软件工程网络15个人阅读作业1(201521123010徐璐琳)

软件工程第一次作业

Task1:注册个人博客账号

个人博客园地址:abonxxxu

Task2:注册码云账号

个人码云地址:abonxxxu

Task3:完成博客-阅读与思考

阅读参考材料,并回答下面几个问题:

(1)

  • 回想一下你初入大学时对网络工程专业的畅想

    最初对本专业了解不深,了解得比较片面,只有一个大概的印象,是对于网络方面的。觉得能够熟悉通过电脑配置网络的人都很厉害很强,手速和脑子转动的速度能达到一致是很锻炼人的。

  • 当初你是如何做出选择网络工程专业的决定的?

    毕业时其实对很多专业都了解得不全,在同一了解程度下,觉得自己对网络工程应该是比较感兴趣的,因此选择了网络工程专业。

  • 你认为过去两年中接触到的课程是否符合你对网络工程专业的期待,为什么?

    其实大一的时候并没有很深的感觉,因为基础课程和专业基础课程会比较多,到大二的时候开始慢慢接触到了更深的专业知识,就和之前的期待更加靠近了。

  • 你觉得计算机是你喜欢的领域吗,它是你擅长的领域吗?

    计算机相对来说还是我喜欢的,虽然会比较难,但是有趣的地方固然有趣,当用自己的能力完成某样项目的时候成就感还是会不小。擅长说不上,就是该努力的时候努力让它擅长吧。

(2)

  • 对于大三下的你,对照前人们走过的路和描述未来发展,现在的你自我感觉你已经具备的专业知识、技能、能力有哪些?

    专业知识的话,基本的C、C++、JAVA编程语言还能掌握,能够初步设计一个程序界面,并且对于CCNA的知识也稍有掌握。

  • 离成为一个合格的网络工程专业本科毕业生,在专业知识、技能、能力上还差距哪些?

    对于各类编程语言应有更深层次、更熟练地掌握,CCNA、CCNP应是本专业的基础知识,更应该信手拈来。

(3)

大三是一个人生选择的十字路口,考研、工作、考公、出国,不同的选择在大三就有不同的努力方向。而无论考研还是工作的每条路径,也有许多不同的分支。

  • 对照以上你阅读的前人们的经历,你的选择是什么?

    说起选择,大三下大家都开始考虑各自的出路,选择方向不一,关键是要挑最适合自己,最稳定做到,风险较小的。所以我也在考研和就业中纠结了很久,最终选择了就业。

  • 在这种选择下,你认为你相比其他同学来说有何优势,有何劣势?

    劣势大概就是自己会比较懒散,钻研精神没有其他人强劲。

  • 针对你的选择,你给自己的大三下和大四设定的规划安排是什么?

    大三下先把CCNA和CCNP巩固好,大四还未计划,但会更努力学习吧。

  • 未来的期望:

    就是,加油和努力。

(4)

  • 是否有从学长学姐那,听过对于这门课的要求或经验?

    有打听过,但都是说好好完成老师布置的作业就没错了,哈哈哈哈。

(5)

  • 针对上述问题(2)、(3)、(4),你对这门课的期待是什么?你打算平均每周拿出多少个小时用在这门课上,以达成你的期待以及你在(2)或(3)或(4)上的目标?

    期待是希望能在这门课上学到更多东西,巩固更多知识。因为只是第一周,还没上过所有的课程,也不知道该怎么具体安排学习每门课程的时间。

阅读观后感

http://blog.csdn.net/haoel/article/details/1688104

  • 读完后印象比较深的就是这篇,因为职业规划对于我们现阶段还挺重要的,看到了这位大佬写的八点建议,受益匪浅。也知道了走弯路其实不怕,弯路也是积累经验的过程,不要一心想着升职加薪,专注提升自己,那该来的都会来。

https://book.douban.com/subject/4006425/discussion/22803733/

  • 这一篇博客里有些内容还挺感同身受,因为我在大一的时候也是一个社团狂,以致于大一上下两学期各挂过一科。直到大二,慢慢地改掉了拖延症,并且开始学会合理规划自己的时间,从24个小时中划分时间段做不同的事,把自己逼紧一些之后,发现这样的做法还挺有效的。

转载于:https://www.cnblogs.com/abonxxxu/p/8531589.html

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