计算机科学与技术考研辅导班,[独峰考研]清华大学计算机科学与技术考研辅导班-清华计算机系考研经验真题...

原标题:[独峰考研]清华大学计算机科学与技术考研辅导班-清华计算机系考研经验真题

b2615a13c4b465b477602f5da2d149e8.png

本文主要为大家介绍清华大学计算机科学与技术系计算机科学与技术专业招生目录、参考书、复试分数线、真题以及初试经验等几部分的内容,希望对同学们有所帮助。

1、院校专业

清华大学计算机科学与技术系是清华大学信息科学技术学院下设的教学系之一。

计算机科学与技术专业学生主要学习计算机科学与技术方面的基本理论和基本知识,接受从事研究与应用计算机的基础知识,具有研究和开发计算机硬软件的基本能力。

2、招生数据

2.1 专业目录

清华大学2020年硕士研究生招生专业目录

专业拟招收人数:14人

考试科目:

①101 思想政治理论

②201 英语 一

③301 数学一

④912 计算机专业基础综合

2.2 考试参考书

《数据结构》 邓俊辉, 清华大学出版社

《计算机组成原理》 唐朔飞著,高等教育出版社

《计算机组成与设计(硬件/软件接口)》 John L. Hennessy, David A. Patterson 著

《计算机操作系统》 汤子瀛著,西安电子科技大学出版社

《操作系统概念》 Abraham Silberschatz,Peter Bear Galvin,Greg Gagne 著

《计算机网络》 谢希仁,电子工业出版社

2.3 复试分数线

总分:359

外语/政治:50

业务课一/二:80

3、经验分享

6536d159c253694fb98d56dc9d1be0d4.png

►数学

3月份开始复习考研,还报名了独峰教育的考研班。从那时候数学直就不能放松,先看同济版教材,看一章做课后题,然后再做对应章的复习全书(我用的李永乐、王式安的那个)刚开始复习全书很多题不会做,第一遍很正常。刷一遍的时候用了两个月。

用张宇的18讲和李永乐的线代讲义,练习题用李永乐的660和张宇的1000题。基础特别差的可以看一讲视频看一讲书本内容,再做一下1000题的A部分。线代讲义也是这个节奏。争取6月到七月一个月看一遍。七月到八月报名独峰考研,跟着老师开始学,老师讲课非常有条理,他会把平时我们忽略掉的一些定义一类的东西讲解的很清楚,我觉得非常受用,尤其是后来做题遇到难题时,从这些定义一类的知识入手,反而更容易做出来。八月到九月开始做660和1000题剩下的部分,九月上半月把这两本书的不会的题再看看,下旬就开始做真题。用张宇的30年真题大全解,把30年真题从头做一遍,快的一天一套,慢的三天两套,做完一定要将不会的整明白。前十五年的不用掐时间,后十五年的尽量掐一下时间做,从十月中旬开始做后十五年的题第二遍,到十一月中旬开始做模拟题,还有独峰考研的老师带着做很多拔高题目,还会有解题思路和技巧的讲解,然后我又做一了张宇的8套题,有时间再做一下4套题,考前3-5天左右要全真模拟一下,买上答题卡掐时间做模拟题或做过的真题都行,练的是准确度和考试氛围。

►政治

马原要尽早复习,那些原理必须理解透彻,最好在暑假之前把上一届的马原强化看完。一个知识点做两三道题就行,并经常复习,不用背,多想想为什么。再强调直到11月之前都不用背。把原理弄得清清楚楚就好。11-12,看肖秀荣的时政和真题,查漏补缺,看看自己前期复习有什么没记住的地方,多关心时政,看看大题的答题套路,和套话。大题的马原可以通过准备搞定。政治放轻松就好了,不是挂人的科目。

►英语

9月份开始看张剑的那本真题,我是按照四个步骤来看的。第一遍,先做一遍,当然,不查单词。第二遍,查找文章中的生词,再做一遍。第三遍,看解析,并把文中觉得好的短语和句子摘抄出来。第四遍,把全文翻译一遍。整个过程是很慢的,基本上一天一篇吧。但这样做有很大好处,既能够熟悉单词,查找自己出错的原因,分析真题出题类型和风格,还能锻炼翻译并未写作积累素材。这个方法也是从前人那里学来的,并结合自身情况加以利用,效果还是蛮明显的,大家感兴趣可以试一下。

►专业课

我这次其实比较幸运,正好赶上912数据结构砍掉了选择题,新增了8个简答(32分),简答题考的点大多数我都复习到了,不过如果明年912又换题型,可能我的方法就不灵了……但是万变不离其宗,只要熟练掌握了清华本科相应课程的知识,怎么考都没问题,毕竟考研题的难度要低于本科课程期末考试的难度,出题老师也清楚考研学生整体水平,不会难为我们这些考研学生的。所以问题就在于如何尽可能地学好人家的本科课程。最重要的肯定是找到人家本科课程的资料,我看到有人提到github已经有一个项目公开清华各种本科课程资料了,那这样一来就没有信息上的障碍了,大家一起来凭实力竞争,估计今后竞争会更激烈。

所以有志愿清华计算机,但是跨考的或者基础薄弱的同学就更要奋发学习,尤其学习专业课时,建议跟个网授补补,因为零基础光靠自己看书效率太低,而且容易产生许多错误的理解,且复试时也容易出现问题。报专业课网授前一定要了解清楚,因为有的网授规定很奇葩,只有一个录播还不让随便看,跨专业同学根本跟不上进度,所以千万不要随意跟。个人推荐考研公!众号:“考研领头羊”上的独峰考研,首先那儿的网授形式是一种互动式授课,老师都是在线和你一对一上课,而且授课内容随着准则变动而及时更新,授课时都很认真负责。老师方面,专业课老师则是根据你的个人情况给你专门安排的辅导老师,公共课则是独峰考研那儿具有特色的学管老师为你提供公共课答疑,非常适合大家,所以推荐给大家。

接着我再给大家讲讲我的复习经验,因为我是北航科班出身,本科学的也不赖,所以大家适当参考:

数据结构我用的资料和大家差不多,主要就是邓俊辉老师的资料,1400多页那个,安排的很有逻辑,它会详细介绍一个数据结构为什么提出来,它有哪些优点和缺点,它和其他相似的数据结构有什么异同,这样就可以从中理出脉络。碰巧今年912新增的简答题考了不少这些看似不重要的地方。

操作系统我用的资料也和大家差不多。我把ucore实验做了,本科期中期末试卷和习题集刷了,课程论坛也刷了一遍,我的感受是操作系统要多花时间想,捋清ucore的主要代码逻辑,此外,王道操作系统中关于信号量那部分也不错。

计组这门课我要感谢我航,作为北航6系的王牌课程,在每一个经历过的人身上都留下了深深的烙印,而且912的计组考的比较简单(相对于数据结构和操作系统而言),所以我花的时间并不多,把清华的课件和往年题过一遍足够了。

网络这门课应该是912里相对来说最简单的了,把清华的课件和往年题过一遍也够用了。

综合来看,复习912的主要时间都花在了数据结构和操作系统上,复习过程中我针对自己不会的地方做了笔记,后来考前的时候一直在啃自己的笔记,感觉挺有用的,推荐大家也自己记笔记,自己的笔记才是最适合自己复习的资料。王道的资料个人感觉比较适合复习初期刷,目的是积累题量,熟悉出题方式,不必纠结于王道的知识体系和你本科学得不一样或者和清华课程的不一样,因为912考的是清华课程的知识体系,所以你迟早得向清华课程的思维体系转变。 返回搜狐,查看更多

责任编辑:

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