【一】软考总结


软考考完了,坐下来好好沉淀一下,好享受啊!

时间:521前两周

地点:金麦穗大镜子屋+良乡二中

人物:小胖子、大姐、师哥师姐

内容:

    
    时间管理:先做计划的,前一周每天学习软考两个小时:串知识点儿+研究个别难点儿,后一周除了英语时间都学习软考:刷题+回归课本+算法+设计模式+进步考试模式的做题。时间管理做的好不好体现在哪,觉得时间快不够用了、快忙不过来了、事情多的快着急了而我们没有放弃并好好做计划踏实来执行,哇时间管理做的真好,学习效率真高。其实是脱离舒适区都是被逼出来的。
    学习过程: 执行计划,(1)快速的走了一遍软考教程。(2)快速走一遍一本通,知道了什么题在那章了。(3)第二遍看软考教程,侧重点不同,重点看没有细学过的。(4)按下午考试试题研究知识点儿,主要是算法+设计模式(5)做题:上午题再回归课本,下午题再整懂原理。(6)最后做一套完整的考试题,做心理暗示(相信自己)
    考试过程:出发,师哥师姐都整好宾馆和路线,省心又放心的的就走了。12点21的火车,六个有缘的孩儿们就开始幸运之旅了。14点30到达目的地,洗澡+睡觉+参观学校+超市。(没有考试感觉,倒是有出差的感觉。)晚上,睡得有点儿晚学习了。考试,上午不在状态好困,脑袋好大啊,会的题做的晕晕的,不会的就纯蒙了。下午心情很好,前两道做的是预料之内的,到了第三道就没谱了,题有点小变化吧,做完第一个小题就放下了,有点慌了。做后边的算法和设计模式,对不对的都写上了,不慌了。接着回来写第三题。回家。
     做总结


感受:


    考试前:

    学习阶段感受最大也是痛点儿:不是什么考试能过不能过、学习方法,是负能量问题。
听到的:
     “还剩这么点儿时间过的了吗?”
     “一半多都没有学过,这次过不了的。”
     “上半年比下半年题难,能过吗?”
     “这次就报名了,纯粹的浪费钱。”
     “这书好抽象啊,看不懂怎么办?”
     “算法好难啊,我学不会。”
     “不怕过不了多一次的受打击,就考呗”
    负能量吧,把自己知道是不好的说出来了却给不了解决。跟你关系很好吗给我说这些?又怎么能这样,要传播正能量啊,可以说出来的前提是已经有解决方案了。要么你就闭嘴。
    好难受啊,这些话能是我们这个环境里的人说出来的吗?把这些自己所谓的经验传播给自己所谓近的的师弟师妹和徒弟们,然后再继续这样传,好可怕啊!特别的想告诉“过不过的先学着呗,这么好的学习机会还有时间限制吗?”
    “这次一半没有学过,下次不还是一样吗?”
    “我们都很在乎考试的钱吗?自考都没科科不挂吗,不确定的你就不学了吗?”
    “是自己学习出问题了,不能放弃啊,接着研究呗。”
    “怕受打击就不上上学了呗,没有刺激哪来的进步?”
    每个人都喜欢正能量,却有时间传播的是负能量,好无语好矛盾,有意思吧。更有意思的是自己根本也不能分出是正能量还是负能量就当经验传播了(太不道德了)最有意思的是我们不能分清正能量还是负能量也没有选择性的来接受这些东西。影响我们最大的什么,是一个环境是自己身边的人吧,我们也同样的影响着别人的。之前刘文斌师哥提过的:站在巨人的肩膀上不要选择伪巨人。这些正能量的东西我们接受了,可是我们却当别人的伪巨人,好有意思啊,天天还说着做身边人的小太阳。此时的我想说我想解决这个情况的,多鼓励,激励。“好好学,好好考,能过的没问题。”“过了请你吃饭哈!”

    考试:

    一定要好好休息,引以为戒吧。
    做题慌了,不过自我调节的很好。其实应该做到不慌。

    考试后:

    思考+总结,好好享受这个收获的过程吧。

这里写图片描述

  提前爬的蜗牛这次收获很大!

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 41
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