谈一点学计算机专业的感悟,对高数和计算机学习的一点小感悟

昨天高数老师点名,李林涛从未交过作业,这次点名也没到。杨智忻她们寝室全都没到。而这只是大一的十一月。

因为没到的同学有些多,老师便讲起了高数学习的意义。他说,最近网上很多人都在说学习数学没用,特别是高数,很多人可能以后一生都不会用它。那么我们学习它做什么呢?后来他给出的答案是锻炼一种思维。他讲到他带的数学建模的同学,那个同学说自己的高数特别差。可是他却觉得他的数学很好。因为那个同学能写出一百多行的程序,可见其逻辑思维是非常强大的。至于平时考试可能考十几分、二十几分,可能是练得少了。但是思维还是有的。

后来他讲到微分,讲到常数微分为零,说一个式子可能有多个原函数。我突然想到现实生活中很多事情其实也是这样。同一个现象,原因可能有多个。那么我们该做,或者说能做的是什么呢?我想了很久,后来得出的结论是:对于一件事情,我们要想到它的原因可能有多种。但是我们要考虑它最有可能是事实的那种情况。那么如何去考虑呢?这就要结合我们平时的积累了。平时我们对这个人的了解,平时大多数人是怎么处理这件事的?比较特殊的情况有那些?对每种情况我们应采取怎样的解决办法?

计算机老师在讲编程时说,考试的题肯定比平时的题难。但做题时把问题化成一个个简单的,我们做过的类似的题,那么每个问题都会变得很好解决。

突然我意识到,数学题里的讨论思想,化繁为简思想,精确计算和近似相等的重要性了。它们不仅仅是用来做数学和计算机的,更是用来解决人生上我们可能遇到的困难的。

关于数学的逻辑,昨晚我9:40本来是要去别的部门参加部门例会的,可是七点我才想起来。那时在图书馆看书,于是计算了好久决定8:40开始回寝室,洗个头就去,估计20能洗完吹完。预计的是回到寝室8:50,可是事实是已经9:00了。后来又磨磨蹭蹭,直到快10了才决定去洗澡洗头。洗完出来已经16,吹完扎好已经30.而星期三(前天)我从橘三到26教走了10分钟。部长专门提醒要早到。而开例会一般都会提前几分钟进场甚至开始。

后来我各种跑步,路人像看怪物一样看着我,终于在35跑到了。可是整个过程我一直晕晕的,后来嘉宾交流时说得特别凌乱,可是各位部长主席特别专心的看着我,我还以为其实没那么糟。

开完后出来,涛哥问我怎么说得那么凌乱,没有逻辑,问我是不是紧张了。并夸奖明先超开头说了两个部门的口号,博得了对方部长的好感,讲得也很有逻辑,很好。其实我很清楚,紧张之时一种安慰,没有逻辑是主要原因。学计算机的部长对逻辑特别敏感。

看来以后我的多看看逻辑方面的书了,得锻炼自己的逻辑思维。因为盛老师说过,逻辑思维是一种很重要的能力。之前我就因为没有逻辑思维,理解错了他的话,导致自己冒昧的去借8教的教室钥匙,被管钥匙的骂,也被盛老师笑话。因为他之前说过让我带电脑,而我还是接了多媒体的钥匙。。。。

文章来源于网络。侵权请联系作者删除。

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