武汉大学计算机学院卓工班,计算机学院2020级“卓越工程师”班学生选拔方案...

武汉大学计算机学院计划在2020级新生中招收60名计算机和软件工程专业的‘卓越工程师’,选拔条件包括参赛经历、学术成绩、专业志愿、团队协作及家长支持。报名截止9月30日,通过面试考核,10月确定入选名单。
摘要由CSDN通过智能技术生成

计算机学院为培养高级工程应用型人才设立“卓越工程师”班,现拟在全院2020级本科新生中招收60名具有计算机领域卓越工程师培养潜力的学生,其中计算机科学与技术专业30名,软件工程专业30名。

具体安排如下:

1、报名条件:

(1)申请报名的学生必须为武汉大学计算机学院2020级本科新生。

(2)认同社会主义核心价值观,遵纪守法。

(3)热爱计算机专业,有志在计算机领域就业和发展。逻辑思维能力强,有团队合作意识和创新精神。

(4)学习态度端正,愿意遵守卓工班的严格要求。

2.选拔方案:

计算机科学与技术专业

(1)参加过信息科学类竞赛,有一定计算机基础的同学优先考虑。

(2)高考成绩比较优秀,数学成绩突出者优先考虑。

(3)志愿加入计算机科学与技术专业卓越工程师班级,放弃转专业和专业分流机会。

(4)愿意配合完成针对卓工培养计划的企业课程体系,该体系会涉及到每年暑期的实训安排,占用部分正常的暑假时间。

(5)身体健康,心智健全,家长同意。

软件工程

(1)参加过信息科学类竞赛,有一定计算机基础的同学优先考虑。

(2)高考成绩比较优秀,数学、英语成绩突出者优先考虑。

(3)志愿加入软件工程卓越工程师班级,放弃转专业和专业分流机会。

(4)愿意配合完成针对卓工培养计划的企业课程体系,该体系会涉及到每年暑期的实训安排,占用部分正常的暑假时间。

(5)身体健康,心智健全,家长同意。

3.考试方式:

组织学生参加学院面试。面试流程:

(1)学生自我介绍(1分钟);

(2)指定问题回答:为什么参加卓工班选拔(1分钟);

(3)自由交流,回答老师问题(5-8分钟)。

最后综合考虑确定“卓越工程师”计算机班学生名单。

4、具体时间安排如下:

(1) 9月21-22日,通知报名阶段。全院新生有意向报名的同学必须在

该网址https://www.wjx.top/jq/91254638.aspx上填写相关信息。同时,需填写相应的纸质报名表(报名表见附件1),并交给班助。9月23日班助按学号顺序排好,在8:30-12:00将纸质版上交至本科生办公室王恒老师处。(注:附件1的最后一联需签字。)

(2)9月23日-9月30日,核对报名表信息,学院组织面试。

(3)10月5-6日,上报学院,确定“卓越工程师”班学生名单。

武汉大学计算机学院

2020年9月

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