2017年上半年个人总结

作者反思了大学期间的学习状态及成绩,并分享了自学SQL、搭建个人网站、考驾照及学习编程的经历。

这学期,考的几门成绩都出来了,成绩还是一如既往的差,好几科都是70多分,这也跟自己平时没有好好去上课,和考试前没有好好复习也有一定的关系。不过呢,也没什么大不了的,毕业的绩点还是够的,毕竟从大一开始就没有打算考研。说到考试,可以说我是极其反对这种形式,在我看来,因为有了考试,学一门课反倒成了任务,而不是真正踏实地去学,有了考试,学习的目的不再是单纯学习,而是为了最后的应考。所以很多科目,理解性的东西真的不考察理解,你背过,就高分了,背不过,那就没分。做到原题了,就有分了,做不到原题,那就不一定有分。到头来,一门课程的结束伴随着你仅仅在短时间内记忆了一些概念和题目去应考。考试结束,抛掉了,你还记得什么?何况,某些课,你可能这辈子都用不到了。

因为我打心底了觉得学校好多课程都不是我感兴趣的,比如毛概,它和热干面不同,热干面是在我们饱受 饥饿摧残的时候,第一时间出现并安慰我们的小肚腩。这跟那个所谓的毛概是截然不同的。它一出来就是摆明了要吃我们的!从精神到肉体,再从肉体到精神,反反复复,偶尔让人觉得有些蛋痛。还有一些课程,大一的的物理啊,以及做的物理实验很多都没什么卵用。对于那些认为,学校安排的课程都有它一定的意义的人,我只能投以怜悯的眼神,说实话,屁的意义都没有。基本上就是来浪费我们的大好青春的。所以,很多快要准备上课的时候,上还是不上,这不是问题,去还不去,倒是个问题。因此也翘了许多课,翘课的时间就拿来学一些自己感兴趣的东西,那种充实的感觉比待在枯燥无聊的教室里上课的感觉好多了。也有一种很自由的感觉,不过就是有些老师要点名很麻烦。

从2017年的一月份开始,我学了一下SQL的基本操作语言,因为是过年嘛,所以大多时间还是去和小伙伴们玩耍去了。2月份,买了一个域名和服务器,搭建了一个个人网站。3月份,由于开学几周,是数据结构的课设,所以一直没有课。因此就趁着空闲时间,把驾照考了,一个月时间,驾照到手,嘿嘿嘿,以后我开车就不是无证驾驶了。4月份,学习了一下javascript的基本语法,5月份,差不多有半个月的时间在写数值计算基础的代码,真的很烦,同时也发现了自己的不足,自己居然没有好好学习一门做界面的语言,大一空闲时间多的时候学学QT多好。6月份,用Python写了一个小小的爬虫,能够爬取网站的图片,它是一个比较酷的东西,嘿嘿。另外学了一下node.js的库函数,以及python中的一些库函数。

嗯嗯,以上,2017年的上半年学的东西就差不多是这些了,下半年,再接再厉!(希望下半年生活能待我好些!)

内容概要:本文详细介绍了一个基于JavaVue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定JavaVue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方的例子。 简单的平方问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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