CSDN-刘韧写作班202101期招生简章

《新程序员》编辑部 2021-11-10 14:50:55

写作最好的老师,是写作本身;

老师最好的老师,是教学本身。

刘韧曾在2002年出版的《知识英雄2.0》结尾处反思,“我已经做了10年记者,在这10年中,与被采访对象的关系问题,一直是我需要认真回答的问题。”

20年后的今天,这个问题仍有继续追问的价值。

这里面包括两个问题,即采访对象为什么要接受记者采访?以及记者为什么要进行采访?大多数的人物采访和报道,无法达成预期,便是这两个问题没有想明白,弄清楚。

如何深度思考这两个问题?CSDN特邀《知识英雄2.0》作者刘韧先生,共建“CSDN刘韧写作班”,特招热爱写作的科技报道者,助其精进采访与写作之能力,提升持续自我进化之思维。

刘韧赞成费孝通说的:我并不认为教师的任务是在传授已有的知识,这些学生们自己可以从书本上去学习,而主要是在引导学生敢于向未知的领域进军。作为教师的人就得带个头。至于攻关的结果是否获得了可靠的知识,那是另一个问题。

刘韧想提高自己的写作水平,所以办班,借助学生的力量,探索写作新知。

一、培训对象

热爱科技写作,愿意花1000小时练习

二、培训收益

能写7000字的人物故事

会写生动的软件更新说明

观摩重要采访

作品入选《开源英雄》、《新程序员》

三、培训费用

价值2万元,本期免费

四、核心课程

刘韧商业记者通识12讲(思维篇)

刘韧商业人物写作8讲(技巧篇)

五、主讲人介绍

刘韧,先后服务《中国计算机报》、《计算机世界》、《电脑报》、《知识经济》、天极传媒、人人网等媒体或互联网公司。历任记者、编辑、记者部主任、总编辑和副总裁等职。在中国大陆、台湾、香港先后出版、发行过《中国.com》、《知识英雄》、《中关村问题》、《知本家风暴》、《企业方法》、《知识英雄2.0》、《网络媒体教程》、《线上公关》等专著。正在完成《中国信息产业史》。

六、参与流程

1.报名

2021年11月11日-25日,可扫描下方二维码报名。

  

2. 审核

报名者请将 https://m.weibo.cn/status/4698373053221243(或使用微博App扫描下方二维码)中的对话,整理成对话体文章,于报名结束前发送至ren@qq.com,抄送dongsx@csdn.net。主办方将对文章进行评估,通过评估者方可参加培训。

3.上课

2021年11月27日-2022年3月12日,线上+线下开课,线下课地点北京、长沙二选一。

七、报名咨询

任何问题,可扫码入群咨询工作人员。 

 

 

...全文
4435 2 打赏 收藏 转发到动态 举报
写回复
用AI写文章
2 条回复
切换为时间正序
请发表友善的回复…
发表回复
茶陵後 2021-11-21
  • 打赏
  • 举报
回复

审核需要整理的视频 PC 链接,https://weibo.com/1735550633/KFh8ddvZx#repost

Kelsey362 2021-11-25
  • 举报
回复
@茶陵後 你好。
内容概要:本文提出了一种在单向与双向V2G(Vehicle-to-Grid)并行环境下,对分布式电源与电动汽车充电站进行联合优化配置的方法,并提供了完整的Matlab代码实现。研究综合考虑了分布式光伏、储能系统以及电动汽车充放电行为对配电网的影响,构建了一个多目标优化模型,旨在实现电源、负荷与电网之间的协同规划,提升系统运行的经济性、稳定性和新能源消纳能力。该方法通过优化分布式电源的选址与定容、充电站布局及V2G调度策略,有效降低网络损耗、改善电压质量,并增强配电网对高渗透率电动汽车的承载能力。文中详细阐述了模型构建、求解算法设计、仿真验证流程及结果分析,适用于城市复杂用电场景下的能源基础设施规划与运行优化。; 适合人群:具备电力系统、可再生能源、智能电网等相关专业背景,熟悉Matlab编程与优化算法,从事科研或工程应用的研究生、高校教师及电力行业技术人员;特别适合从事电动汽车与电网互动、分布式能源规划、综合能源系统优化等方向的研究人员。; 使用场景及目标:①用于高校与科研机构开展V2G与分布式能源协同优化的课题研究与论文复现;②支撑电网公司、城市规划部门在充电基础设施布局与电网扩容改造中的科学决策;③为撰写高水平SCI/EI刊论文提供可复现的技术路线、算法框架与仿真代码支持。; 其他说明:资源包含完整Matlab源代码与仿真案例,建议结合文中模型结构、参数设置与优化目标进行调试学习,可进一步拓展至不确定性建模、多时间尺度优化、鲁棒优化等高级场景,以提升方法的实际应用价值与学术深度。
内容概要:本文提出了一种基于贝叶斯网络的短电能负荷预测方法,重点解决电力系统中负荷受天气、节假日等多种不确定性因素影响的问题。通过构建贝叶斯网络模型,融合历史负荷数据及相关外部变量,实现对负荷的概率化预测,有效刻画其随机波动特性与复杂依赖关系。该方法不仅能够量化预测不确定性,还能通过条件概率推理分析各因素对负荷的影响程度,提升预测的鲁棒性与实用性。文中配套提供了完整的Python代码实现,涵盖数据预处理、网络结构学习、参数训练及概率推理全过程,便于读者复现与拓展应用。该技术适用于现代智能电网中的调度决策、需求响应管理与能源规划等场景。; 适合人群:具备一定电力系统基础知识和Python编程能力的科研人员、研究生及从事能源预测、智能电网等相关工作的技术人员。; 使用场景及目标:①应用于短电能负荷预测,特别是在存在显著不确定性和多源影响因素的实际场景中;②为电力系统运行调度、负荷管理、需求响应策略制定以及电网扩容规划提供高可信度的数据支持;③通过动手实践掌握贝叶斯网络在时序预测中的建模流程,深入理解其在处理不确定性问题上的优势与实现细节。; 阅读建议:建议读者结合提供的Python代码逐步实现模型构建过程,重点关注贝叶斯网络的结构设计原则、参数学习算法(如最大似然估计或贝叶斯估计)以及后验概率推理的实现方式,并尝试在不同数据集上进行敏感性分析与模型对比实验,以全面掌握该方法的应用精髓。
内容概要:本文系统性地介绍了大语言模型(Large Language Model, LLM)的基本概念、核心技术、发展历程、工作原理及其在人工智能领域的广泛应用。文章首先明确了大语言模型的定义——基于深度神经网络、利用海量文本数据进行预训练的模型,具备数十亿至数万亿参数,能够完成文本理解、生成、知识推理和多轮对话等任务。不同于传统AI模型依赖人工规则或针对单一任务设计,大语言模型通过“预训练+微调”范式实现强大的泛化能力,可在不重新训练的情况下适应多种任务。文章进一步阐述了Token、上下文(Context)、Prompt工程、结构化输出、工具调用(Tool Calling)、RAG(检索增强生成)、Agent等关键技术概念,揭示了大模型如何通过概率预测机制逐Token生成内容,并结合外部系统实现复杂任务执行。此外,还梳理了大模型的发展脉络,从早专家系统到深度学习兴起,再到Transformer架构的提出与ChatGPT的爆发,展示了其技术演进的关键节点。 适合人群:对人工智能和大语言模型感兴趣的初学者、高校学生、初级开发者及希望了解AI技术原理的非技术背景从业者。 使用场景及目标:①帮助读者建立对大语言模型的正确认知,区分其与搜索引擎、数据库等传统系统的本质差异;②理解大模型的核心工作机制,如Token处理、上下文管理、Prompt设计与推理过程;③掌握RAG、Agent、工具调用等前沿应用架构,为后续深入学习或开发AI应用打下基础。 阅读建议:本文以科普为导向,侧重概念解释与逻辑梳理,而非底层算法推导,适合循序渐进阅读。建议结合实例思考每个技术点的实际意义,尤其是Token、Context与Prompt之间的关系,以及大模型在真实场景中的局限性(如幻觉问题),从而全面把握其能力边界与发展前景。

101

社区成员

发帖
与我相关
我的任务
社区描述
CSDN携手《知识英雄2.0》刘韧,帮助热爱写作的科技报道者精进采访与写作能力
社区管理员
  • 《新程序员》编辑部
  • Lumos_zbj
  • 董世晓
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧