| WEFV2626EFCEYYYB15VEF |
內容簡介
這是一本理論與實務兼具的好書，本書除了從理論觀點來瞭解情緒的本質外，藉由詳細的說明與生活化的實例，讓讀者對不同情緒有更多的認識與瞭解。在本書中也提供一些方法，希望讀者能學習如何有效處理情緒與調適壓力，並且能有效因應人際關係中的情緒問題，希望讀者可以學習與情緒共處，並且能夠覺察自己與他人的情緒，瞭解自己的情緒變化與因應方式，同時藉由書中的自我探索與練習來提升自己的情緒覺察力與情緒管理能力，將有助於個人身心健康發展與良好人際關係的建立，讓讀者能夠開創更美好的人生。
作者介紹
作者簡介
蔡秀玲
學歷／國立台灣師範大學教育心理與輔導研究所諮商心理學博士
國立台灣師範大學教育心理與輔導研究所碩士
國立台灣師範大學英語系
現任／中原大學師培中心暨諮商中心專任副教授
經歷／各大專院校兼任諮商老師、心衛推廣講師、輔導知能訓練講師、諮商督導
楊智馨
學歷／國立台灣師範大學教育心理與輔導研究所碩士
國立台灣師範大學教育系
現任／高中輔導教師
目錄
三版序 i
初版序 iii
Chapter 1 認識情緒 1
一、情緒智力 3
二、情緒反應 6
三、情緒的特性 10
四、情緒的影響 15
五、情緒的功能 18
六、情緒發展 21
七、青少年階段的情緒特徵 24
Chapter 2 情緒的相關理論 33
一、神經心理觀點 34
二、認知評估觀點 38
三、心理動力觀點 46
四、正向心理學觀點 48
Chapter 3 影響情緒表達的因素 57
一、社會文化與情緒表達 59
二、家庭與情緒表達 62
三、性別與情緒表達 75
四、個人特質與情緒表達 79
Chapter 4 焦慮、害怕、憂鬱、無助感、難過 87
一、焦慮 90
二、害怕 102
三、憂鬱 107
四、無助感 116
五、難過∕悲傷 121
Chapter 5 憤怒、羞愧感、罪惡感 133
一、憤怒 134
二、羞愧感 149
三、罪惡感 157
Chapter 6 防衛機制、上癮與情緒調整 167
一、防衛機制 169
二、上癮 177
三、情緒調整的方法 184
Chapter 7 情緒管理的方法 193
一、情緒三部曲 195
二、情緒覺察 198
三、如何增加情緒覺察力？ 202
四、改變想法，轉換情緒 207
五、做情緒的主人 221
Chapter 8 壓力管理與調適 227
一、什麼是壓力 229
二、壓力的來源 233
三、壓力的影響 242
四、有效調適壓力 245
Chapter 9 挫折容忍力 271
一、什麼是挫折 273
二、挫折容忍力 277
三、如何培養挫折容忍力 284
Chapter 10 情緒溝通 297
一、情緒表達在人際溝通的功能 298
二、有效表達情緒的原則 301
三、如何面對他人的情緒 314
四、人際衝突的解決 330
Chapter 11 情緒障礙 341
一、情緒異常 343
二、情感性疾患 345
三、自殺問題 353
四、焦慮症 362
五、治療方法 367
六、對精神疾病的正確認識 369
附錄 身心鬆弛法 373
參考書目 381
序
三版序
EQ日益受到重視，實為年輕學子的佳音。在華人家庭成長經驗中，情緒常常是最被忽略、漠視或否認的一部分；此外，學校教育較強調智育勝於情意教育，以至於學生難以掌握自己的情緒變化，也不知道如何處理自己的情緒困擾與相關問題。尤其在大學階段的學生，需要面臨許多來自課業、感情、人際與生涯的不同壓力，當其無法調適時，就會容易出現焦慮、憂鬱等較負向的情緒，甚至是自傷意念或舉動。因此，情緒管理之重要性與必要性不容輕忽；然而，「知道」與「做到」卻是兩回事，本書的重點就在傳達給學生能學習情緒的「自助」方法，透過課堂學習與活動練習，有機會真實的與自己同在，學習珍愛自己也尊重他人。
筆者於1999年出版《情緒管理》一書，感謝大專院校老師的肯定與應用，在第二版中，我們刪除一些過於理論的部分，加入更多與大學階段學生相關的主題、經驗與活動，持續以生活與實用之精神，結合理論與實務，以幫助讀者更瞭解自己，更能掌握自己的情緒，並且提升挫折忍受力，創造更美好之生命。第三版仍延續同樣的精神，除了調整與更新專欄活動之外，在舉例時更偏向情感教育的融入，實是有感於相關的社會新聞層出不窮，對年輕生命因情感事件衍生的情緒處理不當而造成遺憾，相當不忍及遺憾。此外，亦加入正向心理學的觀念與相關活動，除了解決問題之外，更期待能幫助年輕學子強化正向豐厚的內在資源與支持的力量。
身為教育與輔導工作者，希望透過文字幫助學生更多的認識自己與學習有效的情緒管理，好面對未來生涯不同面向的挑戰與壓力。衷心期待各位先進、同修能夠不吝給予指正與提醒，讓我們一起為學生身心靈健康一同努力。
蔡秀玲、楊智馨
2013年4月
詳細資料
- ISBN：9789862981078
- 叢書系列：
- 規格：平裝 / 416頁 / 17 x 23 x 2.08 cm / 普通級 / 單色印刷 / 三版
- 出版地：台灣
- 本書分類：> > >
近年來深度學習在CV、NLP等非結構化領域展現出超強的統治力，突破最高水平的算法層出不窮。深度學習在結構化和非結構化領域表現出來的巨大反差已成為熱門話題，自從以XGBoost、LightGBM為代表的高性能集成樹模型訓練框架的問世，深度學習在結構化領域就一直沒有超越配角的地位。到目前為止，Kaggle結構化數據競賽中，傳統機器學習算法依然是最主要的贏家。 神經網絡強大的表示學習能力真的在結構化數據上無法展現威力嗎?近日由國內的數據科學平臺領導廠商——九章雲極發布的開源項目DeepTables正在打破這個局面。DeepTables(簡稱DT)經過大量的測試驗證，在使用相同數據訓練模型的條件下，DT在70%以上的測試數據集上超越XGBoost和LightGBM，DT團隊後續會發布詳細的測試報告。在3月31日剛剛結束的Kaggle競賽Categorical Feature Encoding Challenge II 中DT團隊獲得了第1名的成績，其中DT的一個單模型得到第3名，這在Kaggle比賽動則用數十數百個模型Ensemble的標準動作下，單模型取得如此突出的成績實屬不易。 ... Public Leaderboard ... Private Leaderboard 本屆比賽來自全球的參賽隊伍超過1100支，其中不乏Bojan Tunguz, Sergey Yurgenson, KazAnova 這些Kaggle頂級大神的身影，Google的Auto Tables也參加了本場比賽但排名在300以外，所以雖然是Playground類競賽，但這個冠軍的含金量依然不低，DeepTables正在為深度學習正名。 實際近年來深度學習在結構化的一些細分領域裡已經開始嶄露頭角，在CTR預測和推薦系統方面，神經網絡算法利用其在高維稀疏特徵上先進的表示學習能力逐步超越了傳統機器學習算法。 從2015年Google公司的Wide&Deep網絡開始，到Deep&Cross、PNN、DeepFM、xDeepFM這些模型不斷刷新在公開數據集上的紀錄。研究人員也在不斷嘗試將CV、NLP上的技術引入到結構化領域。 2019年北京大學的研究團隊提出的AutoInt網絡應用了大名鼎鼎的BERT中Multi-head Attention 思想，有效的提升了結構化數據自動特徵生成和提取的效率，並且一定程度上解決了深度學習缺乏解釋性的問題。 華為諾亞實驗室提出的FGCNN在利用卷積神經網絡的同時創新性的提出Recombination Layer將局部特徵組合進一步重組，有效的避免了CNN過於關注局部特徵交互的短板，FGCNN在華為AppStore的推薦系統中大幅提升原有算法的表現。 以上成果確實足以讓業界重拾深度學習在結構化數據上的信心，但目前這些成果主要在少數的網際網路巨頭企業中發揮價值，對於大多數企業和數據科學家來說只是看上去很美，想要應用到實際的建模工作中面臨著不小的代價。 1)這些模型大多落在論文層面，部分論文雖然提供了用於驗證模型的源碼，但想把這些源碼應用到實際業務上，代碼改造的工作量和難度都不小。 2)結構化和非結構化數據之間最明顯的區別是在結構化領域每一個數據集的語義空間和數值的物理含義都有所不同，同一個模型在不同數據集上的表現有時天差地別，常常需要同時評估各種不同模型才能找到最優方案，這也進一步放大了第1點中提到的工程代價。 3)上面提到的大部分模型重點解決的是高維稀疏的類別型特徵的學習能力，對於連續型的數值特徵關注有限，這個部分恰恰是GBM模型的殺手鐧，因此遇到以連續型特徵為主的數據集這些模型往往不盡人意。 九章雲極的研發團隊基於以上痛點，加上長期服務於金融行業所積累的經驗開發並且開源了DeepTables深度學習工具包，目前後端計算框架支持Tensorflow2.0以上版本。 ... DT極其易用，僅5行代碼即可完成任意一個數據集的建模工作，數據不做任何的預處理和加工也可以完成建模，不管是專家型的數據科學家還是沒有建模能力的業務分析人員，DT都能夠提供開箱即用的卓越性能，這是高度依賴手工特徵工程的傳統機器學習算法難以實現的。 另外，DT有著非常開放的架構設計，DT把近年來最優秀的研究成果中的關鍵網絡架構抽取出一組神經網絡構件(nets)，這些構件可以任意組合出一個新的網絡架構，可以非常簡便的在不同數據集上探索最優的網絡組合。 同時，DT支持插件式的擴展方式，用戶可以按DT的接口開發自己的構件和內置的構件融合在一起構成一個新的模型。之前需要幾周甚至上月的時間完成的工作，在DT的助力下幾個小時甚至幾分鐘就可以完成。 DT項目地址 DT官方文檔 DT目前還處於相對早期的階段，剛剛發布了0.1.9。DT下一個計劃是開放神經架構搜索(NAS)引擎，用AI算法實現在不同的數據集上自動搜索最佳的網絡架構，實現真正智能的AutoDL。 九章雲極一直以來秉持擁抱開源的態度，旗下的分布式機器學習平臺APS，其開放的技術架構和開源生態完美融合，受到廣大企業客戶的青睞。九章雲極受益於開源社區，同時也在持續大力回饋於開源社區。 最後插播一個廣告 (*￣︶￣) DT團隊目前人才緊缺，歡迎有志於AutoML、AutoDL領域的各類人才加盟，為DT團隊注入洪荒之力。有興趣的同學可以直接向DT團隊負責人(yangjian@zetyun.com)投遞簡歷。廣闊天地，大有可為!
| WEFV2626EFCEYYYB15VEF |
文章來源取自於：
壹讀 https://read01.com/2KDLyMR.html
博客來 https://www.books.com.tw/exep/assp.php/888words/products/0010615515
如有侵權，請來信告知，我們會立刻下架。
DMCA：dmca(at)kubonews.com
聯絡我們：contact(at)kubonews.com
北屯頭髮燙直上班族染髮推薦髮廊勤美誠品附近霧感染髮台中北區修改肩髮推薦髮廊推薦染髮髮廊太平洋SOGO附近油頭的露額側分髮型上班族染髮推薦髮廊
潭子如何維持頭髮的顏色 台中中區日韓髮型推薦髮廊 PTT推薦的台中護髮染髮燙髮推薦梧棲中長髮尷尬期專業剪髮推薦髮廊 和平好看不挑膚色 台中哥德式護髮染髮推薦台中東區修改肩髮推薦髮廊專業剪髮推薦髮廊 東勢中長髮造型推薦髮廊專業染髮燙髮髮廊 台中南屯染髮推薦太平洋SOGO附近短瀏海飛機頭推薦染髮店 龍井中長髮尷尬期上班族染髮推薦髮廊 霧面質感台中染髮推薦
留言列表
