在google上搜索：Rss IEEE transactions on，能找到Digital Library RSS Feed的鏈接，點開后有很多雜志的名字，以IEEE Transactions on Knowledge and Data Engineering 為例，點開后，剛開始彈出的地址和最后彈出的網址不一樣。到google閱讀器添加訂閱，將最終的網址添加即可

http://www.ieeesmc.org/publications/  這個網址上有SMC Part ABC的Rss地址

做科研，實時跟蹤本領域的最新研究進展，必須地。把握了最新的研究動向和潮流，有助于及時調整和優化課題；有助于收獲啟發性的Idea或新技術。最重要一點，不至于當你做的課題被別人搶發了自己卻還蒙在鼓里，現在的競爭很激烈吶！每個人都有自己追蹤前沿的方式。
   有人習慣每天早晨打開電腦就登陸NCBI(National Center for Biotechnology Information)，在PubMed搜索框里輸入關鍵詞，看返回的結果里有沒有新的文章，這當然是一個好習慣。不過，我覺得它有點麻煩，比方說你有N個關鍵詞要搜，一個一個來，這絕對是一個體力活。
   這里我把自己的習慣介紹一下，當然這只是我自己的使用偏好，沒打算去影響誰或者改變誰，各位看看就得了。先講要跟蹤研究前沿，應該關注什么。前面提到的NCBI搜索關鍵詞，關注的是PubMed數據庫中內容的更新，它很全面，幾乎涵蓋了所有期刊雜志的研究性文章或Review。不過，PubMed上檢索有一個潛在的缺陷，可能平時我們都沒太注意到，那就是它更新的時效性不是特別令人滿意。記得有一次，我看到一篇很新的文章，在Google上可以搜到，在該雜志的網站上可以看到，但是PubMed中檢索不到。自從那次開始，我就開始尋找時效性更好的方法。直接登錄你關注的雜志的網站，在每期內容上線的第一時間就去瀏覽（一般雜志都會先online發布，再出紙版），這必然是最快的方法。不過，快是快了，但與PubMed檢索比較起來有兩項不足之處：1、關注面窄，因為你不可能把所有雜志都瀏覽一遍；2、目的性不強，你關注的是一個領域的研究情況，而每本雜志的內容都涵蓋了許多領域里的研究成果，所以你得篩選，從10幾篇中挑出1篇或者2篇感興趣的文章。因此，了解最新研究進展，既要注重時效性，又要兼顧覆蓋面。下面我羅列一下自己用到的方法。需要強調的是，這幾種方法都有自己的優點，也有自己的不足，因此需要聯合起來使用。
   方法一： 郵箱訂閱這里提到的郵箱訂閱，訂閱內容可以是某個雜志內容更新的Email alert，也可以是NCBI上的關鍵詞檢索內容更新。像Cell及其子刊、Nature及其子刊、Science、PNAS、NAR、JBC等等各類雜志的網站上，都有郵件訂閱的標識，只需要按照它的說明來操作就可以了。有些網站需要用戶注冊（免費的）后才可以郵件訂閱，比如Cell和Nature等，有些網站則無需注冊，只要提供你的郵箱地址就能訂閱，如JBC等。郵件訂閱一些優秀雜志的內容更新，就可以直接在自己郵箱里查看每期雜志的content，很方便，不必每次都挨個兒去瀏覽，還可能因為疏忽而遺漏了。NCBI的關鍵詞檢索內容更新的郵件提醒是一項非常人性化的服務。或許，還有不少同學沒有注意到NCBI的這項服務。這里就簡單介紹一下，配上截圖來說明吧。首先，你需要在NCBI上免費注冊一個帳戶，注冊過程非常簡單。登陸NCBI主頁，進入PubMed頁面，點擊網頁右上角Register，一分鐘完成注冊。注意，建議使用Gmail或雅虎郵箱，因為PubMed發送的郵件屬于國外郵件，不太清楚國內郵箱接受是不是會出問題。第二步，完成注冊以后，回到PubMed頁面，在搜索框里輸入你感興趣的關鍵詞，比如“p53”，搜索之。待結果返回后，按下圖箭頭所示，點擊save search。第三步，點擊save search以后，進入如下圖所示的頁面，再點擊Save按鈕。最后，進入如下圖所示的頁面，按照說明來選擇多長時間發送一次郵件（我一般選擇一周一次），發送郵件的格式，郵件中顯示多少篇文章等等參數。Save，搞定。總結一下，之所以建議采用郵件訂閱，就是因為它很方便省事，不必去一個詞一個詞地去檢索了。或者哪天你忘記了去檢索，可能會錯過一些重要信息，郵件訂閱就不會出現這種問題。
   方法二： Google Reader訂閱我得承認，我是Google重度依賴用戶，使用的Google服務包括：Gmail，Google文件，Google日歷，Google相冊，Chrome瀏覽器，Youtube，Google分析，Google Adsense，Google地球，Google生活搜索，Google學術搜索，Google地圖……等等（所有這些服務，你只要注冊一個Gmail就可以全部擁有）。這其中，Google Reader是我很喜歡的一項，利用Google Reader訂閱感興趣的博客，及時關注它們的更新是我上網休閑的主要項目。如果你也寫博客，或者經常更新自己的QQ空間，不妨嘗試一下在Google Reader里搜索一下，基本上都可以找到。書歸正傳，如何利用Google Reader訂閱呢？很簡單，你只需要知道Rss地址即可。什么是Rss？自己Google一下吧。比如，我要訂閱Nature雜志的內容更新，進入該雜志的網頁，http://www.nature.com/nature/index.html 按下圖箭頭所指的位置，點擊，進入新頁面，再找到其Rss的鏈接地址。（即箭頭所指的鏈接的地址）將這個鏈接地址添加到Google Reader里即可，Google Reader會自動為你找到這個Rss源內容的更新。

(來自丁香園）

自然語言處理中，經常要處理序列標注問題（分詞、詞性標注、組快分析等），為給定的觀察序列標注標記序列。

令o和s分別代表觀察序列和標記序列，

根據貝葉斯公式，

1   生成模型和判別模型的定義

   對o和s進行統計建模，通常有兩種方式：

(1)生成模型

   構建o和s的聯合分布p(s,o)

(2)判別模型

   構建o和s的條件分布p(s|o)

2    判別模型和生成模型的對比

（1）訓練時，二者優化準則不同

      生成模型優化訓練數據的聯合分布概率；

      判別模型優化訓練數據的條件分布概率，判別模型與序列標記問題有較好的對應性。

（2）對于觀察序列的處理不同

      生成模型中，觀察序列作為模型的一部分；

      判別模型中，觀察序列只作為條件，因此可以針對觀察序列設計靈活的特征。

（3）訓練復雜度不同

      判別模型訓練復雜度較高。

（4）是否支持無指導訓練

      生成模型支持無指導訓練。

大米昨晚給我show  Gatsby的主頁，其中一個人Alexander Lerchner，04年和05年各一篇Neurocomputing，07年就一篇Nature Neuroscience，就奠定了他的定位。該文題目也很特別knowing without doing. 看來到一個好的氛圍發nature也并非很難。

        我們知道從Windows ME系統開始就有一項“系統還原”功能，這項系統自帶的功能可以通過對還原點的設置，記錄我們對系統所做的更改，當系統出現故障時，可以在不需要重新安裝操作系統，也不會不影響個人數據文件（例如文件、電子郵件或相片）的情況下，使用系統還原功就能將系統恢復到更改之前的狀態，繼續正常使用。相比Ghost備份，系統還原有自身的優點，如操作安全方便、不影響個人數據文件等(是不是意味著系統還原可以取代Ghost？)。此外，在Windows 7中備份的功能也得到極大增強，不僅僅對于各類文件的備份更加強大，而且還可以如同Ghost備份那樣將系統保存為映像文件。那么，系統還原經歷了Windows XP、Windows Vista系統后，在Windows 7中這項好用的功能會有哪些變化呢？ 下面就隨七仔來試一試Windows 7的系統還原功能，順便對“備份和還原”中全新的創建系統映像功能一探究竟吧。
        如同在Windows XP系統中一樣，使用系統還原功能前，先確認Windows 7是否開啟了該功能。在資源管理器的“計算機”頁面（也就是Windows XP中的“我的電腦”）空白處點擊鼠標右鍵，選擇“屬性”，然后在“系統”查看窗口中點擊界面左側的“系統保護”鏈接，最后在“系統保護”選項頁中確保所要保護的驅動器出去打開保護的狀態。當對某個分區設置了保護功能打開后，Windows 7就會在必要的時候自動創建還原點。當然，此時我們也可以手動創建一個還原點，方法是在上圖的界面中，點擊最下方的“創建”按鈕，填入還原點名稱后，稍等片刻即可完成還原點的創建啟用了系統還原功能，Windows 7就會在必要的時候為相應的分區創建還原點。那么，當系統出現問題的時候如何進行系統還原呢？點開開始菜單，依次點選“所有程序”－“附件”－“系統工具”－“系統還原”（萬一這個點不開了呢？），打開系統還原主界面按照向導進行操作。
        在Windows XP中使用系統還原，我們看到的是一個日歷視圖，并可在其中選擇還原點，而在Windows 7中這些變化了不少。首先Windows 7的系統還原功能會默認選擇系統所推薦的還原點，并告訴你該還原點的創建時間、說明等，讓你對系統的推薦有所了解。當然，我們也可以“選擇另一還原點”，自己來選擇需要還原到哪個狀態。當我們設置自己選擇還原點后，Windows 7會將可用的還原點顯示在列表中，時間、說明、類型都清清楚楚，而我們先前手動創建的還原點也列于其中。 Windows 7的系統還原相較于XP系統中的還有一個很大的改進，就是可以掃描每個還原點的所影響的程序。當我們選中某個還原點后，點擊“掃描所影響的程序”按鈕， 稍等片刻即可得到詳細的報告，其中包含了將刪除和將還原的程序和驅動程序等。這個功能有很大的好處，讓你對還原點的選擇更加明白，特別是有兩個時間相近的還原點時，你可以通過這個功能來選擇影響面更小的還原點進行還原。 選擇后還原點后，最后經過一個確認步驟，剩下的就又系統還原功能自動完成了，還原、重啟、完成，過程如同Windows XP一樣，很快你就可以重新見到沒有問題的系統了。

website: http://www.chineseinla.com/f/page_viewtopic/t_5539

 

世界各國博士后 工資 (歐洲+美國)

最高的是: 瑞士聯邦理工大學，蘇黎世，將近70000美元。

ETH, Zurich歐洲排名第4，世界排名27， Newsweek

 

以下是Scientist 評選的15個歐洲最適合博士后工作的單位

 

Name Country verage annual postdoc salary (or salary range)

forex.com

 

Friedrich Miescher Institute

for Biomedical Research Switzerland 84,000 CHF = 68,000 USD

MRC Laboratory of

Molecular Biology UK UKP 25,000-30,000

University of Bergen Norway 372,000 NOK

Pasteur Institute France €25,200

Umea Plant Science Center Sweden 180,000-210,000 SEK

University of Dundee UK UKP 20,004-43,850

University of Basel Biozentrum Switzerland 63,000-85,056 CHF

ETH Zurich Switzerland 78,000-86,000 CHF

University of Manchester UK UKP 20,044-30,002

The Netherlands Cancer

Institute Netherlands €40,000-60,000

Catholic University of Leuven Belgium N/A

University of Helsinki Finland €33,600-36,000

 

University of Nottingham UK ￡23,457-33445

University of Edinburgh UK ￡20,044

 

以下是Scientist 評選的15個北美最適合博士后工作的單位

 

Name Average annual postdoc salary (or salary range)

 

The J. David Gladstones Institutes $51,180

Fred Hutchinson Cancer Research Center $38,974

US Environmental Protection Agency $44,119-63,980

Emory University $30,000-55,000

National Institute of Environmental Health Sciences $40,900-65,000

Fox Chase Cancer Center $39,000

National Institute of Diabetes & Kidney Diseases $37,100-67,000

Wadsworth Center $37,500

Dalhousie University $39,710 (CAN)

USDA Agricultural Research Service $54,000-65,000

Woods Hole Oceanographic Institution $53,000

Boyce Thompson Institute for Plant Research $31,700

National Cancer Institute $41,000-56,000

Donald Danforth Plant Science Center $35,000

Vanderbilt University $38,000-40,000

情商是什么

　　情商（EQ）又稱情緒智力，是近年來心理學家們提出的與智力和智商相對應的概念。它主要是指人在情緒、情感、意志、耐受挫折等方面的品質。以往認為，一個人能否在一生中取得成就，智力水平是第一重要的，即智商越高，取得成就的可能性就越大。但現在心理學家們普遍認為，情商水平的高低對一個人能否取得成功也有著重大的影響作用，有時其作用甚至要超過智力水平。那么，到底什么是情商呢？

　    美國心理學家認為，情商包括以下幾個方面的內容：一是認識自身的情緒。因為只有認識自己，才能成為自己生活的主宰。二是能妥善管理自己的情緒。即能調控自己；三是自我激勵，它能夠使人走出生命中的低潮，重新出發。四是認知他人的情緒。這是與他人正常交往，實現順利溝通的基礎；五是人際關系的管理。即領導和管理能力。　　

        情商的水平不像智力水平那樣可用測驗分數較準確地表示出來，它只能根據個人的綜合表現進行判斷。心理學家們還認為，情商水平高的人具有如下的特點：社交能力強，外向而愉快，不易陷入恐懼或傷感，對事業較投入，為人正直，富于同情心，情感生活較豐富但不逾矩，無論是獨處還是與許多人在一起時都能怡然自得。專家們還認為，一個人是否具有較高的情商，和童年時期的教育培養有著密切的關系。因此，培養情商應從小開始。

情商往往是決定命運的

　　情商是一種能力，情商是一種創造，情商又是一種技巧。既然是技巧就有規律可循，就能掌握，就能熟能生巧。只要我們多點勇氣，多點機智，多點磨練，多點感情投資，我們也會像“情商高手”一樣，營造一個有利于自己生存的寬松環境，建立一個屬于自己的交際圈，創造一個更好發揮自己才能的空間。除智商，情商外，還可包括：德商MQ(moral quotient)、逆商AQ(adversity quotient)、心商MQ（mental quotient)、膽商DQ（daring quotient）、財商FQ（fortune quotient）、志商WQ（will quotient）、靈商SQ(spiritual quotient)、健商HQ(health quotient)　

智商與情商的不同
        智商（intelligence　quotient簡寫成IQ）是用以表示智力水平的工具，也是測量智力水平常用的方法，智商的高低反映著智力水平的高低。情商（emotional　quotient簡寫成EQ）是表示認識、控制和調節自身情感的能力。情商的高低反映著情感品質的差異。情商對于人的成功起著比智商更加重要的作用。智商和情商，都是人的重要的心理品質，都是事業成功的重要基礎。它們的關系如何，是智商和情商研究中提出的一個重要的理論問題。正確認識這兩種心理品質之間的差異和聯系，有利于更好地認識人自身，有利于克服智力第一和智力唯一的錯誤傾向，有利于培養更健康、更優秀的人才。 首先，智商和情商反映著兩種性質不同的心理品質。智商主要反映人的認知能力、思維能力、語言能力、觀察能力、計算能力、律動的能力等。也就是說，它主要表現人的理性的能力。它可能是大腦皮層特別主要是主管抽象思維和分析思維的左半球大腦的功能。情商主要反映一個人感受、理解、運用、表達、控制和調節自己情感的能力，以及處理自己與他人之間的情感關系的能力。情商所反映個體把握與處理情感問題的能力。情感常常走在理智的前面。它是非理性的，其物質基礎主要與腦干系統相聯系。大腦額葉對情感有控制作用。

　　其次，智商和情商的形成基礎有所不同。情商和智商雖然都與遺傳因素、環境因素有關，但是，它們與遺傳、環境因素的關系是有所區別的。智商與遺傳因素的關系遠大于社會環境因素。據英國《簡明不列顛百科全書·智力商數》詞條載：“根據調查結果，約70—80％智力差異源于遺傳基因，20—30％的智力差異系受到不同的環境影響所致。”情商的形成和發展，先天的因素也是存在的。例如，“人類的基本表情通見于全人類，具有跨文化的一致性。”（《情感智商》，潘云明主編，中國城市出版社，第22頁）美國心理學家艾克曼的研究表明，從未與外界接觸過的新幾內亞人能夠正確地判斷其它民族照片上的表情。但是，情感又有很大的文化差異。民俗學研究表明，不同的民族的情感表達方式有顯著差異。兒童心理學研究表明，先天盲童由于社會交流的障礙導致的社會化程度的影響，其情感能力相對薄弱。人類學研究表明，原始人類的情感與文明人的情感有極大差異。他們易怒易喜，喜怒無常，自控能力很差。美國有的人類學研究者認為，人類童年時代的情感控制能力很弱，以今天的眼光看，很像是患有集體精神病。從近代史研究中也可以看到，人的情感容易受到社會環境的影響，人總是有著根深蒂固的從眾心理。二戰時代德國的社會情感，充分說明了這一點。　　

       第三，智商和情商的作用不同。智商的作用主要在于更好地認識事物。智商高的人，思維品質優良，學習能力強，認識深度深，容易在某個專業領域作出杰出成就，成為某個領域的專家。調查表明，許多高智商的人成為專家、學者、教授、法官、律師、記者等，在自己的領域有較高造詣。情商主要與非理性因素有關，它影響著認識和實踐活動的動力。它通過影響人的興趣、意志、毅力，加強或弱化認識事物的驅動力。智商不高而情商較高的人，學習效率雖然不如高智商者，但是，有時能比高智商者學得更好，成就更大。因為鍥而不舍的精神使勤能補拙。另外，情商是自我和他人情感把握和調節的一種能力，因此，對人際關系的處理有較大關系。其作用與社會生活、人際關系、健康狀況、婚姻狀況有密切關聯。情商低的人人際關系緊張，婚姻容易破裂，領導水平不高。而情商較高的人，通常有較健康的情緒，有較完滿的婚姻和家庭，有良好的人際關系，容易成為某個部門的領導人，具有較高的領導管理能力。

提高情商的八種方法
　　1、學會劃定恰當的心理界限，這對每個人都有好處。
　　 你也許自認為與他人界限不明是一件好事，這樣一來大家能隨心所欲地相處，而且相互之間也不用激烈地討價還價。這聽起來似乎有點道理，但它的不利之處在于，別人經常傷害了你的感情而你卻不自知。
        其實仔細觀察周遭你不難發現，界限能力差的人易于患上病態恐懼癥，他們不會與侵犯者對抗，而更愿意向第三者傾訴。如果我們是那個侵犯了別人心理界限的人，發現事實的真相后，我們會感覺自己是個冷血的大笨蛋。同時我們也會感到受傷害，因為我們既為自己的過錯而自責，又對一個第三者卷進來對我們評頭論足而感到憤慨。
        界限清晰對大家都有好處。你必須明白什么是別人可以和不可以對你做的。當別人侵犯了你的心理界限，告訴他，以求得改正。如果總是劃不清心理界限，那么你就需要提高自己的認知水平。

2、找一個適合自己的方法，在感覺快要失去理智時使自己平靜下來，從而使血液留在大腦里，做出理智的行動。
         美國人曾開玩笑地說：當遇到事情時，理智的孩子讓血液進入大腦，能聰明地思考問題；野蠻的孩子讓血液進入四肢，大腦空虛，瘋狂沖動。
         是的，當血液充滿大腦的，你頭腦清醒，舉止得當，反之，當血液都流向你的四肢和舌頭的時候，你就會做蠢事，沖動暴躁，口不擇言。
         事實上，科學實驗證明，當我們在壓力之下變得過度緊張時，血液的確會離開大腦皮層，于是我們就會舉止失常。此時，大腦中動物的本性起了主導作用，使我們像最原始的動物那樣行事。要知道，在文明社會中，表現得像個原始動物會帶來大麻煩。
         控制情緒爆發有很多策略，其中一個方法就是注意你的心律，它是衡量情緒的精確尺子。當你的心跳快至每分鐘100次以上時，整頓一下情緒至關重要。在這種速率下，身體分泌出比平時多得多的腎上腺素。我們會失去理智，變成好斗的蟋蟀。
        當血液又開始涌向四肢時，你可以選用以下的方法來平靜心情：
        1、深呼吸，直至冷靜下來。慢慢地、深深地吸氣，讓氣充滿整個肺部。把一只手放在腹部，確保你的呼吸方法正確。
        2、自言自語。比如對自己說：“我正在冷靜。”或者說：“一切都會過去的。”
        3、有些人采用水療法。洗個熱水盆浴，可能會讓你的怒氣和焦慮隨浴液的泡沫一起消失。
        4、你也可以嘗試美國心理學家唐納·艾登的方法：想著不愉快的事，同時把你的指尖放在眉毛上方的額頭上，大拇指按著太陽穴，深吸氣。據艾登說，這樣做只要幾分鐘，血液就會重回大腦皮層，你就能更冷靜地思考了。

3、想抱怨時，停一下先自問：“我是想繼續忍受這看起來無法改變的情形呢，還是想改變它呢？”
        對于沒完沒了的抱怨，我們稱之為嘮叨。抱怨會消耗用力而又不會有任何結果，對問題的毫無用處，又很少會使我們感到好受一點。
        幾乎所有的人都發現，如果對有同情心的第三方傾訴委屈，而他會跟著一起生氣的話，我們會感覺好受一些。有人對你說：“可憐的寶貝。”這對你來說是莫大的安慰，你的壓力似乎減輕了，于是你又能重新面對原有的局面了，盡管事情沒有任何改變。
        但是如果你不抱怨呢，你會感受到巨大的心理壓力。壓力有時并不是個壞東西，是的，它也許會讓你感覺不舒服，但同時也是促使你進行改變的力量。一旦壓力減輕，人就容易維持現狀。然而，如果壓力沒有在抱怨中流失，它就會推積起來，到達一個極限，迫使你采取行動變現狀。
        因此，當你準備向一個同情你的朋友報怨的，先自問一下：我是想減輕壓力保持現狀呢，還是想讓壓力持續下去促使我改變這一切呢？如果是前者，那就通過報怨把壓力趕走吧。逐個人都有發牢騷的時候，它會讓我們暫時好受一些。但如果情況確實需要改變的話，下定決心切實行動起來吧！

4、掃除一切浪費精力的事物。
        什么是不利于我們提高情商的力量呢？答案就是一切浪費精力的事物。
        許多人的神經系統就像父親的手一樣長了厚厚的老繭。我們已經習慣于意識不到精力的消耗。精力是微妙的，但也可以體會到明顯的變化，比如聽到好消息時，腎上腺素會激增，而聽到壞消息時，會感到精疲力竭。我們通常不會留意精力細微地消耗，比如與一個消極的人相處、在桌上到處找一張紙等等。
        你的生活中有哪些緩慢消耗精力的事情？我家的墻角堆著一小塊地毯，每次看到它，我都會想可能有人會被它絆倒。這本不是什么大不了的問題，但它分散我的精力。這就是我們如何界定分散精力的事物——每次接觸之后都會感到精力被分散了。有時和朋友所處也是如此——相互吸取和給予精力——但有些是精力的吸血鬼，他們只會吸取你的精力。這時有兩個選擇：一是正視這個問題，建立心理界限繼續與他們謹慎交往；另一個是減少與這種人交往。
        的確，我們需要去除緩慢地浪費精力的東西，解脫出來以集中精力提高我們的情商。
        想加速——你可以選擇減小阻力或增加推動力。
        試試我們提供的方法吧：
       1、經常列出消耗你精力的事情。
       2、系統地分析一下名單，并分成兩部分：
             A、可以有所作為的。
             B、不可改變的。
       3、逐一解決A單中的問題。比如對我來說，把汽車鑰匙掛在一個固定的鉤子上，這樣就不用到處找了。
       4、再看一下B單中的問題，你是否有把握？有沒有把其中一些移到A單加以解決的可能？
       5、放棄B單中的問題。

5、找一個生活中鮮活的榜樣。
        我們都曾經歷過學榜樣的年代，那些榜樣對于我們來說高尚而又疏遠。于是我們學榜樣的熱忱在和榜樣的距離中漸漸熄滅了，因為我們知道，自己也許一生都成不了大英雄。
       是的，你不能成為大英雄，但你可以成為一個快樂的常人，比如你的朋友丹寧，她精力充沛、年輕、大方、聰明、有趣。她經營婦科診所、做公司顧問、為一家市被定期寫專欄文章，有英俊的丈夫和可愛的女兒。
        你身邊有這樣的出色人物嗎，把他作為你的榜樣吧！你可以想：她所能做的我也可以，但我們的風格迥異，我不可能以她的方式完成她所做的事。但我會模仿她做的一些事，以我的方式來完成。從她身上你總能看到從來沒察覺到的自身潛能。
        在周圍的人中找出你學習的榜樣吧！他們比你雖聰明、所受教育更好、層次更高、比你更有毅力。你會在追趕他們的過程中自然地提高自己的情商。

6、為人父母。
        為人父母會教會你很多東西。當孩子尖叫“為什么不給我買？我恨你！”時，你不能絕望，不能暴怒，你需要理解他并接受極怨恨的現實。要知道，這是孩子所能給予你的最好的禮物，當然這種恨不要持續下去。
        養育孩子是一個雙贏的結局。在養育孩子的過程中，孩子學會了如何與還不算成熟的年輕父母相處。作為父母的我們，則在抑制我們的需求來滿足孩子的需求的過程中磨平了棱角。養育孩子會自動提高我們的情商，使我們成為更合格的父母。
        如果你不愿意生養孩子，不妨試試為朋友看孩子，與孩子相處可以真正地提高我們的情商。

7、從難以相處的人身上學到東西。
        我們的周圍有很多牢騷滿腹，橫行霸道、裝膽作勢的人，我們多么希望這些人從生活中消失，因為他們會讓人生氣和絕望，甚至發狂。為什么不能把這些人圈起來，買張飛機票，送到一個小島上，在那里他們再也不會打擾到別人。可是，最好別這樣，這些難以相處的人是我們提高情商的幫手。你可以從多嘴多舌的人身上學會沉默，從脾氣暴躁的人身上學會忍耐，從惡人身上學到善良，而且你不用對這些老師感激涕零。而且，你定義的“難以相處的人”，最終被證明可能只是與你不同的人，而對所謂的難以相處的人來說，你也是難以相處的人。應付難以相處的人最有效的方式就是靈活。也就是說，發現他們的方式，在與之交往的過程中，盡量靈活到采用與之相同的方式。如果這人喜歡先閑談再談正事的話，你的反應應當是放松下來，聊聊家常。另一方面，如果這人直截了當，你也應當閑話少說，直奔主題。這樣，在與難以相處的人打交道時會更有效率，而且會發現這些人并不那么難以相處。
          應付難以相處的人的第二點就是把他們當成禮物。朱迪嫁給了一個霸道的人。婚姻生活對她來說充滿坎坷，因為她沒有很明確的界限。在分手多年以后，她學會了感謝他，因為他教給她建立和維持界限的重要性。現在再遇到這樣的男人時，她根本不在乎。朱迪說：“當與他一起生活過以后，這些家伙你就會根本不放在眼里。”如果她當時嫁給了一個隨和的人，她可能到現在還沒有明確的界限，也很難對付那些難纏的家伙。
         不過，如果可以選擇的話，或許我們永遠不會選擇難以相處的人。

8、時不時嘗試另一種完全不同的方式，你會拓寬視野，提高情商。
        你是一個性格開朗外向的人還是性格內向、只喜歡獨處或和幾個密友在一起的人呢？你喜歡提前計劃好每一天，以知道要干些什么事，還是毫無計劃呢？人人都有自己的偏愛，如果可以選擇的話，每個人都會選擇自己偏愛的方式。然而，突然常規，嘗試截然相反的行動會更有助于我們的成長。
        如果你總是聚會中熱衷于做中心人物，這次改改吧，試著讓那些平日毫不起眼的人出出風頭。如果你總是被動地等待別人和你搭訕，不妨主動上前向對方問個好。

Multi-task learning is an approach to machine learning, that learns a problem together with other related problems at the same time, using a shared representation. This often leads to a better model for the main task, because it allows the learner to use the commonality among the tasks. Therefore, multi-task learning is a kind of inductive transfer.

[edit] See also

• Artificial neural network
• Evolutionary computation
• Human-based genetic algorithm

[edit] References

• Baxter, J. (2000). A model of inductive bias learning. Journal of Artificial Intelligence Research, 12:149--198, On-line paper
• Caruana, R. (1997). Multitask learning: A knowledge-based source of inductive bias. Machine Learning, 28:41--75. Paper at Citeseer
• Thrun, S. (1996). Is learning the n-th thing any easier than learning the first?. In Advances in Neural Information Processing Systems 8, pp. 640--646. MIT Press. Paper at Citeseer
  
  Understand completely "Exploring Regularized Feature Selection for Person Specific Face Verification". This is a paper on multi-task feature selection. Peipei Yang講通過比如2,1范數是一種實現多任務的方式，還有其他方式。Multi-Task Learning_ Theory, Algorithms, and Applications.pptx的第五頁的例子很好地解釋了什么是Multi-Task Learning. Partial Face Recognition (TPAMI 2013)的第三節也是multi-task。 relaxed collaborative representation的公式6(說成multi-task，也可以視為multi-view)

全文轉載薛貴榮博士的文章《遷移學習（ Transfer Learning ）》。原文點擊這里！

　　在傳統的機器學習的框架下，學習的任務就是在給定充分訓練數據的基礎上來學習一個分類模型；然后利用這個學習到的模型來對測試文檔進行分類與預測。然而，我們看到機器學習算法在當前的Web挖掘研究中存在著一個關鍵的問題：一些新出現的領域中的大量訓練數據非常難得到。我們看到Web應用領域的發展非常快速。大量新的領域不斷涌現，從傳統的新聞，到網頁，到圖片,再到博客、播客等等。傳統的機器學習需要對每個領域都標定大量訓練數據，這將會耗費大量的人力與物力。而沒有大量的標注數據，會使得很多與學習相關研究與應用無法開展。其次，傳統的機器學習假設訓練數據與測試數據服從相同的數據分布。然而，在許多情況下，這種同分布假設并不滿足。通常可能發生的情況如訓練數據過期。這往往需要我們去重新標注大量的訓練數據以滿足我們訓練的需要，但標注新數據是非常昂貴的，需要大量的人力與物力。從另外一個角度上看，如果我們有了大量的、在不同分布下的訓練數據，完全丟棄這些數據也是非常浪費的。如何合理的利用這些數據就是遷移學習主要解決的問題。遷移學習可以從現有的數據中遷移知識，用來幫助將來的學習。遷移學習（Transfer Learning）的目標是將從一個環境中學到的知識用來幫助新環境中的學習任務。因此，遷移學習不會像傳統機器學習那樣作同分布假設。

　　我們在遷移學習方面的工作目前可以分為以下三個部分：同構空間下基于實例的遷移學習，同構空間下基于特征的遷移學習與異構空間下的遷移學習。我們的研究指出，基于實例的遷移學習有更強的知識遷移能力，基于特征的遷移學習具有更廣泛的知識遷移能力，而異構空間的遷移具有廣泛的學習與擴展能力。這幾種方法各有千秋。

　　1.同構空間下基于實例的遷移學習

　　基于實例的遷移學習的基本思想是，盡管輔助訓練數據和源訓練數據或多或少會有些不同，但是輔助訓練數據中應該還是會存在一部分比較適合用來訓練一個有效的分類模型，并且適應測試數據。于是，我們的目標就是從輔助訓練數據中找出那些適合測試數據的實例，并將這些實例遷移到源訓練數據的學習中去。在基于實例的遷移學習方面，我們推廣了傳統的AdaBoost算法，提出一種具有遷移能力的boosting算法：Tradaboosting [9]，使之具有遷移學習的能力，從而能夠最大限度的利用輔助訓練數據來幫助目標的分類。我們的關鍵想法是，利用boosting的技術來過濾掉輔助數據中那些與源訓練數據最不像的數據。其中，boosting的作用是建立一種自動調整權重的機制，于是重要的輔助訓練數據的權重將會增加，不重要的輔助訓練數據的權重將會減小。調整權重之后，這些帶權重的輔助訓練數據將會作為額外的訓練數據，與源訓練數據一起從來提高分類模型的可靠度。

　　基于實例的遷移學習只能發生在源數據與輔助數據非常相近的情況下。但是，當源數據和輔助數據差別比較大的時候，基于實例的遷移學習算法往往很難找到可以遷移的知識。但是我們發現，即便有時源數據與目標數據在實例層面上并沒有共享一些公共的知識，它們可能會在特征層面上有一些交集。因此我們研究了基于特征的遷移學習，它討論的是如何利用特征層面上公共的知識進行學習的問題。

　　2.同構空間下基于特征的遷移學習

　　在基于特征的遷移學習研究方面，我們提出了多種學習的算法，如CoCC算法[7]，TPLSA算法[4]，譜分析算法[2]與自學習算法[3]等。其中利用互聚類算法產生一個公共的特征表示，從而幫助學習算法。我們的基本思想是使用互聚類算法同時對源數據與輔助數據進行聚類，得到一個共同的特征表示，這個新的特征表示優于只基于源數據的特征表示。通過把源數據表示在這個新的空間里，以實現遷移學習。應用這個思想，我們提出了基于特征的有監督遷移學習與基于特征的無監督遷移學習。

　　2.1 基于特征的有監督遷移學習

　　我們在基于特征的有監督遷移學習方面的工作是基于互聚類的跨領域分類[7]，這個工作考慮的問題是：當給定一個新的、不同的領域，標注數據及其稀少時，如何利用原有領域中含有的大量標注數據進行遷移學習的問題。在基于互聚類的跨領域分類這個工作中，我們為跨領域分類問題定義了一個統一的信息論形式化公式，其中基于互聚類的分類問題的轉化成對目標函數的最優化問題。在我們提出的模型中，目標函數被定義為源數據實例，公共特征空間與輔助數據實例間互信息的損失。

　　2.2 基于特征的無監督遷移學習：自學習聚類

　　我們提出的自學習聚類算法[3]屬于基于特征的無監督遷移學習方面的工作。這里我們考慮的問題是：現實中可能有標記的輔助數據都難以得到，在這種情況下如何利用大量無標記數據輔助數據進行遷移學習的問題。自學習聚類 的基本思想是通過同時對源數據與輔助數據進行聚類得到一個共同的特征表示，而這個新的特征表示由于基于大量的輔助數據，所以會優于僅基于源數據而產生的特征表示，從而對聚類產生幫助。

　　上面提出的兩種學習策略（基于特征的有監督遷移學習與無監督遷移學習）解決的都是源數據與輔助數據在同一特征空間內的基于特征的遷移學習問題。當源數據與輔助數據所在的特征空間中不同時，我們還研究了跨特征空間的基于特征的遷移學習，它也屬于基于特征的遷移學習的一種。

　　３　異構空間下的遷移學習：翻譯學習

　　我們提出的翻譯學習[1][5]致力于解決源數據與測試數據分別屬于兩個不同的特征空間下的情況。在[1]中，我們使用大量容易得到的標注過文本數據去幫助僅有少量標注的圖像分類的問題，如上圖所示。我們的方法基于使用那些用有兩個視角的數據來構建溝通兩個特征空間的橋梁。雖然這些多視角數據可能不一定能夠用來做分類用的訓練數據，但是，它們可以用來構建翻譯器。通過這個翻譯器，我們把近鄰算法和特征翻譯結合在一起，將輔助數據翻譯到源數據特征空間里去，用一個統一的語言模型進行學習與分類。

　　引文：

　　[1]. Wenyuan Dai, Yuqiang Chen, Gui-Rong Xue, Qiang Yang, and Yong Yu. Translated Learning: Transfer Learning across Different Feature Spaces. Advances in Neural Information Processing Systems 21 (NIPS 2008), Vancouver, British Columbia, Canada, December 8-13, 2008.

　　[2]. Xiao Ling, Wenyuan Dai, Gui-Rong Xue, Qiang Yang, and Yong Yu. Spectral Domain-Transfer Learning. In Proceedings of the Fourteenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2008), Pages 488-496, Las Vegas, Nevada, USA, August 24-27, 2008.

　　[3]. Wenyuan Dai, Qiang Yang, Gui-Rong Xue and Yong Yu. Self-taught Clustering. In Proceedings of the Twenty-Fifth International Conference on Machine Learning (ICML 2008), pages 200-207, Helsinki, Finland, 5-9 July, 2008.

　　[4]. Gui-Rong Xue, Wenyuan Dai, Qiang Yang and Yong Yu. Topic-bridged PLSA for Cross-Domain Text Classification. In Proceedings of the Thirty-first International ACM SIGIR Conference on Research and Development on Information Retrieval (SIGIR2008), pages 627-634, Singapore, July 20-24, 2008.

　　[5]. Xiao Ling, Gui-Rong Xue, Wenyuan Dai, Yun Jiang, Qiang Yang and Yong Yu. Can Chinese Web Pages be Classified with English Data Source? In Proceedings the Seventeenth International World Wide Web Conference (WWW2008), Pages 969-978, Beijing, China, April 21-25, 2008.

　　[6]. Xiao Ling, Wenyuan Dai, Gui-Rong Xue and Yong Yu. Knowledge Transferring via Implicit Link Analysis. In Proceedings of the Thirteenth International Conference on Database Systems for Advanced Applications (DASFAA 2008), Pages 520-528, New Delhi, India, March 19-22, 2008.

　　[7]. Wenyuan Dai, Gui-Rong Xue, Qiang Yang and Yong Yu. Co-clustering based Classification for Out-of-domain Documents. In Proceedings of the Thirteenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2007), Pages 210-219, San Jose, California, USA, Aug 12-15, 2007.

　　[8]. Wenyuan Dai, Gui-Rong Xue, Qiang Yang and Yong Yu. Transferring Naive Bayes Classifiers for Text Classification. In Proceedings of the Twenty-Second National Conference on Artificial Intelligence (AAAI 2007), Pages 540-545, Vancouver, British Columbia, Canada, July 22-26, 2007.

　　[9]. Wenyuan Dai, Qiang Yang, Gui-Rong Xue and Yong Yu. Boosting for Transfer Learning. In Proceedings of the Twenty-Fourth International Conference on Machine Learning (ICML 2007), Pages 193-200, Corvallis, Oregon, USA, June 20-24, 2007.

　　[10]. Dikan Xing, Wenyuan Dai, Gui-Rong Xue and Yong Yu. Bridged Refinement for Transfer Learning. In Proceedings of the Eleventh European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD 2007), Pages 324-335, Warsaw, Poland, September 17-21, 2007. （Best Student Paper Award）

　　[11]. Xin Zhang, Wenyuan Dai, Gui-Rong Xue and Yong Yu. Adaptive Email Spam Filtering based on Information Theory. In Proceedings of the Eighth International Conference on Web Information Systems Engineering (WISE 2007), Pages 159–170, Nancy, France, December 3-7, 2007.