转本计算机考研科目,过来人谈考研:专转本后考研考取南京大学我的感悟

当在南京大学2016年硕士研究生拟录取名单中看到自己的名字时,我的内心却感到无比的平静和踏实:考研真的结束了。

总的说来,我的考研历程不像其他人一样充满各种艰难和曲折,反而像一杯白开水一般平平淡淡。最初上大专的时候,我原本想,自己最多念到本科就已经不错了,研究生就像高高在上的圣地一样,让我遥不可及,直到职业生涯规划课的老师建议我为自己今后的人生定下目标时,我才认识到应该为自己的兴趣去拼搏和努力,而不是将来某一天回过头来叹气和悔恨。于是,我便开始了自己的“考路”历程。

彼时,我只是专科大一的学生,想要考研,只能说是天方夜谭,因为很多研招单位不要同等学力的专科生,即使招收,条件也很苛刻,至少在复试的时候要比别人多考两门科目。于是我当时定下了两步走的计划:先转上本科,再考研。

从那时开始,我几乎开始了一个人的生活,自己去上课,晚上到图书馆复习,周末听转本课或者看默默学的转本计算机视频,就这样日复一日,在大二的时候,我转上了一所本二学校。(在13年的时候,本二学校第一次对转本学生开放,名额很少。)

进入本科学校,我已经是大三学生了,学业和就业的压力铺面而来,本科学校的课程较多,学习氛围也不错,关键是学校鼓励同学考研深造,这与我当初的第二个目标不谋而合。于是,到学校还没有一个月,我就坐进了考研辅导班的课堂。就这样,我在目标未明确的情况下就先行开始上起了考研的课程。等到大三下半学期的时候,我无意间回想起大二时专业课老师给我的建议:报考南京大学研究生。(因为我个人对于艺术理论类的知识非常感兴趣,一次无意间和老师闲聊时,老师给了我这个建议。)当时我压根没有“985”“211”的概念,认为考研的学校都一个样,于是乎,我抱着考普通学校的心态奔上了考研这条道路。

我从大四下半学期才正式启动考研计划,前后总共10个月左右,前4个月打基础,后6个月强化巩固。每天每门功课一个计划,按部就班,直到考前。在英语上,我准备得不是很充分,所以最后考下来也只有50分,政治这门课靠的不是背诵,而是在一个大的知识体系下理解记忆,并结合当年的时政热点来熟悉每一个考点,做到灵活运用。在专业课上,我将学校列出的参考书详细地看了几遍,并且结合历年专业课真题,对重点部分做了笔记,这样做到了对课本的熟悉把握。最后,再看几篇著名老师写的相关文章,作知识的延展和补充。在这次考试中,我也充分体会到吃透课本的重要性。初试分数过线后,紧接着就准备复试(南京大学为34所自主划线院校,复试时间较早)。不过,今年的复试总体来说难度适中,面试也没有为难考生,就这样,我被录取了。

写这篇文章的时候,我感到有一丝愧疚,若论经验,甚至感觉”无以达人“,因为自己考研经历实在太过平常,没有什么波澜壮阔,也没有惊天动地,有的只是一个人日复一日地学习,默默地坚持,从春天到冬天,再到来年春天,静静地等待最后的结果。

时光易逝,岁月难留,我们感觉2017刚刚来到的时候,实际却已过了1/4了!2018的小伙伴,想考名校,备考就该从现在开始走起咯!跨考全年集训营二期班4月20日即将开营,专业名师的辅导,专职班主任的督促,各种类型纯良的小伙伴,我们一起找回高三时期的友情,用一年的共同奋斗,实现心中所愿!

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