RRRRE5T91165WRFV26D
其他資訊
一個球員是否偉大，不在於他個人能得幾分，而在於他能讓隊友發揮到何等境界。
NBA十一座總冠軍，至今只有菲爾‧傑克森教練一人。
一反NBA場上教練為了贏球而暴怒、狂傲的領導風格，傑克森明白，若沒有團隊精神，勝利只會讓球員自我膨漲，讓球隊四分五裂。唯有球員間相互信任、培養默契，才是團隊運動終極的核心價值，當然，勝利自然也會伴隨而來。
從平等的薪資、公平的上場時間，到團隊互信的三角戰術，傑克森在帶領公牛隊時，就一心打造一支不分先發、板凳球員的團結球隊，每個人都是團隊的一員。傑克森也讓球員了解，籃球絕不可能只靠一個人單打獨鬥，只有全隊球員互相協助，才能贏得球賽。傑克森的領導哲學，甚至說服巨星如喬丹、比朋、布萊恩、俠克等，放下自我，融入團隊，造就勇奪NBA十一個總冠軍的偉大紀錄。
本書即傑克森從禪修中領悟帶領團隊的經典回顧，其中的領導智慧歷久不衰，銷售超過四十萬冊，甚至連音樂系教授能也從中獲得合奏的啟發。這本書見證了傑克森的經典名言：籃球，不只是籃球。
名人推薦
專文推薦
李亦伸 「運動內幕」網站負責人
譯者導讀
周汶昊 「NBA台灣官網」球評
各界好評推薦（依姓名筆畫排列）
桑茂森 國立體育大學籃球隊教練
張立群 體育主播
梁起華 「聯合新聞網」體育專欄作家
郭瑞祥 台大管理學院院長
陳 楷 中廣體育主播
陳宏宜 「FOX體育台」主播啾啾麥
黃聖凱 「Ryan讀書房」版主
楊東遠 「運動視界」站長
謝文憲 演講教練、作家、主持人
顏行書 中華男籃助理教練
傑克森最令人折服的，是他能夠透過球星的影響力把球員融合為一個整體，以充分授權的方式，透過台柱球星讓團隊思想和默契，貫穿全隊。這種環環相扣、息息相關的團隊合作，就是執教智慧和藝術的最高展現。——李亦伸 「運動內幕」網站負責人
想贏，除了要有滿手好牌外，更要懂得如何出牌，禪師菲爾‧傑克森絕對是箇中翹處。——陳宏宜 「FOX體育台」主播啾啾麥
這本書，對籃球迷來說，能知道傑克森成為禪師的心路歷程和奪下史上最多冠軍的禪學；對喬丹迷來說，能看到喬丹如何蛻變為成功的領導者；對上班族來說，能學會怎麼當稱職的主管，創造團隊勝過個人、永遠支持部屬的環境，總之是一本不容錯過的籃球故事和管理哲學。——黃聖凱 「Ryan讀書房」版主
「禪師」的執教哲學與人生智慧，帶領他的團隊看透「無常」，回歸「初心」進而登峰造極，在他近三十年來無人能及的成就與充滿話題的爭議之外，這本書他會送給各位更重要的東西，願你能一起專注參透、享受、快樂。——楊東遠「運動視界」站長
「禪師」傑克森生涯執教一千六百四十場例行賽，拿下一千一百五十五勝，生涯勝率超過七成。最接近這個紀錄的人，是馬刺的現任教頭波波維奇。禪師的紀錄可能被打破，成就可以被超越，但他的成功經典，依舊值得玩味。——周汶昊 本書譯者／NBA台灣官網球評
菲爾‧傑克森將競爭極激烈的專業籃球比賽轉化成神聖的競技場，讓我們從中吸收生活上可實踐和充滿智慧的經驗。——黃忠良 Embrace the Tiger, Return to Mountain作者
身為教練和作家，菲爾‧傑克森向我們展現了運動本身的神聖性。在其他文化中，運動確實被視為神聖的，但菲爾‧傑克森將這種認知直接帶入美國人的生活中。——Mike Murphy Golf in the Kingdom作者
菲爾‧傑克森和修‧迪里漢提從傳奇戰士身上，為我們帶來了一種結合了洞見和偉大的不朽智慧，也帶來了成功的永恆原則，它們不只適用於球場上，也能在生活的各領域發揮作用。——Dr. Jerry Lynch Thinking Body, Dancing Mind作者
這本書對運動迷而言是一場饗宴，此外，對許多嘗試將精神原則應用到日常生活、團隊合作、體育，以及企業管理的人而言，這本書也會讓他們收穫良多。——Dan Wakefield Expect a Miracle作者
每一個響往NBA的年輕人、每一個喜歡籃球運動的人，一定要讀讀這本非常棒、非常棒的書。——George Leonard The Ultimate Athlete and Mastery作者
關於用心和熱情對於行動的力量，這本書闡述得很深刻、清晰、純真，非常吸引人，且很有號召力，它展現了運動如何喚起人類最大的潛力。——Jon Kabat-Zinn 麻薩諸塞大學醫學院榮譽教授
菲爾‧傑克森總是處在運動圈的最前線。這本書將提升你對籃球運動以及生活的理解。——Bill Walton NBA最有價值球員／NBA名人堂
在當代唯利是圖的職業運動世界裡，禪師提出了真誠可喜的新答案。——《時人》雜誌
為了贏球而不擇手段的職業運動世界之外，本書打開了另一片可能的天空，這裏讓飛人喬丹得以成功翱翔，也讓我們同以優雅的姿態在競爭中勝出。——《采訪》雜誌
這本書可以讓你學習如何在複雜及競爭激烈的環境下，有目標地前進和持續成長，並以無私的團隊精神取得勝利。此外，這本書不只是傑出籃球教練寶貴的心得，其生動的寫作筆調也適合每一個人閱讀。——Wardheer News網站雜誌
這本書讓我真正了解為何公牛隊以及其他用同一套運動哲學的籃球隊會如此的美妙，且這套哲學可以強化任何團隊的合作。我把這本書借給七十五歲的老母親，她讀了之後又買了好幾本分送給朋友……——Amazon讀者
讀過這本書，你會想為這個人打球，在漸漸腐敗的運動世界裡，他依然是一個正直的人。——Gene Siskel 公牛隊粉絲
- 作者： 菲爾‧傑克森, 休‧道韓堤 新功能介紹
- 原文作者：Phil Jackson,Hugh Delehanty
- 譯者：周汶昊,李知音
- 出版社：木馬文化 新功能介紹
- 出版日期：2017/09/27
- 語言：繁體中文
其他新聞
▲林泓育。（圖／記者李毓康攝） 記者楊舒帆／綜合報導 桃猿9日在主場迎戰統一獅，由雙洋投賽格威對決福瑞多，雙方形成拉鋸戰，林泓育陽春砲超前，獅展現韌性又扳回1分，5局結束雙方以5比5平手。 賽格威1局上面獅隊打線，陳傑憲敲出左外野飛球遭到朱育賢接殺，林志祥一壘滾地球出局，蘇智傑敲出二壘安打，高國慶游擊滾地球遭到刺殺。 弗瑞多1局下迎戰猿隊，詹智堯首打席2好2壞出擊全壘打牆遭到羅國龍接殺，郭嚴文敲出二壘滾地出局，王柏融獲得四壞球保送，林泓育將低球撈出左外野二壘安打，朱育賢選到保送擠成滿壘，陳俊秀一棒建功敲出2分打點安打，讓桃猿先馳得點以2比0領先。 統一獅3局上反攻，陳傑憲敲出不規則彈跳形成二壘安打，接著林志祥獲得保送攻佔得點圈，高國慶適時安打帶2分打點，助獅隊追平比數，陳鏞基安打延續攻勢，再由鄭鎧文敲出安打送回2分，超前比數。 桃猿3局下再度發威，朱育賢保送後陳俊秀轟租左外野全壘打一舉追平，此戰桃猿前4分都是陳俊秀打點。4局下林泓育轟出陽春彈，不過5局上統一獅利用林志祥、蘇智傑連續安打扳平為5比5。 ►接收更多精彩賽事，歡迎加入《ETNEWS運動雲》粉絲團 ►接收更多精彩賽事，歡迎加入《ETNEWS好棒棒》粉絲團
記者洪聖壹／台北報導 在前一篇報導當中，Google 用相當有趣的方式，讓民眾親身體驗什麼是「機器學習」，而在世界的另一個角落，其實 Google 早已將這項技術拓展到天文學領域，協助天文學家執行「克卜勒任務」；甚至拓展到醫學領域，協助醫生透過檢測 DNA 序列來尋找可能的疾病。 克卜勒任務(Kepler mission) 為 2009 年 5 月開始的計畫。相關統計數據指出，天文學家們透過克卜勒太空望遠鏡(Kepler space telescope)在 4 年期間蒐集超過 20 萬顆恆星的亮度，以平均 30 分鐘記錄一次每顆恆星的亮度來計算，每顆恆星至今已記錄大約 7 萬次亮度，透過人工的方式篩選，這些天文學家至今已經篩選了超過 3 萬個透過克卜勒太空望遠鏡所偵測到的訊號，當中約有 2,500 個訊號被認定為行星，但由於耗時且許多較弱的訊號同時也有較多雜訊，以致於無法透過人工方式判別是否為行星。 一般來說，天文學家傳統在尋找行星的作法分為兩階段，第一階段是透過電腦演算法找出潛在行星訊號，接著進入第二階段，由天文學家判斷哪些訊號是來自真實的行星。 然而，不管是第一階段還是第二階段，人類在應付這些龐大資料，往往都是曠日費時、而且還有可能發生誤差，也因此產生了 Google 透過機器學習技術，將運算模型套運到探索行星的任務當中，在過程中建立一個神經網路來分類克卜勒的訊號。 談到機器學習，當然就要先看大數據，Google Brain研究團隊資深軟體工程師 Chris Shallue 表示，研究人員透過利用 15,000 個天文學家已人工標記的克卜勒訊號來訓練模型，當中Google採用卷積神經網路(convolutional neural network)來預測偵測到的訊號為行星的機率。在有了固定的訓練模組之後，緊接著再透過模型搜尋克卜勒資料庫中的 670 個恆星並藉此辨別新行星，辨別的方式有點像是 Google 相簿的圖像辨識，而這也是克卜勒-90 i 和克卜勒-80 g被發現的原因，在這當中，克卜勒-90 i 是克卜勒 90 星系中最小的一顆星球，而克卜勒-90 i 是距離其恆星第三靠近的行星。 Google 機器學習團隊下一個目標是運用模型運算整個克卜勒資料庫中超過 20 萬顆的恆星，而現在已在 20 萬顆恆星中探索 670 個。目前為止，尚未能解決的一個問題是假陽性預測(background false positives)。舉例來說，有可能偵測到一顆恆星的亮度其實是來自附近恆星的亮度，現階段來說，模型還無法辨別行星的訊號是來自哪一顆恆星。目前仍仰賴以人工的方式來確認模型偵測到的行星位置訊號，未來希望可以將位置資訊結合製模型當中，讓模型可以辨別這類的訊號。 除了透過機器學習協助人類發現行星，Google 還透過機器學習協助人類分析基因序列，近年來基因組測序幫助許多以前無法解決的病例。例如：幫助醫生決定癌症的標靶治療是否有效；當新生兒發現無法解釋的疾病時，醫院可使用基因組測序來尋找可能的病因。 透過Google Brain研究團隊資深軟體工程師張碧娟解釋，上述的方式稱為「變體識別(Variant Calling)」，因為每個人的基因和人類參考基因組不會完全一樣，研究人員藉此先找出「個體」和「參考基因組」之間的差異，而這也是許多醫療及藥物開發的第一步。在這邊需要說明的是，不是所有的變體都會產生疾病，變體識別只是找出差異性的第一步，並不包含預測一個變體是否會產生疾病。 變體識別的困難度來自於基因組序列的龐大資料量，以及儀器讀取特性。為了能精準的識別出這些變體，新一代測序儀「高通量測序技術 (High-throughput sequencing, HTS) 」開啟了基因測序革命。 然而新一代測序儀雖提供大量、快速且低成本的數據，但由於這些 DNA 讀序相當片段，加上測序儀的結果有許多錯誤，這些錯誤有可能是樣本 DNA 本身的品質，有可能是儀器本身的物理特性，有可能是儀器準備樣品的協議，也有可能是基因讀序的錯誤之間具有相關性，加上以現有普遍的變體識別工具依然維持傳統的統計技術，雖然合理，但通常需仰賴大量人工設計、手調參數，也需要花費專家多年的時間，而且很難快速推廣至新的測序技術。 對此，Google Brain 團隊與 Verily Life Sciences 合作花了兩年多時間開發了一套所謂「DeepVariant」技術，主要是為了提高基因組測序準確性所開發的工具，使用的資料來源是基因組測序技術，透過深度學習（Deep Learning）可以從數據中直接學習哪種參數最有用，而不需要人工手調參數，主要用來分析 DNA 序列，研究人員將測序儀所讀到的數據編碼成為圖像的格式，然後使用常見的圖像分類演算法，訓練出準確的「變體識別模型」。這項突破讓團隊在 2016 年及 2017 年贏得美國食品藥物管理局所分別舉辦的變體識別比賽。而這項技術於 2017 年 12 月由 Google Brain 團隊正式開源。 此外，Google Brain 團隊與 Google Cloud 合作，在 Google Cloud Platform(GCP)上提供 DeepVariant 工作流程，幫助開發者與研究人員透過 GCP 上的技術用規模化的方式優化配置且降低成本、縮短週期。 在未來，Google 希望藉由結合基因組測序資料，以及實際的臨床結果與病史，進一步驗證 DeepVariant 的準確性以及對於衍生應用的幫助。此外，Google 初步發現，在其他動物 (例如老鼠) 以及植物 (例如米) 上的變體識別，也有很高的準確率。這表示 DeepVariant 可以應用在農業或甚至其他的生物研究上，而在這次的訪談當中，Google 也證實開發團隊確實要將這項成功經驗拓展至農業或其他生物研究領域當中。 ＊相關圖片與資料來源：用機器學習發現新行星、DeepVariant
記者洪聖壹／台北報導 在前一篇報導當中，Google 用相當有趣的方式，讓民眾親身體驗什麼是「機器學習」，而在世界的另一個角落，其實 Google 早已將這項技術拓展到天文學領域，協助天文學家執行「克卜勒任務」；甚至拓展到醫學領域，協助醫生透過檢測 DNA 序列來尋找可能的疾病。 克卜勒任務(Kepler mission) 為 2009 年 5 月開始的計畫。相關統計數據指出，天文學家們透過克卜勒太空望遠鏡(Kepler space telescope)在 4 年期間蒐集超過 20 萬顆恆星的亮度，以平均 30 分鐘記錄一次每顆恆星的亮度來計算，每顆恆星至今已記錄大約 7 萬次亮度，透過人工的方式篩選，這些天文學家至今已經篩選了超過 3 萬個透過克卜勒太空望遠鏡所偵測到的訊號，當中約有 2,500 個訊號被認定為行星，但由於耗時且許多較弱的訊號同時也有較多雜訊，以致於無法透過人工方式判別是否為行星。 一般來說，天文學家傳統在尋找行星的作法分為兩階段，第一階段是透過電腦演算法找出潛在行星訊號，接著進入第二階段，由天文學家判斷哪些訊號是來自真實的行星。 然而，不管是第一階段還是第二階段，人類在應付這些龐大資料，往往都是曠日費時、而且還有可能發生誤差，也因此產生了 Google 透過機器學習技術，將運算模型套運到探索行星的任務當中，在過程中建立一個神經網路來分類克卜勒的訊號。 談到機器學習，當然就要先看大數據，Google Brain研究團隊資深軟體工程師 Chris Shallue 表示，研究人員透過利用 15,000 個天文學家已人工標記的克卜勒訊號來訓練模型，當中Google採用卷積神經網路(convolutional neural network)來預測偵測到的訊號為行星的機率。在有了固定的訓練模組之後，緊接著再透過模型搜尋克卜勒資料庫中的 670 個恆星並藉此辨別新行星，辨別的方式有點像是 Google 相簿的圖像辨識，而這也是克卜勒-90 i 和克卜勒-80 g被發現的原因，在這當中，克卜勒-90 i 是克卜勒 90 星系中最小的一顆星球，而克卜勒-90 i 是距離其恆星第三靠近的行星。 Google 機器學習團隊下一個目標是運用模型運算整個克卜勒資料庫中超過 20 萬顆的恆星，而現在已在 20 萬顆恆星中探索 670 個。目前為止，尚未能解決的一個問題是假陽性預測(background false positives)。舉例來說，有可能偵測到一顆恆星的亮度其實是來自附近恆星的亮度，現階段來說，模型還無法辨別行星的訊號是來自哪一顆恆星。目前仍仰賴以人工的方式來確認模型偵測到的行星位置訊號，未來希望可以將位置資訊結合製模型當中，讓模型可以辨別這類的訊號。 除了透過機器學習協助人類發現行星，Google 還透過機器學習協助人類分析基因序列，近年來基因組測序幫助許多以前無法解決的病例。例如：幫助醫生決定癌症的標靶治療是否有效；當新生兒發現無法解釋的疾病時，醫院可使用基因組測序來尋找可能的病因。 透過Google Brain研究團隊資深軟體工程師張碧娟解釋，上述的方式稱為「變體識別(Variant Calling)」，因為每個人的基因和人類參考基因組不會完全一樣，研究人員藉此先找出「個體」和「參考基因組」之間的差異，而這也是許多醫療及藥物開發的第一步。在這邊需要說明的是，不是所有的變體都會產生疾病，變體識別只是找出差異性的第一步，並不包含預測一個變體是否會產生疾病。 變體識別的困難度來自於基因組序列的龐大資料量，以及儀器讀取特性。為了能精準的識別出這些變體，新一代測序儀「高通量測序技術 (High-throughput sequencing, HTS) 」開啟了基因測序革命。 然而新一代測序儀雖提供大量、快速且低成本的數據，但由於這些 DNA 讀序相當片段，加上測序儀的結果有許多錯誤，這些錯誤有可能是樣本 DNA 本身的品質，有可能是儀器本身的物理特性，有可能是儀器準備樣品的協議，也有可能是基因讀序的錯誤之間具有相關性，加上以現有普遍的變體識別工具依然維持傳統的統計技術，雖然合理，但通常需仰賴大量人工設計、手調參數，也需要花費專家多年的時間，而且很難快速推廣至新的測序技術。 對此，Google Brain 團隊與 Verily Life Sciences 合作花了兩年多時間開發了一套所謂「DeepVariant」技術，主要是為了提高基因組測序準確性所開發的工具，使用的資料來源是基因組測序技術，透過深度學習（Deep Learning）可以從數據中直接學習哪種參數最有用，而不需要人工手調參數，主要用來分析 DNA 序列，研究人員將測序儀所讀到的數據編碼成為圖像的格式，然後使用常見的圖像分類演算法，訓練出準確的「變體識別模型」。這項突破讓團隊在 2016 年及 2017 年贏得美國食品藥物管理局所分別舉辦的變體識別比賽。而這項技術於 2017 年 12 月由 Google Brain 團隊正式開源。 此外，Google Brain 團隊與 Google Cloud 合作，在 Google Cloud Platform(GCP)上提供 DeepVariant 工作流程，幫助開發者與研究人員透過 GCP 上的技術用規模化的方式優化配置且降低成本、縮短週期。 在未來，Google 希望藉由結合基因組測序資料，以及實際的臨床結果與病史，進一步驗證 DeepVariant 的準確性以及對於衍生應用的幫助。此外，Google 初步發現，在其他動物 (例如老鼠) 以及植物 (例如米) 上的變體識別，也有很高的準確率。這表示 DeepVariant 可以應用在農業或甚至其他的生物研究上，而在這次的訪談當中，Google 也證實開發團隊確實要將這項成功經驗拓展至農業或其他生物研究領域當中。 ＊相關圖片與資料來源：用機器學習發現新行星、DeepVariant
大溪小兒夜間尿床治療有效的中醫診所推薦北屯治療早洩中藥治療效果好的中醫診所林口攝護腺癌治療有效的中醫診所推薦和平前列腺肥大治療效果好的中醫診所大溪夜尿推薦的中醫門診
太平性能力推薦的中醫門診 中壢不舉原因中醫推薦 頻繁夜尿治療有效果的中醫診所北屯不舉成效顯著的中醫治療門診 和平頻尿推薦的中醫門診 桃園廣和中醫評價很好平鎮泌尿科權威治療有效的中醫診所推薦 大安男性性功能診所推薦的中醫門診 台中推薦治療頻尿的中醫診所南屯不舉 醫生治療效果好的中醫診所 大肚性間質性膀胱炎成效顯著的中醫治療門診 台中推薦治療不舉的中醫診所大雅助性治療有效的中醫診所推薦 平鎮排尿障礙治療有效的中醫診所推薦 桃園推薦治專治不舉的中醫診所
留言列表
