自考总结-寻找适合自己看书的方式

从固有的方式中走出来

    一直以来无论我们在学习什么内容,是否都一直在找寻适合自己的学习方法,当然类别也许会涉及很多;虽然我们有统一的学习方法,并且也很适用,但是终究你要在此基础上探索适合自己的。-提升学习效率

    虽然我们都提倡学习科目不分文理,不分是否适用于文理生;这么看来两者之间似乎也不存在特别突出的界限。但是终究还是有些区别的,至少慢慢你会发现的。理科生偏向于做题,文科生更偏向于背诵,这一点是不是得承认下;等等还有很多;当然其中也不乏不按套路出牌的学生。

    然而,今天聊点这个就没没有有意思了;我们更应该思考如何互补,然后逐步的提升自己的学习能力,顺道把自考过了。那就一块聊聊是否在我身上发生的有意思的故事吧。第一次自考,既没有跟着组织的步伐走,也没有好好利用学习方法看书。单纯的的想想怎么把考试过了;然而,最后挂了一科。转眼一晃就迎来第二次自考,这次考了三科,其中也包括一门文科性的学科,然后几乎和第一年的状态差不错,但是开始跟着组织的步伐走了;不过好像学习方法使用的也不好。终究在临考试前的下午,突然萌生了放弃考试的冲动,然后就真的放弃了;-有时候就是挺倔的。考完之后,大家都说可简单了,只要考去指定没有问题;但是我也没有后悔,因为我的字典里面不包含这个名词。

    终于迎来了第三次自学考试了,这次自己从内心里想要改变了,然后开始跟着组织走,虽然有些时候因为某些事情会缺席,但是终将相比于之前改变太多。然后也开始接受看书的方法,并且在学习的过程中,开始借助伙伴的力量,共同讨论与学习。单是这三点,我就感觉很满足了,因为我知道我开始改变了。

    学习过程

  • 操作系统:规定时间内,小组讨论(章节、卷子),找伙伴帮忙串讲知识点,看视频(效果不明显)
  • 信息资源管理:勾画伙伴书本上的知识点以及整理卷子上面的知识(亡羊补牢),主动性较差。
  • 管理经济学:在应用学习方法的基础上找伙伴串讲课本,结组学习;卷子也都认真看和做了,并且整理了知识点。

    学习不足

    前期不能给自己选择的机会,有可能会出现侧重于某一学科学习,均衡学习。提升自己主动性的前提下,更多的是结组学习;组织是一个好地方,因为它可以带你进步;更多的要偏向于整理,知识需要沉淀,而非表面漂浮。

真正难以克服的是固有思维或者习惯,然而行动却可以改变这一切。---Just do IT;


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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 38
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