计算机专业也太惨了吧！“劝”你别学计算机

最新推荐文章于 2024-03-24 05:04:04 发布
转载 最新推荐文章于 2024-03-24 05:04:04 发布 · 366 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=MzIyMjQ0MTU0NA==&mid=2247532243&idx=2&sn=2c124cabbd5f41287335c06096c561e1&chksm=e82f47f4df58cee28fb7505826467e2aabbe418faac84296453f31fe98ba821adf35a2c304a8&scene=126&&sessionid=0
文章标签：

#算法 #人工智能 #编程语言 #python #大数据

本文分享了计算机专业学生的真实体验，从介绍专业、课程挑战、日常维修到就业困境，揭示了学习过程的艰辛与收获。吴恩达新书《MachineLearningYearning》为学习者提供实用策略。

点击“开发者技术前线”，选择“星标🔝”

在看|星标|留言,  真爱

dfac5b675d0fe396c6b0c300080f37f5.png

来自：西二旗程序员指北

最近又到了开学季，

又一群懵懂的大学新生怀着憧憬走进了校园，

如果让学长学姐们用一个词给学弟学妹们形容自己的专业的话，

有的也许是“忙碌”，

有的也许是“充实”，

有的也许是“快乐”…

这个时候计算机专业的学长学姐们可能会流下热泪，

因为计算机专业，

实在是太太太太太“南”了！

首先，是介绍自己学院的时候——

d91ad92b5f13ee1bae54b4b96200c35a.png

其次，是学专业课的时候——

458dd5764e130a0f7097d48fe2d5020a.png

其他人的大学四年都是一把美容刀，

而计算机专业的四年是一把剃头刀——

f3708db1dfbe4501ac12bbb3c29381e2.png

自从学了计算机，

每次回家都会被邻居亲戚要求维修各种东西——

9bab558cc1769df55834ff7b0fc283cf.png

当别的学院学生在参加各种活动的时候，

计算机学院总是在——

0052cec8e3289441fa2d4e77d3cdcdd4.png

更难的大概是这个时候——

76da4ca8f88b9a5dcd707c9ca88c24f6.png

还有这个时候——

de206fe027c416ba84bc05ee97515652.png

但更难的可能是毕业找工作的时候——

be3d52535f0df2b0a3d0d2ade74c4217.png

不过俗话说，难走的都是上坡路，

真到毕业的时候，

你就知道计算机专业难有难的道理——

abe1d13e24ce40c304195a6306a9e2c1.png

学习推荐


吴恩达新书《Machine Learning Yearning》，附中文版PDF下载！图文并茂可能更适合你


   简介
免费电子书《Machine Learning Yearning》是吴恩达历时两年总结整理的一本机器学习实践经验宝典，它以较高的层次为我们介绍了许多在机器学习时代AI工程师应该掌握的技术策略。该书并不聚焦于具体的AI算法，而是为我们介绍了许多具有泛化性的如何让AI算法有效工作的技术。



这本书的重点并不是教你具体的机器学习算法，而是如何让机器学习算法有效工作。


   主要内容
部分内容如下：

  • 机器学习为什么需要策略?

  • 如何使用此书来帮助你的团队

  • 先修知识与符号说明

  • 规模驱动机器学习发展

  • 开发集和测试集的定义

  • 将大型开发集拆分为两个子集，专注其一

  • Eyeball 和 Blackbox 开发集该设置多大？

  • 小结：基础误差分析

  • 偏差和方差：误差的两大来源

  • 偏差和方差举例

  • 与最优错误率比较

  • 处理偏差和方差

  • 偏差和方差间的权衡

  • 减少可避免偏差的技术

  • 训练集误差分析

  • 减少方差的技术

  • 诊断偏差与方差：学习曲线

  • 绘制训练误差曲线

  • 流水线组件的选择：数据可用性

  • 流水线组件的选择：任务简单性

  • 建立超级英雄团队 - 让你的队友阅读这本书吧！

关注下面二维码

回复「MLY」即可获取

be2cff1910954df8d11f724b5c67052a.png

END

开发者技术前线 ，汇集技术前线快讯和关注行业趋势，大厂干货，是开发者经历和成长的优秀指南。

历史推荐

又一个国产自主知识产权操作系统发布！

2020年必学的 10 大算法

2020 年最具潜力 44 个顶级开源项目，涵盖 11 类 AI 学习框架、平台（值得收藏）

5款牛逼的 API 工具，经典收藏

d500f7bc7c1c7dec6587c2236a4920cb.png

62e0ac56b7a88da3e2eb206ab8c77f66.gif

5c424a4e2490c29a4b7c4cee8d5bc1e7.png

点个在看吧

ee32c028eb87281b511aa7d35e784039.gif

DevolperFront
关注
24 计算机考研推荐哪些院校
weixin_67028575的博客
02-06 1467
计算机考研的学校，怎么选到性价比最高的？ 放在21年，谁能想到 22年科软划线335、软微350，爆冷捡漏，同时上交364 、浙大360、南大356，直接炸掉？ 我不会算命，我只说我看到的趋势： 1 计算机考研只会越来越卷。 2 去年爆冷的学校，今年一定不会爆冷，因为大多数人在第一层。 3 押宝哪一个学校会炸，哪个学校爆冷，无异于一场豪赌，而庄家不是我们。 4 性价比最高的选择
IT人应该学的厚黑学
热门推荐
Android小家
07-16 2万+
教你怎样混社会  　　很多人混到现在一事无成，或自认为一事无成。还有很多人混到现在感觉很失败，或不成功。还有很多人混到现在就觉得过得没意思，过得很机械，过得已经不会思考和心动。我们羡慕着社会上每一个成功人士，羡慕着身边的有钱人，羡慕着身边每一辆呼啸而过的名车。我们时常有这样的念头：他妈的，我怎么混得这么差？  　　是啊，我怎么会混得这么差？当年班里（周围）不如我的那个家伙怎么现在这么发达？
Machine_Learning_Yearning_V0.5_01.pdf
12-10
Andrew Ng的新书《Machine Learning Yearning》01部分
Machine Learning Yearning完整版
09-30
吴恩达的书，很全。合并而成，希望对大家有帮助。。。
吴恩达-Machine Learning Yearning-（1-52）完结中英文版本
10-28
吴恩达-Machine Learning Yearning（1-52章）完结中英文版本
【资源】吴恩达新书《Machine Learning Yearning》，附中文版PDF下载
欢迎关注公众号：【码农突围】，公号后台回复9999，可以获取一份500页的LeetCode刷题笔记。
01-16 1850
点击上方“码农突围”，马上关注这里是码农充电第一站，回复“666”，获取一份专属大礼包真爱，请设置“星标”或点个“在看” 简介免费电子书《Machine Learning Yearn...
吴恩达老师机器学习教程中文笔记-在线版
湾区人工智能
08-13 721
笔记在线阅读，相关资源（视频、笔记、代码）：请点击“阅读原文”原课程地址：https://www.coursera.org/course/ml课程简介Machine Le...
2020届毕业生秋招 算法岗（偏NLP）总结
GreatXiang888的博客
09-24 7912
从8月份开始到现在，两个月了，有点累了，更多的是心累吧，特别是0offer的那段日子，算法岗今年真的是爆炸，秋招不想再面其他的了。 为什么算法岗会爆炸？ 简单来说，AI大火，工资高，所有理工科专业都可转AI，狼多肉少。 参考知乎：如何看待 2020 届校招算法工程师岗位求职人数远大于招聘岗位的现象？ 如何看待字节跳动招聘收到的算法工程师简历的数量远超需求？ 2020秋招难吗？ 我自己投了118家公...
林锐－大学十年
yrryyff的博客
02-22 1386
林锐－大学十年
题解 | #二叉搜索树的最近公共祖先#深度优先简单处理
最新发布
2301_79125431的博客
03-24 818
package main/** * 代码中的类名、方法名、参数名已经指定，请勿修改，直接返回方法规定。package main/** * 代码中的类名、方法名、参数名已经指定，请勿修改，直接返回方法规定。我目前在职阿里，主要做多模态和AIGC算法。最近总结了包括阿里，腾讯，字节，商汤，华为等十几家互联网。双9学历，0实习，八股背了不少了，但项目就一个短链接够用吗，有没有必要再做个造轮子项目，有没有推荐，鼠鼠 国内周五 3/22号早上10点面完的，本来约的是1个小时，最后深挖简历，一堆场景题，加上计网八。
Machine_Learning_Yearning_V01
04-26
Table of Contents (draft) Why Machine Learning Strategy 4 ........................................................................................... How to use this book to help your team 6 ................................................................................ Prerequisites and Notation 7 .................................................................................................... Scale drives machine learning progress 8 ................................................................................ Your development and test sets 11 ............................................................................................ Your dev and test sets should come from the same distribution 13 ........................................ How large do the dev/test sets need to be? 15 .......................................................................... Establish a single-number evaluation metric for your team to optimize 16 ........................... Optimizing and satisficing metrics 18 ..................................................................................... Having a dev set and metric speeds up iterations 20 ............................................................... When to change dev/test sets and metrics 21 .......................................................................... Takeaways: Setting up development and test sets 23 .............................................................. Build your first system quickly, then iterate 25 ........................................................................ Error analysis: Look at dev set examples to evaluate ideas 26 ................................................ Evaluate multiple ideas in parallel during error analysis 28 ................................................... If you have a large dev set, split it into two subsets, only one of which you look at 30 ........... How big should the Eyeball and Blackbox dev sets be? 32 ...................................................... Takeaways: Basic error analysis 34 .......................................................................................... Bias and Variance: The two big sources of error 36 ................................................................. Examples of Bias and Variance 38 ............................................................................................ Comparing to the optimal error rate 39 ................................................................................... Addressing Bias and Variance 41 .............................................................................................. Bias vs. Variance tradeoff 42 ..................................................................................................... Techniques for reducing avoidable bias 43 .............................................................................. Techniques for reducing Variance 44 ....................................................................................... Error analysis on the training set 46 ........................................................................................ Diagnosing bias and variance: Learning curves 48 ................................................................. Plotting training error 50 .......................................................................................................... Interpreting learning curves: High bias 51 ............................................................................... Interpreting learning curves: Other cases 53 .......................................................................... Plotting learning curves 55 ....................................................................................................... Why we compare to human-level performance 58 .................................................................. How to define human-level performance 60 ........................................................................... Surpassing human-level performance 61 ................................................................................ Why train and test on different distributions 63 ...................................................................... Page!2 Machine Learning Yearning-Draft V0.5 Andrew NgWhether to use all your data 65 ................................................................................................ Whether to include inconsistent data 67 .................................................................................. Weighting data 68 .................................................................................................................... Generalizing from the training set to the dev set 69 ................................................................ Addressing Bias and Variance 71 ............................................................................................. Addressing data mismatch 72 ................................................................................................... Artificial data synthesis 73 ........................................................................................................ The Optimization Verification test 76 ...................................................................................... General form of Optimization Verification test 78 ................................................................... Reinforcement learning example 79 ......................................................................................... The rise of end-to-end learning 82 ........................................................................................... More end-to-end learning examples 84 .................................................................................. Pros and cons of end-to-end learning 86 ................................................................................ Learned sub-components 88 .................................................................................................... Directly learning rich outputs 89 .............................................................................................. Error Analysis by Parts 93 ....................................................................................................... Beyond supervised learning: What’s next? 94 ......................................................................... Building a superhero team - Get your teammates to read this 96 ........................................... Big picture 98 ............................................................................................................................ Credits 99
MachineLearning Yearning
09-06
Deep Learning.ai 公司的吴恩达博士进行撰写内容原创为吴恩达博士，学习小组成员只对文献内容进行翻译，对于翻译有误的部分，欢迎大家提出。欢迎大家一起努力学习、提高，共同进步！
吴恩达-Machine Learning Yearning.pdf
09-15
吴恩达-Machine Learning Yearning.pdf
吴恩达新书《Machine Learning Yearning》完整中文版 PDF 下载！
Datawhale
10-03 1154
↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale资源推荐人：GithubDaily，Datawhale伙伴《Mach...
Machine Learning Yearning28~30
sunyao_123的博客
05-17 728
1.通过画学习曲线来观察。学习曲线：横坐标是不同数量的训练样本，纵坐标是dev set的error。随着训练样本的增加，error降低。一般来说，我们有一个期望误差率，希望网络能够达到。比如：人类的误差率；直觉上任务应该达到的误差率；长期目标需要达到的误差率。 通过观察上述曲线，可以推断还需要多少训练样本才能达到期望误差率。但是如果误差曲线最后是平的： 那么，通过增加训练数据是不能够达...
AI实战圣经《Machine Learning Yearning》第1-52章中英文版pdf分享
lqfarmer的博客
09-09 7860
《Machine Learning Yearning》是机器学习泰斗Andrew NG花了近2年时间，根据自己多年实践经验整理出来的一本机器学习、深度学习实践经验宝典。本书的重点不在于教授传统的机器学习算法理论基础，而在于教你如何在实践中使机器学习算法的实战经验。如果你渴望成为AI的技术领导者，并想要学习如何为团队设定一个方向，本书将有所帮助。   本书官方网址：http://www.ml...
Machine Learning Yearning20~22
sunyao_123的博客
05-08 291
1.即使是所有的数据都是相同的分布，训练数据越多也不一定会得到想象的提高。那么我们啥时决定增加数据呢？机器学习里边误差主要来源两个方面：bias 和variance。明白这两个概念能够帮助我们，是否是通过增加数据还是和其它策略一起来提高网络的效果。 比如我们现在的算法，在训练集和测试集的error分别为15%，16%，我们想要达到5%的error。这时增加数据会使得更难达到我们需要的结果。这时，...
计算机408考研专业课配套PPT精编
根据给定的文件信息，我们可以了解到该压缩包子文件包含了计算机专业考研科目中，被广泛称为“计算机408”的四门课程的配套PPT资料。这四门课程是计算机专业的核心基础课程，通常包括“计算机组成原理”、“计算机...
评论
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
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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