nobody舞蹈分解教程简单
职场中，千里马怎样才能被伯乐发现？
职场中，千里马怎样才能被伯乐发现？
俗话说:千里马常有，而伯乐不常有。如果你自认为很优秀，却没有被别人发现，那你要考虑两件事：
一、自己究竟是不是真正的“千里马
如果你还没达到千里马的级别，建议你再回去修炼修炼。杨绛先生说过一句话：现在的年轻人，读书太少 ，想得太多。许多年轻人都怕自己怀才不遇，可事实上，根本没什么才能。你要能被伯乐赏识，先得确定自己是千里马才行。
如果你真是千里马，就好好施展你的才能。通常被埋没的可能性不大。所以通常来说，千里马没遇上伯乐，都是第一种情况。那么少年还等什么，跑起来，成为真正的千里马吧！
二、你这匹千里马是不是被埋没得太深
成千上万的马匹在草原上奔驰，伯乐再是火眼金睛也不能一眼看出哪一匹是千里马！只有千里马自己腾空嘶鸣，一跃千里，才能被伯乐所发现。当然，这里也存在一个风险，那就是当千里马嘶鸣时，它的声音很可能被其他马群的嘶鸣声所覆盖；当千里马腾空跃起时，他可能会被另一匹奔跑或跳跃的马匹所绊倒。
对于一个人来说，这种被埋没的风险也照样存在。进入公司，你意气风发，想着大展拳脚一番，可谁会想到你的光芒刺痛了别人的眼睛，你还未当空嘶鸣、一跃而起，就被人一拍子拍在了地底下。一个被压制的人，就像一颗被人压住顶的树，哪还有茁壮成长的可能？所以，我们一定要防患于未然，不能让打压这样的事情发生在自己身上。
如果你在职场上已经非常老道了，那你就会有固定的朋友圈，有维护你的一些死党，有丰实的业绩，有平时同事们对你的好印象，再加上你敬业、奉献、无怨、求实的精神，当“千里马”非你莫数，自然水到渠成了。
如果你已经很老道了，但也没有被伯乐发现，同样可以借助你的朋友圈，活动活动，但前提是你是非常适合某个职位的，这样别人给你个机会，再加上你的勤奋和聪明，那不也就成了“千里马”了吗？
心急会坏了大事，即使先入为主，也得等个三年五年的，你才能施展开，莫不如先磨练自己，“十年磨一剑”，当你一旦亮剑，那定是熠熠神光啊！伯乐会第一时间相中你这匹千里马的。
机器学习需要哪些数学基础？
对于搞机器学习的同学来说，高等数学、线性代数和概率论与数理统计是最重要的三门的数学基础了。下面我来分别说明这三方面在机器学习中的作用
一. 高等数学高等数学里面的微积分、牛顿迭代、拉格朗日乘数法、泰勒展开等等知识点在机器学习中都有应用到。例如在逻辑回归模型求梯度时候需要求偏导、优化目标使用的牛顿迭代方法、带约束优化问题的SVM需要用到拉格朗日乘数法等等，还有其它高等数学的知识点在机器学习中或多或少都有体现。
二. 线性代数推荐系统使用的SVD分解、张量分解、非负矩阵分解NMF，PCA主成分分析中求特征值、矩阵运算。下面我贴一下之前我用矩阵求导解最小二乘问题的公式推导过程，可以体会一下线性代数的重要程度。
最小二乘的解，可以通过梯度下降迭代或牛顿迭代方法求解，但也可以基于矩阵求导来计算，它的计算方式更加简洁高效，不需要大量迭代，只需解一个正规方程组。
总之，线性代数对于机器学习来说比高数还重要。
三. 概率论与数理统计概率论与数理统计那就更重要了，比如朴素贝叶斯分类和概率图模型用到的贝叶斯公式，高斯过程、最大熵模型，采样方法，NLP领域的大部分算法都与概率论相关，像基于LDA的主题模型、基于CRF的序列标注模型、分词系统等等。
所以要搞机器学习，高等数学、线性代数和概率论与数理统计都是必不可少的数学基础。