考研复试-专业问答

通用问答

面经问答

通用英语

专业英语

专业问答

数据库相关

---

你学习过什么编程语言？用这个编程语言做过什么？

本科阶段学习过C、C++、Java、Python等编程语言。C语言做过学生信息管理系统；C++做过游客管理系统，同时也用C++来刷算法题； Java做过关于SpringBoot的简易商城小项目；Python则用来学习深度学习课程，做过水果识别项目的模型训练。

你本科学习的最好的一门课是什么？说一说自己对这个课程的理解。

老师您好，我认为我在本科阶段学得最好的一门课程是操作系统。这不仅是因为我在这门课程中取得了较好的成绩，更是因为我在学习过程中深入 理解了操作系统的核心原理和应用价值。

操作系统作为计算机科学与技术的核心课程，它负责管理和控制计算机的硬件与软件资源，为用户提供一个稳定、高效的计算环境。通过系统地学习 操作系统的基本原理、进程管理、内存管理、文件管理和设备管理等核心内容，以及它如何与硬件和其他软件协同工作,我对操作系统的整体运作有 了更加清晰的认识。

毕业设计做的是什么？做的如何？详细说明一下

毕业设计的题目是《基于微信小程序的旅游攻略平台的设计与实现》，目前完成初步构思和相关技术栈的选择。该平台瞄准乡村旅游方面，主要功能 有游记攻略发布及推荐、美食分享、活动组织、 民宿预定、农副产品购买、路线推荐、搜索筛选、社区互动等。对于后台管理人员，可以进行游记管理、 用户管理、数据分析等。小程序使用vue3+uniapp开发，后台管理系统使用vue3+element开发。后端使用node.js，并使用Koa2作为后端主框架， 自定义中间件。数据库方面使用非关系型数据库mongodb，以json格式存储数据。开发环境使用VSCode。

你在过去的编程中，遇到的最困难的事情是什么？你是如何解决的

在深度学习的课程设计中，我先自己的利用搭建的CNN模型进行测试效果不好，主要是由于数据集的问题导致的过拟合。为了解决这个问题， 我尝试调整了模型的优化器、学习率以及训练轮次等参数，希望能够提高模型的泛化能力。在一定程度上改善了模型的性能，但由于数据集 本身的局限性，效果并不显著。为了进一步提升模型的性能，我对数据集进行了数据增强操作，通过增加数据的多样性来减少过拟合现象。后面 转向利用迁移学习的方法，引入了预训练的MobileNetV2模型作为主干模型，并利用迁移学习的方法对其进行微调，以适应我的水果图像数据集， 大大的提高了分类的准确率，基本在95%以上。总的来说，这次经历让我更加深刻地认识到了深度学习在图像处理领域的应用和挑战，也锻炼了我 解决问题的能力。我相信这些经验将对我未来的学习和工作产生积极的影响。

什么是迁移学习？

    迁移学习(Transfer Learning)是一种机器学习方法，就是把为任务 A 开发的模型作为初始点，重新使用在为任务 B 开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务。

迁移学习调用了在ImageNet上预训练后的MobileNetV2模型，并去除了顶部的全连接层只留下里面的卷积层和池化层，作为我们的主干模型。冻结了主干模型的参数以适应我们后面自己添加的全连接层的训练，可以加快训练速度。

什么是强化学习，与监督学习的区别 ？

管理系统创新性？怎么想到这个问题？

因为该项目完成期间还处于疫情时期，为了解决各个景区对高校师生出行管理的问题，面向高校和景区开发的信息管理系统。相对于普通的信息管理系统，无法完成在疫情管控期间的各项要求。所以这个项目创新的加入体温记录、健康码状况和隔离情况等需求信息。同时也可以进一步记录师生在景区的基本消费记录。  

担任组长的工作？

本人作为组长，在组队完成以后，在当时的疫情防控背景下，和组员一起提出了这个idea。然后我就着手进行了整个数据库各表的设计。设计完成以后按照几个组员的能力范围，给他们分配了相应的模块任务。 因为疫情期间，我的条件是规定每两天在我寝室开一个小组会，分享一下各自完成的进度以及开发的过程遇到的问题，大家一起思考一起解决一起进步。

说说你的觉得计算机专业的优劣势？

随着科技的发展，计算机技术在各行各业的应用越来越广泛，计算机专业具有广阔的市场前景和薪资水平高、创新空间大、职业发展前景好等优势，

但同时也面临着竞争激烈、工作压力大、需要不断学习等劣势。计算机技术的发展非常迅速，新的技术、新的应用层出不穷。这就要求计算机专业 的学生必须不断学习、不断更新自己的知识和技能，才能适应行业的发展变化。

什么机器学习？讲讲你所接触过的一些机器学习算算法。你本科学的数学有哪些会用到机器学习中？

机器学习是人工智能领域的一个子领域，计算机可以通过大量数据的训练，学习每一种分类的特征。在通过多轮学习过后，计算机能够知道不同分类所具有的不同特征，通过这些特征，计算机能够对给出的数据做出预测，判断该数据属于哪一分类。

我所接触的机器学习算法有：

• 监督学习（Supervised Learning）：在这种学习模式中，模型从标记的训练数据中学习，每个训练样本都有一个预期的输出标签。例如：

  • 线性回归（Linear Regression）：用于预测连续值输出，如房价预测。

  • 逻辑回归（Logistic Regression）：用于二分类问题，如垃圾邮件检测。

  • 支持向量机（Support Vector Machines, SVM）：用于分类和回归任务，如手写数字识别。

  • 决策树（Decision Trees）：用于分类和回归，通过学习简单的决策规则。

  • 随机森林（Random Forest）：一个集成学习方法，它构建多个决策树并进行投票或平均以提高预测准确性。

• 无监督学习（Unsupervised Learning）：在这种模式下，模型试图找出数据的结构或模式，而不是从标记的数据中学习。例如：

  • 聚类（Clustering）：如K-均值聚类，用于将数据点分组到簇中，常用于市场细分。

  • 降维（Dimensionality Reduction）：如主成分分析（PCA），用于减少数据的维度，同时保留最重要的信息。

在本科数学课程中，有几个领域与机器学习紧密相关：

• 线性代数（Linear Algebra）：这是机器学习的基础，因为许多算法，如线性回归和神经网络，都涉及到向量和矩阵的操作。

• 概率论与数理统计（Probability and Statistics）：为机器学习提供了理论基础，特别是在处理不确定性和做出预测时。

• 微积分（Calculus）：在优化算法中非常重要，如梯度下降法，它是许多机器学习模型训练过程中的关键步骤。

什么是数据挖掘？谈一谈你的理解。

数据挖掘（Data Mining）是一门交叉学科，它使用各种算法和技术，从大规模的数据集中发现、提取和分析有趣的模式、趋势和关联， 从而转化为有价值的信息和知识。这一过程类似于在矿石中提炼出金子，因此也被形象地称为“数据采矿”。

在我看来，数据挖掘不仅仅是一个技术过程，更是一种探索未知世界的手段。在大数据时代，我们面对的是海量数据， 如何从中提取出有用的信息，成为了一大挑战。数据挖掘正是为了解决这一问题而诞生的。

数据挖掘的过程可以分为以下几个步骤：数据准备、数据挖掘、结果解释和评估。首先，需要对原始数据进行预处理，包括数据清洗、转换 和集成等，以保证数据的质量和一致性。然后，运用各种数据挖掘算法和技术，如分类、聚类、关联规则挖掘、序列模式挖掘等，从数据中 提取出有用的信息。最后，对挖掘结果进行解释和评估，将其转化为可理解的知识，并评估其价值和实用性。