关于文献阅读的一些建议

  今天读了一篇文章“How to read literature”,是科技文献阅读老师的总结。我觉得对我以后的文献阅读很有帮助。因此总结了下面几点:

  1. 文章选择:选择在这领域的有建树的学者的文章。在文章的参考文献中找相关文章。找影响因子高的期刊、找多次被引用的文章、找英文为母语的人的文章以及该领域牛人及其课题组的文章。

  2. 文章阅读技巧:

  • 每天要保持至少读2-3篇的文献的习惯,并且总结文献内容。把好的英文句型记下来。(要养成总结记录的习惯,不管是读什么学什么看什么听到了什么。不让他们成为过眼云烟的最好的办法就是记录和思考。就像读书要写读书笔记,看电影要写观后感,上课听讲要记笔记等等)读文献的时候,首先精度摘要和综述,然后实验方法和结果要结合图表来理解。最后看分析和讨论 可以给自己idea思路       

  • 总结文献内容的时候呢,要说明文章回答了什么问题?用了什么手段?得到哪些结论?

  • 集中时间看文章:更容易联系起来,形成整体印象。

  • 注意判别精度和泛读:不要过分追求全文精度。真正有用的全文不多。精度那些技术路线和你的课题相近,大牛发表在IF高的期刊上的高质量文章。

  • 对于自己认为好的文献要定期温习。

       3.在对你所研究的领域未知的时候,要先读一些国内文献,再看外文文献。方法是,先看中文综述,然后是中文博士论文,而后是英文综述,最后是英文期刊文献。


       4.当你有了一定背景知识,开始做实验并准备写论文的时候需要看的文献:
  • 明确立意:你所做的实验要解决什么问题?
  • 有的放矢的查找文献,阅读该文献和阅读引用它的文献
  • 了解该课题的研究现状。


       5.文章写作能力:

  • 增加阅读量。每天坚持45分钟阅读英文为母语的人的文章。
  • 记录和背诵文章中好的英文句型和短语、以及专业词汇。
  • 看文章标题,推测该作者论文内容。读完后,想如果让你写你怎么用一句话来表达。


       6.写文章贵在一起呵成:
  • 1.前期准备:整理文章框架和写作思路。做重要图表。
  • 2.首先:注意行文逻辑,不要太注重单个句子的表述
  • 3.再次:以逻辑为主,对每一句话进行推敲。
  • 4.最后,在不改变整体逻辑的情况下,注意具体字句。
  • 用最简单的话表达最明白的意思,但一定要逻辑严谨!其实,中文和英文论文皆如此!

 

       7.文章管理上:

      将不同类文章放入不同文件夹。命名为文章名,或者加上001,002……按重要性排序。

      在excel里做目录索引:标注关键信息。如下图。当回顾的时候方便快速了解文章内容。

      将我要研究的课题(SPIHT编码)中我读过的所有相关文章分类到一起:

              







深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值