考研初试经验

本文分享了考研英语、政治和数学的复习方法与经验。英语复习侧重于历年真题,通过阅读理解训练与背诵单词。政治主要跟徐涛网课,刷老肖1000题。数学推荐李永乐团队,强调真题的重要性。
摘要由CSDN通过智能技术生成

英语复习

  1. 海天考研培训班的是5月以前上课讲语法:
  2. 5月以后开始写阅读97-10年的英一阅读就是那个40分的,然后一直到9月核心都是阅读课,也要求学生把不会单词记下来;
  3. 10到20年的英语一或者英语二题都是用来测试的,测试时间在9月到12月之间;
  4. 12月初开始被作文模板;
  5. 我同学把英语真题写了3遍;

 

  1. 我当时8月以前看的唐静语法和用扇贝单词背单词;
  2. 8月到10月我使用的黄皮书英语一04到14往年真题,我只完成了04-11年的阅读自己翻译(我当时最开始看到这些真题时做的也很差,我然后我把黄皮书上的每一篇阅读先看解释和讲解然后自己翻译,我记得当时一套真题的阅读解释是50—60页,基本上一天才能看完和把单词抄写,最开始我觉得效率很低,其他都没有复习,内心也很难着急难受,但是还是选择了坚持,这也是导致我只写了8套的原因);
  3. 10月到11月我就是测试英语二10到19的真题,基本上我每次都是提前20分钟完成阅读,然后也是文章都是自己翻译一遍,在这个阶段我觉得英语二相对英语一太简单了,翻译的很快,主要是摘抄单词一天要2个多小时;
  4. 11月我去国企应聘了,基本上就是每天用默默背单词来背单词(最开始用的扇贝背单词后来写阅读时发现扇贝单词词库单词意思不准,然后我充了50元选择了默默背单词,单词书我最开始买了念念有词,然后发现没有用就丢了)
  5. 12月我就背模板作文,然后把自己抄写的英语二的单词从19到10年的顺序被,然后也把10-19年的英语二文章再写一遍;

我跟我舍友两个人英语单词本子都记了两个本子,大概有1.2万个单词,我最后只背了10-19英语二的单词,单词背了忘然后反复背,其实越是离考试近的真题重复出现概率越大,所以近年英语真题单词打死都要记住,反正最后在考试中我没有碰到自己读不懂的句子,单词也基本全部认识,然后写的很快吧

关于单词书不是很推荐,因为考研英语每个老师都会向你推荐他的单词讲解课,这些课听上去很有意思,感觉很有用,什么词根词缀啥的,你没有一定单词积累这些都没有用的,当你单词背多了这些也就会了,我推荐自己从真题中积累然后背诵;因为真题中你记录下来都是你不会的,不会的也是你需要背诵记录的

政治复习

  1. 9月到10月看徐涛的网课(老肖的网课,腿姐的政治网课我也看过,然后发现还是徐涛讲的明白)写老肖1000题(老肖的书我也买了,但是就看了两页,有条件可以买一本徐涛讲课的书,买不买没啥区别,买了上课写点笔记,最后那些笔记也不会看)选择题重点在于多选题;
  2. 10月到11月中旬我没有看政治;
  3. 11月中旬到12月我就是又写了一遍政治1000题,然后把这次写错的不停的写直至最后全部写对,写对就不管了(我记得有些选择题我写了7遍才写对);
  4. 12月到12月21日,肖四肖八选择题,背诵只背肖四老师化的重点,时间多肖四可以全背(这时候网上各大机构都会胡吹海吹说自己家押题最准,这些说法都是忽悠小白的,听听笑笑就可以,就像我们那一届都说徐涛比老肖压的准,我也承认徐涛压的准,最后背老肖的肖四的考的就是比徐涛的高,政治考试不是比谁压的准,比的是答题角度,老肖的答案内容的答题角度就是好);

数学复习

  1. 数学一战,本科学校双非不建议跟着张宇;
  2. 高数我觉得李永乐团队的武忠祥讲的不错,线代全部跟着李永乐就行了(线代不要看其他老师的,看其他老师就是浪费时间,只看李永乐的);
  3. 高数李永乐全书写完以后就是真题了;
  4. 87到10年的练习,10到20的测试,年代越近的真题重复概率越大,除政治以外考研其他学科都是这个规律;
  5. 往年真题写三遍;
  6. 后期会有各种押题,都是忽悠人,好像最出名的就是大连理工的号称扫地僧的那个,那都是以前的故事听听就好了(世面上张宇八套卷子,四天卷子还有那个号称扫地僧我都买了,除了扫地僧那个我写几套,最后发现都没有用)我数学考得差只有83分;
  7. 高数答题有过程分和步骤分,所以答题过程不能少,答题只写一个答案是没有分数的,缺少过程答案对也会扣分,但是你真的不知道解法,但是你能猜到答案是多少,那就直接来由题意可知,或者写易得什么答案,由洛必达法则可知,这样的数学公式也有分数;

专业课复习

我咋知道呀,问自己专业的学长学姐去呀

考研学习的核心不是跟那个考研老师学习而是你把考研真题有没有学会,除了政治学习以外脱离考研真题讲考研学习都是耍流氓

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