【终于还是开始了】

很久之前,一直都在想,写写学习笔记;

奈何,觉得自己学习的东西都太基础了,感觉写出来不是很有养分;

就当写写日记好了;

如果您不幸翻到我的博客,那真挺对不起;

 

大学期间,我的专业是地理信息系统;

在我们进校的前几年,我们专业还是计算机学院的一个小分支,作为与地理学科的交叉学科,所谓支持信息化建设和发展;

但在后来转入到地质院,更多的去支持地图学的信息化发展,包括学习地理的基础知识、地图学、测量学、地质学、数字化地图等;

作为大学的一个专业,也需要专业的学生在大一大二的时候,将基本的学习能力掌握好,包括高等数学、概率论、线性代数、高等英语、计算机基础,C++、网页设计、MATLAB科学计算;

同时,为了显示,不只是一个纯理科,而是一个工科,保留最后一些信息系统的基本能力和以后进入行业的多种能力,我们专业也开设了数据结构、数据库、软件工程、网络编程、二次开发、信息系统、计算机图形学、三维建模、数据图像处理等多种计算机相关的课程;

总得来说,在本科生的知识、基本素质和基本能力上,学院已经考虑了很全面;

很遗憾,我选择的是去香港读研究生,而没有考虑留本校或者去其他学校读研究生;

其实,本来想去香港读研究生,是想转专业,想学计算机;

当时想选地理信息系统专业,也是因为这个专业会学习到计算机知识和基本的开发能力;

但担心自己本科掌握的计算机基础知识和素质不够支撑我研究生毕业;

因此,在最后的阶段,我退缩了;

但经历了研究生阶段,我发现自己,真的非常希望,能够在互联网行业发展;

不管如何,已经下了这个决定,做了相关的准备,我就好好的努力走下去吧。

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