第二十四周工作日志

第二十四周工作计划表

姓   名

 黄则鸣

学   号

11303080125

入 职 时 间

2014.02.25

本周已完成工作内容及总结

工作内容:

1. 看了《人机交互·软件工程视角》的部分内容。

2. 安排并开始茂康代驾的项目,完成了几个APP页面的设计。

3. 在协助同学写前台代码的过程中学习了一些JavaScript和jQuery知识。

4. 帮两个同学重装了一下系统。


总结:

本周的时间主要都集中在了看《人机交互·软件工程视角》一书和做项目上面,学习时间并不多。在看《人机交互·软件工程视角》一书的过程中,经常看到一些生涩难懂的术语,比如“WIMP(图形用户界面)”“UCD(以用户为中心的设计)”“格式塔心理学”等等。因此,整体的阅读进度也比较慢,概念多、内容杂,虽然其中有不少有趣的例子,但总体而言还是比较枯燥的。尽管是这样,收获还是有的,这让我对于人机交互设计有了更深一步的理解。之前的设计大多都是建立在经验和模仿之上的,现在有了理论的支持,设计起来更加的顺手,暂时来说,设计上并没有太大的突破,总有很多之前都是靠经验做出来的东西,现在都有了很好的解释,设计的时候心情能够更加愉悦。但人机交互的发展上,现在也才兴起不久,还只是处在一个较低的水平,仍然需要不断去摸索。本周还安排并开始了茂康代驾的项目,这是我第一次进行设计任务的规划,感觉在管理和沟通上学到了不少东西。因为是第一次安排任务,所以还存在很多问题,时间和任务没有协调好,导致部分任务没有按时按量完成,加之上面没有太多的反馈信息,也使得我们总体的设计进度偏慢。在这个星期,我还协助开发组的一个同学修改了一点代码,有种久违的感觉,之前由于任务的原因,接触代码太少了,这次修改的地方虽然代码难度不大,但却让我十分感动。


本周未完成工作及其原因

1. 没有继续学习Java数据结构的内容。本周绝大部分时间都在看书和做项目,没有及时进行Java数据结构的学习。


下周工作计划及其他说明

1. 竭尽全力完成美工的培训计划。

2. 继续学习Java数据结构的内容。

3. 继续学习jQuery和JavaScript。

4. 看完《人机交互·软件工程视角》一书。

5. 继续茂康代驾的项目。

周工作计划表所属日期:2014-08-04到2014-08-10

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