软件“十年”,是罗列也是总结

博主分享了自己从09年开始学习软件的十年历程,从C语言起步,经历了数据结构、数据库、C++、软件设计、Java的学习和实践。期间考取了程序员、软件设计师证书,参与了多个项目,逐渐成长为合格的软件工程师、中级工程师、项目经理。通过不断学习和总结,博主最终在JavaEE和系统架构方面取得进步,但也在过程中遇到了挑战,如工作环境、团队管理等问题。十年间的成长和经验教训,反映了软件行业的发展和个人职业生涯的变化。
摘要由CSDN通过智能技术生成

09年我开始真正开始学习软件,到现在,十年多了。 下来就分享一下我的软件“十年”。

09: 学习C语言

10:学习数据结构,数据库,C++ 等,并考取 :程序员证书

11:学习 算法,软件工程,数据库设计,设计模式 等,进入系里的实验室,完成第一个可运行的软件,基于Delphi做的显示屏软件;( 万事开头难,真TMD的难,用的pascal语言,其实难的不是语言,是思路,不知道软件怎么做,这就是入门吧 。 记得12年暑假我看视频,也没有完全明白,开学后遇到系里边唯一一个懂Delphi的老师,那刻真的比较自己妈都亲热)

12: 考取了软件设计师;完成.NET实训;实验室继续在坚持(  牛逼当不了骨干,马云说过:剩者为王。 在跳槽的时候三思 );找工作(公司培训半个月Java,然后决定要不要你,刚开始大家很焦虑,实际到了最后,剩下的基本全要了,除非你特别特别差劲,第一次体会“剩者为王”,只要坚持的最后 就是胜利者)

13:完成实验室项目2个: 车辆

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 31
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

打赏作者

闲猫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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