2017/5/9

已经好长一段时间没有来写追忆了。在这里,我回忆一下这近半年的大学生活。

从寒假的蓝桥杯自我训练到学校网络组的招聘再到计算机博弈,真的让我学到了很多很多的东西。同时也感叹,我可能已经“生锈”了。

蓝桥杯省赛的结果让我不太满意,最终只获得了一个二等奖,最后反思的时候发现,我有一道13分的递归代码填空题没有做出来,已经可以反馈出对某些算法的迟钝了。原因可能是我没有在花时间去研究算法,而是在做项目。大一的时候,由于学校的通知名单出了点状况,导致我错过了蓝桥,所以大二是我第一次参加,通过这次失败,我反思了很多。期待下次的比赛。

第二点就是网络组招聘,奔着学技术的心,我作为一个网络前后端小白在那里学习了简单的HTML/CSS以及PHP和JS,并且运用我所学到的知识做了一份自己的简历,每次学到新技术的心情总是那么的高兴。

最后的大概就是计算机博弈了,从4月一直做到5月份,整整一个多月的时间吧。大一的时候,作为一个“小朋友”获得了校第三名的成绩,但是苦于一直在带我的学长保研加分,把国赛名额送给了他。没有他的带领,也不会有现在的我吧。于是,这个比赛一直是我需要圆梦的,在这一个多月的时间里,我学习了人工神经网络,也读了很多的论文,学会掌握了在Ubuntu下用go和Python进行并行开发编程。最终在初赛和决赛中没有输掉一场比赛,以绝对优势获得了全校冠军。在这里,我也要感谢老彭和老白,没有他们的背后支持,我不会走到这一步。

在比赛和做项目的其他时间,我主要将时间花费在我的两个学位上,不管是计算机,还是日语,都是我喜欢的。不过,这学期的日语课有点多了,以至于晚上我没有时间去选择我喜欢的选修课,没有修满足够的选修分害怕不能毕业。

截止目前为止,我们学院含金量最高的两个比赛ACM和计算机博弈终于在我大二的时候,全部获得了全校冠军。

希望自己不要以后怠慢,以后的路还很长,在新技术的学习上,还得倍加努力!

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。
要按销售日期和销售人员合并计算销售金额,您可以使用Excel中的数据透视表来实现。按照以下步骤进行操作: 1. 将数据复制到一个新的工作表,并确保数据的列标题为 "销售日期"、"销售员" 和 "销售金额"。 2. 在Excel菜单栏中选择 "插入",然后点击 "数据透视表"。 3. 在 "创建数据透视表" 对话框中,选中 "选择一个范围" 并输入数据范围。例如,假设数据位于 Sheet1 的 A1:C31,输入 A1:C31。 4. 选择 "新工作表",然后点击 "确定"。 5. 在新的工作表中,将 "销售日期" 拖放到 "行" 区域,将 "销售员" 拖放到 "列" 区域,将 "销售金额" 拖放到 "值" 区域。 6. 确保 "销售金额" 字段选择为 "求和"。 7. 单击 "销售日期" 字段旁边的下拉箭头,然后选择 "分组"。在 "分组" 对话框中,选择按照需要的日期范围进行分组(例如按月、按周等),然后点击 "确定"。 8. 单击 "销售员" 字段旁边的下拉箭头,然后选择 "值字段设置"。在 "值字段设置" 对话框中,确保 "汇总值" 选择为 "求和"。 现在,您将在新的工作表中看到按销售日期和销售人员进行合并计算的销售金额。根据需要,您可以对数据透视表进行进一步的格式化和调整。 请注意,数据透视表是一种动态工具,如果原始数据发生变化,您可以通过右键单击数据透视表并选择 "刷新" 来更新结果。
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