南邮物联网学院计算机考研,研友分享南京邮电大学物联网学院两个专业的一点看法...

最新推荐文章于 2021-07-28 05:36:48 发布
最新推荐文章于 2021-07-28 05:36:48 发布
阅读量1.4k 收藏
点赞数
文章标签： 南邮物联网学院计算机考研
本文由一位2011年考入南京邮电大学物联网学院的学生分享，介绍了物联网学院的信网专业和新增的物流工程专业。信网专业竞争激烈，考数一、英一等科目；物流工程相对较新，考数三、英二，初试可能未被广泛知晓，但随着物联网的发展，预计会变得热门。物流工程与信网在课程和导师上并无明显差别，且初期录取可能享受公费。建议考生根据自身复习情况选择报考专业。
摘要由CSDN通过智能技术生成

研友分享南京邮电大学物联网学院两个专业的一点看法

57392a13133af2f664548ab8d8ddd44c.png

本人2011年考的南邮物联网学院，南邮物联网学院今年新增的一个物流工程专业，本来以为信网会招收20个的，反

作者

klxz070313

9f41b1aa6709df87e14cb2991cd8c9ae.png次阅读

2011-06-24

本人2011年考的南邮物联网学院，南邮物联网学院今年新增的一个物流工程专业，本来以为信网会招收20个的，反正都是绝对的学术性硕士分数考进来的，只不过有八个人不得不服从调剂到物流工程(因为初试貌似没有这个专业，所以也不会有人知道，也没人报名了吧)，所以说今年物联网学院考进来的20个人全部公费，听说扩招的两个是自费，进来之后都是跟着信网的导师，这届没有任何区别，信网和物流工程都有两个保研的，可见物流工程也不错！

信网就是考数一，英一，政治，数据结构、微机原理、通原(三选一)，复试是考数据结构，微机原理(二选一)，一般信网这两年竞争会相当激烈，个人觉得2012信网专业的竞争压力不会亚于通信和信安的，至于物流工程，也是不错的专业，学校刚开，所以领导说是很重视这个专业，况且这几年物联网发展的如火如荼，物联网学院的专业肯定都会比较热门，分数自然会水涨船高，就像两三年前的信网分数也没那么高，今年物联网学院的腐蚀分数线俨然已经可以和通原的媲美了！可能知道物流工程的人不多，也有些人会误解它是专硕，其实个人觉得还是挺好的，我就是现在物流工程的，我们跟的导师都和信网一模一样，导师对我们也没什么区别。所以我预测两三年后物流工程也会和如今的信网分数差不多(毕竟招的人也很少)！

给大家一点建议，如果你觉得自己能力足够强，复习得不错，那就直接冲信网好了，分数一般需要在国家线+35左右吧，能保证进复试，然后复试竞争也是很激烈的，但是一般前十名变动不大，后面的想冲上去需要实力！如果你复习的不够好或者专业知识掌握不够好，建议可以考物流工程。

毕竟是考数三，英二，政治，还有一门计算机信息技术专业课，个人也不大了解，估计是偏管理性的计算机专业课吧，记忆好的同学不妨考虑下，但是毕竟以前貌似没考过，所以这门课的真题可能也就没有了，但是我想毕竟刚出来的，不会出的很难，书看透了一切都好说！而且物流工程专业毕竟刚开，2012应该算第一次面向社会招生吧，知道的人不多，竞争也不会太激烈，今年复试要求上面写的是报名物流的国家线(也就是300)就可以直接复试(可惜之前估计没人知道还会开这样一个专业，所以据我所知报名人数为0吧)，但是进了这个专业学的东西，做的东西和信网都差不多的！导师对待也一样，所以大家不用有什么顾虑！

以上就是我个人对物联网学院的信网和物流两个专业的了解，希望对有志于考入南邮物联网学院的学弟学妹们有所帮助！

帖子地址：http://bbs.kaoyan.com/t3833953p1 转载请注明本帖地址。

※来源：考研论坛bbs.kaoyan.com

凤陶
关注
云南大学软件学院陈清毅老师物联网实验报告.zip
06-04
《物联网技术探索——以云南大学软件学院陈清毅老师实验报告为例》 物联网，作为现代信息技术的重要组成部分，正逐渐渗透到各个行业中，为人类的生活带来了前所未有的便利。云南大学软件学院，作为高等教育的重要...
南邮计算机考研复试经验,我的一点建议——南京邮电大学考研经验_跨考网
weixin_29973077的博客
07-09 4109
首先，自我介绍，本人不是水军，不抱有黑南邮的性质，只是作为一个曾经考过南邮通信的前辈对各位的关于选学校的建议吧。一、有关南邮篇。1.南邮在江浙这一带应该还是比较吃得开的，非211是它的硬伤，不过如果你技术做的好的话，或者说将来是吃技术这碗饭的话，应该去个华为中兴不是问题。在南邮搞学术不如考专硕，专硕有实习的机会，而这是企业所看重的。2.考通信之南邮学院的选择。可以看到南邮好多学院都是考通信原理的(...
南京邮电大学21年物联网院与现代邮政院计算机考研情况 相比计算机学院难度低不少​
weixin_41562811的博客
05-14 322
https://mp.weixin.qq.com/s/M6L-GXI9-3xi77s5QqDLKA
南京邮电大学计算机学院、软件学院考研指南
JasonWang的博客
05-25 2414
大学简介 南京邮电大学（Nanjing University of Posts and Telecommunications），简称“南邮”（NJUPT），是教育部、工业和信息化部、国家邮政局与江苏省共建高校，首批国家“世界一流学科建设高校”，江苏高水平大学建设高校；入选国家“2011计划”、“111计划”、教育部“卓越工程师教育培养计划”、”新工科研究与实践项目“、国家级大学生创新创业训练计划，国际电信联盟首个学术成员，CDIO工程教育联盟成员单位，国际电信联盟亚太电信组织在华培训基地之一；是以电子信息.
南邮计算机专业考研率,最高437分！南邮计算机学院考研又爆满！
weixin_42508215的博客
06-20 3686
近日，是2021年国内考研公布分数的日子，众多的985高校竞争十分激烈！中国科学技术大学软件学院考数二、英二，目前为止据网友的不完全统计，已经总分超过400分的考生有接近三百人！同样也为华东五校的复旦大学，其计算机专硕也考数二、英二，专业课则是计算机学科专业基础综合(408)，400分以上的考研选手也占了大多数！这两所学校高分云集并不奇怪，作为顶尖的985院校，必然是吸引了大批优秀的学子报考，出现...
浙江大学物联网安全复习资料.7z
12-12
浙江大学物联网安全复习资料.7z
物联网开发的监测系统代码.zip
08-18
物联网开发的监测系统代码.zip物联网开发的监测系统代码.zip物联网开发的监测系统代码.zip物联网开发的监测系统代码.zip物联网开发的监测系统代码.zip物联网开发的监测系统代码.zip物联网开发的监测系统代码.zip...
STM32物联网实战教程.zip
07-08
STM32物联网实战教程.zipSTM32物联网实战教程.zipSTM32物联网实战教程.zipSTM32物联网实战教程.zipSTM32物联网实战教程.zipSTM32物联网实战教程.zipSTM32物联网实战教程.zipSTM32物联网实战教程.zipSTM32物联网实战...
Web物联网技术的系统代码.zip
07-30
Web物联网技术的系统代码.zipWeb物联网技术的系统代码.zipWeb物联网技术的系统代码.zipWeb物联网技术的系统代码.zipWeb物联网技术的系统代码.zipWeb物联网技术的系统代码.zipWeb物联网技术的系统代码.zipWeb物联网...
南京邮电大学通信与计算机哪个好,南京邮电大学和深圳大学哪一个更好呢？都有哪些好的专业？...
weixin_35225144的博客
07-28 1433
南京邮电大学和深圳大学哪一个更好呢?都有哪些好的专业呢?一般情况下差不多的学校总是会让很多孩子们有选择困难症，不知道怎么样选择才是对的，就拿上面这两所大学来说，都是非常不错的学校，不管是谁能考进去也并不是一件易事，下面 我们就详细了解一下。深圳大学作为一所综合性大学来说，11个学科门类的专业都有开设，这一点在第四轮学科评估中已充分体现出来，共计有28个一级学科上榜，其中B类共计有10个，C类18个...
计算机考研南航和南邮,考研择校分析 — 南京邮电大学
weixin_30831261的博客
07-08 3297
南京邮电大学简称南邮，是入选首批国家“双一流”学科建设，首批国家2011计划建设、国家111计划建设、教育部卓越工程师教育培养计划 建设的重点高校。南京邮电大学在通信和信息系统、信号与信息处理、电子科学与技术、计算机应用等领域于国内外有着重要影响，被誉为“华夏IT英才的摇篮”。下面就和研研一起来看看南邮的热门专业吧~通信/电子学院通信与信息工程学院是南邮历史最久、规模最大、综合实力最强的学院，是国...
基于yolov3结合卡尔曼滤波匈牙利算法虚拟线圈的车流量检测python源码+项目说明.zip
09-21
本项目专注于视频基的车辆跟踪与流量统计，依托深度学习技术，实时追踪路面车辆动态并精准统计各车道车流量。该项目通过以下核心步骤高效处理输入视频数据： 高精度目标检测：采用YOLOv3模型，凭借其卓越的实时性与准确性，快速识别视频中的车辆目标，为后续追踪奠定坚实基础。 稳定目标追踪：集成SORT（Simple Online and Realtime Tracking）算法，结合卡尔曼滤波器预测车辆未来位置，同时运用匈牙利算法优化目标间的匹配，实现连续、稳定的车辆追踪，有效应对遮挡、交叉等复杂场景。 智能车流量统计：借鉴虚拟线圈概念，巧妙设计算法以监测穿越预设区域的车辆，自动计数并准确统计各车道车流量，为交通管理与分析提供可靠数据支持。 整体而言，本项目通过融合先进的目标检测与追踪技术，结合创新的流量统计方法，构建了一个高效、精准的实时车辆跟踪与流量统计系统，为智慧交通领域的发展贡献力量。
本科毕业设计--基于深度学习的人脸面部表情识别.zip
09-21
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。
雷电模拟器改成真机环境
09-21
在Android系统中，模拟器通常会被识别为非真实的设备，这可能导致某些应用或服务无法正常运行，尤其是那些需要硬件信息或root权限的应用。改真机环境意味着通过技术手段使模拟器的行为更接近真实的Android设备，包括模拟设备硬件信息、IMEI、MAC地址等，以绕过检测并提升兼容性。LSPSED（Linux System Property Setter and Editor）模块是Magisk的一个扩展，专门用于修改Android系统的系统属性。通过LSPSED，我们可以更改设备的各种系统属性，如设备型号、制造商信息等，这些修改对于使模拟器看起来更像真实设备至关重要。在使用过程中，还需要添加几个机型模块，这些模块通常包含了特定设备的系统配置信息，如设备代号、硬件信息等。通过安装这些模块，雷电模拟器可以模仿各种流行的Android设备，进一步提高应用的兼容性和真实性。
CenterNet 部署版本，便于移植不同平台（onnx、tensorRT、rknn、Horizon）
09-21
CenterNet 是一种用于目标检测的神经网络架构，它的核心思想是利用目标的中心点作为检测的关键信息。这种方法与传统的目标检测方法（如基于边界框的方法）有所不同，因为它不直接预测目标的边界框，而是预测目标的中心点坐标和目标的宽度与高度。 CenterNet 的主要特点包括： 1. **中心点预测**：网络输出目标的中心点坐标，以及目标的宽度和高度。 2. **热图（Heatmap）**：网络生成一个热图，其中每个像素点的值表示该点成为目标中心点的概率。 3. **回归任务**：除了中心点坐标，网络还需要预测目标的宽度和高度，这通常通过预测中心点周围的偏移量来实现。 4. **多任务学习**：CenterNet 通常会同时预测目标的类别、中心点坐标、宽度、高度以及目标的旋转角度（在某些变体中）。 5. **端到端训练**：CenterNet 可以直接在最终的目标检测任务上进行端到端的训练，无需复杂的区域提议网络（Region Proposal Network, RPN）或锚点（anchor）机制。 6. **高效性**：由于省略了传统目标检测中的一些步骤，CenterNe
CSP-J是计算机科学学科相关的青少年科技爱好者等级考试.docx
09-21
CSP-J是计算机科学学科相关的青少年科技爱好者等级考试，全称为青少年软件编程等级考试。以下是对CSP-J的详细介绍： 一、考试背景与目的 CSP-J考试是由全国青少年软件编程等级考试标准工作组制定，并得到中国电子学会的认可，旨在培养青少年计算机科学素养和编程能力。通过参加这一考试，青少年可以检验自己的学习成果，增强自信心和竞争力，同时为他们未来在计算机科学领域的深入学习和职业发展打下坚实的基础。 二、考试内容与形式 CSP-J考试主要面向入门级别的青少年，考察内容侧重于计算机基础知识和算法的理解。考试形式分为初赛（笔试）和复赛（机试），即CSP-J1与CSP-J2。 初赛（CSP-J1）：侧重于理论知识的考核，包括计算机基础知识、算法基本概念等，以笔试形式进行。 复赛（CSP-J2）：更侧重于上机编程能力的实践考察，要求参赛者在计算机上完成编程任务。 参赛者必须先参加初赛，并达到一定的分数方可参加复赛。 三、报名与参与 报名方式：CSP-J/S认证面向所有对计算机科学有兴趣的青少年开放，报名和认证过程均在网上进行。认证点由CCF（中国计算机学会）授权的CSP非专业级别省认证组
机械课程设计 X Y双坐标联动数控工作台设计(全套图纸).doc
最新发布
09-21
机械课程设计 X Y双坐标联动数控工作台设计(全套图纸).doc
基于BERT模型的深度学习中文文本分类实现，包含大约20000条新闻的训练和测试集，包装有简单HTTP接口可供调用。.zip
09-21
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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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