实习总结及收获

今天是实习的最后一天,马上要回学校做毕业设计了,回想起这一个多月,我踩了好多坑,也收获了很多学校学不到的知识。
我是10月22号来的,上午办理了入职,下午就正式投入到工作中。刚来的时候,我们组就接了一个项目,然后组长就把项目介绍的文档和参考代码发给我,让我讲一下需求,出一个可行的方案 ,我当时一脸懵逼,但是想到刚来公司一定要把第一件事干好。我就下来不断查阅资料,大概搞懂了需求,第二天就给组内成员分享了一下我的想法,但是组长一问细节我就不会了,场面极度尴尬,组长说我看东西不看本质,只看表面,我说文档里好多东西都用的新知识,以前都没见过,比如python之前没有接触过,组长说:给你两个小时就学会了。。。。。。
后来的几天一直在搞需求的细节,搞完之后,组长让我用C写一个demo,我写了两天写完了,但是调试了好几天都没有调出来,然后组长实在看不下去了,他自己花了俩个小时写了一个demo出来。我才明白了我和他们的差距有多大,距离正式员工我还有很长的路要走。。。。。。
接着,我们组让我看公司的源码,我看了好几天都没有头绪,因为以前可能写的代码最多也就几百行,现在公司的源码一个模块可能就要几千行,自己用以前那种从头往后看的办法已经不适用了,然后组里的大佬们给我讲了一些办法,比如,第一次看要抓主干,细节可以忽略,看到自己感兴趣的地方可以深入的看。通过这次源码的阅读,我明白了好多东西:做事情要一步一个脚印,不要盲目,不要急躁,要善于积累,多做总结。
大概是第四周吧,我自己接到了一个任务,在公司缓存系统中就一个模块,刚开始时,我无从下手,不知道从哪里干起,然后组里大佬就说他刚来的时候也是这样,他说刚开始不需要知道它为什么这么干,先跟着做,做出来再说,然后他就告诉我步骤,我大概花了一周就做出来了,然后根据客户的需求又改了几个版本,最后提测。通过写这个模块,我增加了很多自信,感觉自己有点用了,也明白了一些东西:在公司不会像学校一些让你啥事都从头学起,公司讲究效率,你要通过做东西去学习,在这个过程中你会学到好多东西,也会发现一些以前没有遇到的问题,做一个被公司需要的人。
最后的一周,我又接到了一个任务,在公司的代码模块中添加功能,自己做了好几天没有做出来,但是自己马上就要走了,可能没有时间做了,这个时候,你不能扔下这个任务,我必须提前和组员沟通,让别人接手你的工作。
在公司的这一个多月,我发现做人比做事更重要!如何向别人请教?如何和别人沟通问题?如何和别的部门的人打交道?这些都是很重要的!
今天是我实习的最后一天,在这里我很感谢我们组的人不厌其烦的教我东西!感谢组长给我提的那些中肯的建议!感谢你们!

### 鸢尾花数据集机器学习实训总结及收获 鸢尾花数据集(Iris Dataset)作为经典的小规模分类问题数据集,非常适合初学者进行机器学习的基础训练。以下是对基于鸢尾花数据集开展的机器学习实训过程中的总结收获。 #### 数据预处理阶段 在实际操作过程中,发现数据预处理的重要性不可忽视。尽管鸢尾花数据集本身已经较为干净,但在将其转化为适合模型输入的形式时仍需注意细节。例如,将目标变量编码为数值形式便于后续建模[^1]。 ```python from sklearn.preprocessing import LabelEncoder le = LabelEncoder() df['encoded_target'] = le.fit_transform(df['species']) ``` 此代码片段展示了一种常见的类别标签数字化方式——Label Encoding[^1]。 #### 特征工程环节 虽然鸢尾花数据集中仅有四个连续型特征,但仍然可以通过标准化或归一化来改善某些算法的表现。对于距离度量敏感的方法如 KNN 而言尤为重要。 ```python from sklearn.preprocessing import StandardScaler scaler = StandardScaler() scaled_features = scaler.fit_transform(df[['sepal_length', 'sepal_width', 'petal_length', 'petal_width']]) ``` 上述代码实现了对原始特征值的标准差缩放处理,使得各维度处于相同尺度范围内[^1]。 #### 模型对比分析 实训期间尝试了多种不同的分类算法,包括但不限于逻辑回归、支持向量机、随机森林等,并比较它们各自的优劣之处。以随机森林为例: ```python from sklearn.ensemble import RandomForestClassifier rfc = RandomForestClassifier(n_estimators=100, random_state=42) rfc.fit(X_train, y_train) predictions = rfc.predict(X_test) ``` 通过引入集成学习的思想,随机森林能够在保持较高预测准确性的前提下提供更稳定的泛化能力[^1]。 #### 性能评估体系 除了简单的准确率之外,还应关注其他多项指标全面反映模型效能。ROC 曲线下的面积 AUC 值便是其中之一。 ```python from sklearn.metrics import roc_auc_score auc_value = roc_auc_score(y_test_onehot, probabilities, multi_class='ovr') print(f'AUC Value: {auc_value}') ``` 此处演示了针对多分类场景计算总体 AUC 的方法[^1]。 --- ### 训练收获 1. **理论联系实际**:从书本知识出发,亲手搭建起完整的机器学习流水线,加深了对各个环节的理解程度; 2. **工具熟练掌握**:深入接触 Python 中多个主流库的功能特性,提高了编程技能水平; 3. **批判性思考**:面对同一份数据,不同算法可能得出截然相反的结果,促使自己学会权衡取舍最佳方案; 4. **团队协作意识**:如果是在小组环境下完成,则锻炼到了分工合作的能力,认识到沟通交流在整个项目周期内的价值所在; 综上所述,借助鸢尾花数据集展开的一系列实践活动不仅巩固夯实了基础知识架构,而且培养塑造了综合解决问题的职业素养[^1]。
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
 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