[Thinking]三个行

简介:

昨天跟同事聊职业发展,同事给我讲了个道理,虽然类似的道理自己也知道很多并且坚持奉行着,但是同事总结的特别好!我反复思量这简单的几句话,感觉真的真的很精辟!

三个行
第一行:自己行
第二行:大家说你行
第三行:领导行

就这么简单,去努力吧,如果你做到了这三个行,那么你肯定行!

~~~~~~~~~~~~~~~~~~~~~

为了普度众生,简单解释一下:

1.自己行

说的就是自己一定要有真本事,不能是花架子,关键时刻要不会掉链子,不能做扶不起的阿斗!

契合我们自身,那就是机会总是留给有准备的人,平时的积累非常重要,要抱着活到老学到老的心态,积极乐观地一步一个脚印的好好工作、生活、学习!

2.大家说你行

首先,明确一下“大家”都有那些人。

从事业角度,首先就是你身边的同事和领导,领导的领导,其他部门的同事,行业内的同仁,接触过的客户,潜在的客户,也就是所有跟你工作相关的人。

从生活角度,老婆孩子父母长辈七大叔八大姨、小学,初中,大学的同学、朋友、朋友的朋友、朋友的父母,所有跟你的世界有交集的人。

其次,明确一下“说你行”

说你行的意思就是,你光做到自己行还远远不够,要大家都觉得你行才可以!也就是说你要扩大你自身的影响力,多跟人接触沟通!要让别人了解你是做什么的,你做的怎么样,你曾经做过什么,关键时刻有事情(可能就是你的机会)找你,你会不会掉链子!

一般大部分有上进心的人都能做到“自己行”,但是确实有绝大部分人,特别是偏内向的程序员都忽略了“大家说你行”的重要性,没有在日常的工作和生活中扩大自己的影响力,所以才总是感叹怀才不遇,千里马遇不到伯乐!

契合我们自身,多跟身边的同事、家人、朋友沟通交流很重要,如果你是做技术的,确实应该多写写技术博客,扩大自己的影响力!

3.领导行

还是要先明确一下,那些人可以称之为“领导”,自己的直属上级(包括小组长),更上一级,更甚至是公司总经理,这些都是你的领导!

那么,为什么要强调“领导行”,因为如果你已经做到了自己行,而且大家都说你行的程度,那么决定你加官进爵的可能就在于你的“领导”了,如果你的领导行,那么应得一样不会少,如果你的领导不行,那么你再怎么付出也没有用,所以如果你真正做到了前两条,而长时间因为领导不行的原因而得不到自身待遇和工作机会的发展的时候,就是该考虑换“领导”的时候了,这里的“领导”不光指人,引申一下也可以指代你的工作环境!

好了,解释就这么多,不管我曾经跟大家分享过什么好东西,我感觉都比不上这三句话,好好体会,受益终生!


本文转自Justin博客园博客,原文链接:http://www.cnblogs.com/justinw/archive/2010/04/01/1702537.html,如需转载请自行联系原作者

相关文章
|
机器学习/深度学习 人工智能 算法
【读书笔记】Algorithms for Decision Making(1)
我自己的粗浅看法:机器学习要不是拟合逼近(经常提及的machine learning),要不就是决策过程(reinforcement learning),这本书主要讲述后者的前世今生。
336 0
【读书笔记】Algorithms for Decision Making(1)
|
机器学习/深度学习 算法 vr&ar
【读书笔记】Algorithms for Decision Making(9)
与基于模型的方法相比,无模型方法不需要构建转移函数和奖励函数的显性表示,而是直接作用于值函数建模。进一步地,考虑模拟学习来重建奖励函数。
【读书笔记】Algorithms for Decision Making(9)
|
算法 关系型数据库 数据建模
【读书笔记】Algorithms for Decision Making(4)
本部分讨论从数据学习或拟合模型参数的问题,进一步讨论了从数据中学习模型结构的方法,最后对决策理论进行了简单的概述。
106 0
【读书笔记】Algorithms for Decision Making(4)
|
机器学习/深度学习 API
【读书笔记】Algorithms for Decision Making(8)
解决存在模型不确定性的此类问题是强化学习领域的主题,这是这部分的重点。解决模型不确定性的几个挑战:首先,智能体必须仔细平衡环境探索和利用通过经验获得的知识。第二,在做出重要决策后很长时间内,可能会收到奖励,因此必须将以后奖励的学分分配给以前的决策。第三,智能体必须从有限的经验中进行概括。
219 0
【读书笔记】Algorithms for Decision Making(8)
|
Python
【读书笔记】Algorithms for Decision Making(2)
理性决策需要对不确定性和目标进行推理。不确定性源于预测未来事件能力的实际及理论限制。为了实现其目标,一个强有力的决策系统必须考虑到当前世界状况和未来事件中的各种不确定性来源。
127 0
【读书笔记】Algorithms for Decision Making(2)
|
机器学习/深度学习 算法 流计算
【读书笔记】Algorithms for Decision Making(6)
对于较大状态空间的问题,计算精确解需要极大的内存量,因而考虑近似解的方法。常使用approximate dynamic programming的方法去寻求近似解,进而使用在线方法实现实时计算。
168 0
【读书笔记】Algorithms for Decision Making(6)
|
算法 决策智能
【读书笔记】Algorithms for Decision Making(14)
本部分将简单游戏扩展到具有多个状态的连续上下文。马尔可夫博弈可以看作是多个具有自己奖励函数的智能体的马尔可夫决策过程。
374 0
【读书笔记】Algorithms for Decision Making(14)
|
vr&ar
【读书笔记】Algorithms for Decision Making(5)
此前讲述了在某个时间点做一个单一的决定的问题,但许多重要的问题需要做出一系列的决定。序列环境中的最佳决策需要对未来行动和观察序列进行推理。
121 0
|
人工智能 vr&ar 决策智能
【读书笔记】Algorithms for Decision Making(12)
现将单智能体的核心概念扩展到多智能体系统的问题。在该系统中,可将其他智能体建模为潜在的盟友或对手,并随着时间的推移进行相应的调整。
128 0
|
算法
【读书笔记】Algorithms for Decision Making(11)
在有限维场景中,POMDP问题的精确解也经常很难计算。因而,考虑求得近似解的方法是合理的。本部分从离线近似解讨论到在线近似解,是近似方法的常规逻辑思路。
160 0