乎都在用到它。 生命科学家用贝叶斯定理研究基因是如何被控制的; 教育学家突然意识到,学生的学习过程其实就是贝叶斯法则的...
  • 问题以及发现问题和解决问题

    千次阅读 2010-12-11 21:06:00
    发现问题比解决问题更重要,如果发现问题的所在,解决它仅仅是一个时间的问题,可能有些问题永远解决不了,但是我们最终知道它永远解决不了也算是解决了问题问题的实质其实是一种反差,也就是期望和实际的...
  • 组合优化是通过数学方法的研究去寻找离散事件的最优编排、分组、排序和筛选等,是运筹学一个经典且重要的分支。对于一个极小化问题问题描述如下式: minf(x)s.t.g(x)≥0x∈D min\quad f(x) \\ s.t. \quad g(x) \...
  • 《机器学习实战》学习笔记(一):机器学习基础

    万次阅读 多人点赞 2019-08-19 17:01:32
    机器学习在日常生活中的应用,从左上角按照顺时针方向依次使用到的机器学习技术分别为:人脸识别、手写数字识别、垃圾邮件过滤和亚马逊公司的产品推荐。 在本书中,给出的定义是:【简单地说,机器学习就是把...
  • 大数据的火爆发展吸引了众多小伙伴想要转行,年后是大家换工作的高发期,很多对目前工作不满意的小伙伴,都在考虑换一个薪资更高...我们找工作时,需要根据自己的实际情况和企业的情况来定,而不是在网上盲投,见什...
  • 快速排序算法在生活中的应用

    千次阅读 2012-11-24 17:31:23
    今天公司组织活动,游戏规则是随机一组30张图片,飞机,月饼,奥运会等等,然后每组10个人,要求在 一分钟内把图片按照从小到大顺序排列好由组长交给裁判,时间...生活中不是缺少美,而是缺少发现. 多听,多看,多想,多做
  • 在大数据物联网时代的推动下VR会以怎样的姿态融入到大家的生活中呢?  随着VR培训技术在各个行业都有所渗透,比如 游戏,教育,设计,医疗,娱乐。与人们的日常生活紧紧相关,不管在哪个行业,这些都在一定的程度上...
  • 常见算法在实际项目的应用

    千次阅读 2014-02-21 13:14:12
    近日Emanuele Viola在Stackexchange上提了这样的一个问题,他希望有人能够列举一些目前软件、硬件正在使用的算法的实际案例来证明算法的重要性,对于大家可能给到的回答,他还提出了几点要求: 使用这些算法的...
  • 复杂网络社区发现方法总结(一)

    千次阅读 2014-12-13 13:54:28
    复杂网络社区发现方法 一、KL算法 1.经典论文: http://wenku.baidu.com/link?url=jLIGECP1kkikDbTJOUh3ArHFULWQLX0cTsHNBagMFNL- 4NEKpb2myet2PKfAacupUFHZrYItokQbGJtAtUuB2nV3e37E5fLRwtOnGrrZHSW 2.算法过程...
  • 例如支付宝接口对接经常涉及到:md5、 rsa两种算法。各大银行接口经常使用MD5算法对调用接口参数进行签名防篡改。 1.MD5 (1)MD5定义: MD5即Message-Digest Algorithm 5(信息-摘要算法5),用于确保信息...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 246,907
精华内容 98,762
关键字:

发现现实生活中的问题