软件工程第一次作业+反思

回顾过去近三年的学习经历

1.当初你报考的时候,是真正喜欢这个专业吗?

在高中时看过了《社交网络》、《乔布斯传》这类电影,讲述的是计算机大佬们创业的故事,在那个时候被故事们打动,开始对计算机感兴趣。高一的时候得到自己的第一部android手机,那几年正是移动游戏炒地火热的时候,从水果忍者和愤怒的小鸟开始慢慢接触了很多游戏(或许这是我没能上自己理想的大学的原因吧)。现在都还记得在下课的时候去行政楼下蹭wifi下载各种游戏的情景。后来对手机软件越来越好奇,好奇它们是如何开发的,好奇“代码”是什么东西,好奇程序员的工作实质。忘记那时通过什么途径在手机上下载了一个可以编写手机软件并编译成app的工具,叫做AIDE,通过它写成了我的第一个手机软件,就是单纯地显示helloworld的一个demo。因为这个工具的傻瓜性的操作让我获得了很大的成就感,我对于“软件”、“程序”以及和计算机有关的事情变得越来越有兴趣,以至于入了这个“水很深”的专业。在报考专业志愿的时候,我的专业志愿填报的都是和计算机有关的专业,所以在我当初报考的时候,我是真的喜欢这个专业。

2.你现在后悔选择了这个专业吗?

我现在不后悔选择了这个专业,我仍然喜欢这个专业,虽然它给了我一定的打击,甚至就在今天3月17号我还懊恼地怀疑了我自己到底是不是适合干这行。我不是计算机大神,天赋也谈不上有多少,但我就是对计算机感兴趣,虽然遇到一个编程题时,我可能会要想很久,可能不看题解我没法解出来;虽然在看到自己写不出来的精妙的代码时会赞叹人类智慧的同时顺带责问自己;虽然常常觉得别人智商是不是比我高而我智商是不是有问题。。。。。。诸如此类奇怪的自我感觉会经常在我脑子里(geek也会有奇怪的想法但应该不是我这种吧)。差不多三年来的学习生活,计算机这个专业给我带来了成就感也带来了挫败感,给我带来了收获感也带来了失去的感觉。总之,我不后悔选择了这个专业。

3.你认为你最喜欢的领域是什么

我最喜欢的领域也就是我未来期望从事的工作领域,应该是游戏开发了,有趣啊,游戏多好玩啊!游戏那么好玩开发游戏的人也很有趣吧,程序员的命那么短(玩笑话),和有趣的人在一起工作要好点吧。或者。。。黑客也很好啊,不过我应该没有黑客那么强大的脑回路吧。

总结你现在已经掌握的知识

1.都具备哪些专业知识和能力

能够熟练使用编程语言C、C++、Java、python,初步了解了android应用的开发,能够通过android studio开发出小型android应用,初步掌握linux系统架构与其文件系统架构,能够编写结构简单的python爬虫爬取反爬虫能力不强的网页的信息,初步了解并能够使用jbox2d物理引擎编写一些android小demo。编程能力属于中等级别。搞过一段时间ACM,没能坚持刷题(这是我今天赛后怀疑我智商不如别人的原因吧),对知识的研究不深入、浅尝辄止是我现在最最最大的问题,对什么都略知一二,钻劲不够,没有精通。。。。。。属于初初初级程序员。

2.你认为你已经成为一名合格的计算机软件工程师做好准备了吗?在专业技术、个人能力以及其他方面你还有哪些欠缺?

没准备好。
专业技术上,我的水平没有达到企业要求与实际项目要求,比如对计算机系统内部架构以及计算机内部的工作原理我还是一知半解,底层不了解是优化不好上层代码的。我的技术水平只够写点东西满足自娱自乐。
个人能力上我还需要提高自己的编程水平和独立思考的能力,在英语方面我需要追赶上好一大截。其他的比如在软件项目管理、维护测试等方面的知识我需要加强。拒绝浅尝辄止的毛病,学会深入思考代码背后的原理,有时候会有拿来主义的思想,孰不知我的大脑已经变成别人思想活动的场所了,所以要加强独立思考自主学习的能力。在算法方面我也需要加强,以免出现今天比赛的事故。还有就是待事耐心不够,遇到问题喜欢先放一放再说,这是非常致命的缺点,没有什么问题放一放会解决,只会忘记有这么回事,只会失去解决难题从而提高自己的机会。等等此类,还有很多缺陷。

畅想未来

1.对照材料中前人的经历,你还准备从事计算机这个行业吗?

对比材料中的大神后,我受到了“同样都是人,为什么差距那么大”这句话的打击。但是我热爱这个行业,我认为我可以,我行,我会努力克服自身的缺点,我准备从事这个行业并希望为这个行业做出贡献。而且这个行业的发展前景也是非常好的。

2.你认为与其他专业的同学相比,你的优势都有哪些。

对比其他专业的同学,我的优势在于对计算机有热情,并始终对它有兴趣,或者在于对计算机行业更加了解吧,或者代码量比他们多吧,或者打字更快吧。

3.对不久的将来,你的职业规划是什么?

对于近期的规划,我已经决定考研了,去一个更大的平台修炼自己的能力与技术,因为觉得现在自己的造诣太浅了,自己的水平太低了,不是自己想要的状态。
对于更远一点的规划,我想读完研究生后找到自己喜欢的公司工作及职位,在实际的工业环境中锻炼自己的能力,成长为一名全栈工程师/独立游戏制作人。

谢谢浏览,请多指教。

转载于:https://www.cnblogs.com/Xpliang/p/8592763.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