高级综合英语写作(2020秋)Week1-Lesson1 讲解内容翻译笔记

高级综合英语写作(2020秋)讲解内容翻译

注:该笔记翻自北京化工大学《高级综合英语写作》,由于自己在学习网课时会遇到看不太懂的情况,因此想把自己理解的分享出来,如果有什么错误的地方,大家一定要告诉我!让我们互相学习,共同进步,耶!
Week 1:遣词造句
高效地选择词语或利用好词汇的标准是什么?
-复杂的范围
-有效的词汇/习语的选择和使用
-掌握单词的形式
-使用恰当的语气
Objectives(Do’s)应该做的事
Lecture 1:如何准确用词:理解词义的内涵与外延
1.明白单词选择的定义
2.了解一个单词引申和内涵的意思可以帮助我们正确的的选择单词
3.谨慎地对待不同文化背景下的单词含义
Task 1:德国大亨的生活:不炫富
美国大亨一旦发现自己在富豪榜排名太低便极为恼火;而换作德国富豪,一旦自己的排名高得离谱就会大发牢骚,海因茨·杜尔 (Heinz Dürr) 如是说。几年前,一家杂志称杜尔为亿万富翁,他就打电话给编辑提出异议。原来该杂志记者将杜尔在豪迈 (Homag) 拥有的股份夸大了一倍。2014年杜尔家族机械制造公司“杜尔”收购了木工机械制造商豪迈。在美国和意大利,富豪们早已在政治界身处高位;在亚洲,超级富豪往往到处炫耀钱财;而德国富豪偏爱保持低调。
《经济学人》2019.07
文章中用五个同义词表达了“富豪”:
Tycoon:在商场上成功后变得富有和有权力的人;(中性通常带有贬义)
Billionaire:中性词
Plutocratic:因有钱而有权力的人;(中性词或贬义词)
Magnate:从特定的商业、工业赚了很多钱的人(中性词或褒义词)
其它具有中性或褒义意思的词:the affluent ; the better off
为什么作者用五个同义词代替“the rich”这一个词?
同义词是具有相似含义的词。同义词的运用可以让读者很快的从一个思想切换到另一个思想
什么是单词的选择?
单词的选择是巧妙地运用语言去创造意义,单词的选择也被称为“用词”
它指的是作者通过这些因素选择单词,比如:
1.你的思想的重要性
2.特殊性
3.语气
4.受众
内涵指的是在口语和非正式场合运用的词
内涵的意义是从单词获得的联想或情感上的暗示

Wierzbicka(1986)说框里的only,merely和just都可以表示“比X多”
only趋于中性;merely轻视;just略微正面;
围绕单词的各种感觉、图像和记忆构成了它的含义
单词的含义有贬义、中性和褒义

crowd群体整体;mob贬义:乌合之众;
Quiz(测试):褒义/中性的含义
1)谨小慎微:赞扬某人的细心;2)人民公仆;3)金融家;4)研究者;
Answered(答案):贬义
1)一丝不苟:描述某人有点挑剔;2)官僚主义者;3)投机者;4)间谍;
(1)我们不能期望一种语言的一个单词或观念与另外一种是对等的;没有一个英语能表达中国话里“面子”的完整的意思;甚至像鼠标这样有具体概念的词,也有特定的文化关联,这主要由讲话这的兴趣和态度和其它任何的暗示决定的。
pine tree 松 Bamboo 竹 plum blossom 梅 Orchid 兰 chrysanthemum 菊
对于英文的读者这些只是普通的植物,但是自古以来在许多中国诗人和艺术家的笔下体现了挺拔、坚韧和崇高的含义。
(2)要谨慎对待那些表面褒义但是隐含作者讽刺或不友好语气的单词
中国影视行业进入太空竞赛
这部电影的上映也正值中国航天事业取得里程碑式的进展之际:今年 1 月,中国航天探测器在月球背面着陆。尽管中国(在航天方面)落后于俄罗斯和美国几十年,但如今中国已经将宇航员送入太空轨道,并制定了雄心勃勃的计划,来加入或甚至领导一个太空探索新时代。
《纽约时报》2019.02.04
grandiose:
表面上传达了中国在太空探索中取得的成就,但是这个词隐含了作者讽刺和怀疑的语气,我们更倾向在这里用“ambitious”
特定单词选择的含义可以影响你的写作表达的意思 ,其中一条策略就是用辞典去查同义词
在正式的写作中smart 可以用talented;ingenious;resourceful;shrewd来代替

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。
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