【学术相关】直博和读完硕士再读博,在能力上的差距有多大?

使用Python爬虫抓取旅游景点评价数据并进行热度可视化 景点热度通常由景点的评分、评论数以及游客的热情度来决定。高热度的景点通常意味着更高的游客评分和更多的游客评论。热度不仅反映了景点的受欢迎程度,还可以揭示某些景点的潜力和存在的问题。评分:游客对景点的综合评分,通常是0到5分。评论数:景点的评论数量,反映了游客对景点的关注程度。热度变化:在一定时间内,景点的评价和评论数量变化,能够反映景点的热度波动。通过使用Python爬虫技术抓取旅游景点的评价和评论数据,我们能够深入分析景点的热度,并通过数据可视化工具将这些信息展示给用户。 阅读详情

 Datawhale干货 

编辑:黄海广,内容:读博选择

关于读博士,有同学问:直博和读完硕士再读博,在能力上的差距有多大?

看看过来人怎么回答:

高赞回答一

作者:胖博士
链接:https://www.zhihu.com/question/425860957/answer/1549964990

能力上不会差多少,但是硕士读博士可以直接上手,直博需要花很长时间探索科研的方法。所以直博前两年有可能会比较痛苦。

读了硕士再读博士,已经做了两年到三年的科研。在科研上已经有所积累,对方法也有所了解。知道文章要怎么写,要怎么避坑。而且还有一点,如果研究生读的结果不好,或者觉得自己不是做研究的料,基本上都不会去读博。所以读了研再读博的人本身就经过了一道筛选。

直博中也有很多本科发了n多文章的大牛,但是更多的还是成绩很好,对科研懵懵懂懂的人。他们直博也许只是因为惯性,或者周围的环境,却并不清楚自己是否真的适合读博。所以不少直博的人在第一年或者第二年会很痛苦。如果实验室有师兄师姐带着可能还好一些,而如果老板是放羊吃草型的,真的会痛不欲生。

分享我们实验室的例子。

我们实验室的师兄师姐们都很牛,用paper machine来形容也不为过。后来我发现他们都读过硕士,而且硕士阶段就有不少文章。我们老板正好是放羊型的。放羊到了什么地步呢?自己选研究方向,自己投文章,自己写基金申请,他基本上就是个挂名。师兄师姐们来了之后,没有老板的束缚,正好天空任鸟飞,自由发挥。一个个生龙活虎,科研做的特别好。

从我上一届开始,实验室的形式发生了变化。比我高一届的师姐是北大毕业,直接申请过来读博士的,我也是本科毕业直接读博。和我一届的还有两个小伙伴,一个新加坡本地每门课都是A+的学生,一个IIT,印度理工的朋友。我们都是本科直接读博,我们也都集体翻车。

我彷徨了两年,第一个课题失败了,被迫自己随便选了一个新方向,在不能毕业的噩梦中惶惶不可终日。幸运的是,在第三年,结识了n年前从实验室毕业的科研狂人师兄。他给了我很多建议和指导,终于在第四年半提交了论文,等我发完paper,老板准许我毕业答辩,已经是第六个年头。我彻底厌烦了做研究,虽然拿到了中科院的教职,但还是决定来到化妆品行业。

师姐和我经历差不多,比我更惨,因为她没有遇到可以帮助她的人,全靠自己摸索。在经历了四年噩梦般的科研生涯之后,终于在第五年找到了一个合适的方向。发了两篇影响因子6以上的文章,老板允许她提交论文。

新加坡小伙伴比我们略好,因为他参加的是NUS和UIUC共同培养项目。在无头苍蝇般摸索了一年半之后,他去美国呆了半年,那边的师兄师姐给了他不少指导。最后他比我早一个月提交论文。

最惨的是印度人,第一年末直接被勒令退学了。

所以直博之前,一定要想清楚,自己是否适合读博士。另外,在大三大四最好是能跟着老师做一些科研项目。了解科研的坑,不要有不切实际的幻想。

另外打算直博的知友们,强烈建议找个负责任的年轻导师,他会教给你科研的方法,指导你做实验。千万不要找功成名就,放羊吃草型的老板,那样意味着你要自己摸索很长时间才能入门。博士一共才四五年时间,浪费一两年摸索就意味着肯定要延期!

高赞回答二

作者:欧阳朝云
链接:https://www.zhihu.com/question/425860957/answer/1564370201

别人读硕士毕竟有2-3年的训练,比你白纸一张肯定要更早进入状态。

本科生那叫学生,只需要按照教学大纲把现有知识学会即是合格。

硕士博士那叫研究生,必须具备一定的科研和创新能力。

这个身份转换,还是需要一定时间的,但是每个人进入新角色所花时间不同,过程不同,可长可短。

有些人大三大四进实验室锻炼,就已经悄然完成了转换。有些人确定了研究生实验室,利用大学毕业暑假两个月完成了过度。有些人用第一年,有些人用两三年,三四年,有些人一辈子都没做到。

能力上欠缺那是肯定的,不过大概更多是习惯和熟练度的问题。多花些时间,多跟导师和师兄师姐沟通,多努努力,应该会用比较短的时间完成的。

给个小建议,可以稍微缩短一些弯路:

对于大部分以前完全没有科研经历的新手,第一个上手的课题,最好是比较小的,实验室已经有成熟套路体系的,可以有人对你进行一定指导的课题,发一篇小文章,甚至是帮人擦屁股补实验补数据都可以。完成这个课题,学会做实验必备的技能,学会写草稿查文献,学会接受实验做不出来的崩溃。。。总之就是把完成一个课题的雷都趟一遍。因为是比较成熟的体系,横冲直撞犯错误,也会至少有兜底能有点成果。

别一上来就要从零开始找一个新课题,那会一下子就彻底懵掉的。放养类培养学生,适合培养高年级博士和博后,对于小白太危险了。就像是从悬崖上把一只小雏鹰扔下去,能在下落过程中顿悟飞翔能力的属于骨骼惊奇的少数,大多数都是直挺挺地摔地上,轻则伤筋断骨,重则彻底完蛋。

硕士读完上手比较容易,只要硕士没水过去,科研方法是一样的,只不过博士阶段更深入而已。

高赞回答四

作者:喵喵不理你
链接:https://www.zhihu.com/question/425860957/answer/1569282228

直博生如果本科没有参加科研活动,那确实是白纸一张,需要1-3年首先建立科研思维和方法。时间上就相当于读了个硕士。

很多学校直博生的期限很长,就是考虑到这一点,把需要的时间已经加进去了。

觉得还不错就给我一个小小的鼓励吧!
YOLOv8融合HAttention:激活更多像素的注意力机制科研实践指南 HAttention通过层级化像素激活与融合的设计,为YOLOv8的像素级特征利用能力带来了质的飞跃。从原理理解到代码实现,再到集成调优,每一步都是科研中“解决像素信息遗漏难题”的具体实践。如果你在实验中发现某类细节或大尺度目标的检测仍有不足,可以尝试结合数据增强(如随机裁剪、多尺度训练)来强化模型对像素特征的学习能力。科研的价值在于不断挖掘技术的潜力,希望这份指南能真正帮你在目标检测的像素级特征利用领域找到新的突破点,祝你在科研探索中持续收获创新与成长。 阅读详情

相关推荐

Robocup 仿真2D 学习笔记(二) 球队代码编译和上场

环境的一些问题 最近在使用rcssserver 和 rcssmonitor时可能会遇到./configure失败的问题,可以检查一下文件夹是否有makefile文件,如果是编译后的包直接sudo make install,如果还不行,还可以源码下载编译 rcssserver: https://sourceforge.net/projects/sserver/files/rcssserver/...

markchalse的博客 6016

计算机直博毕业要求两篇顶会一作难度如何?

已经八月了,大家的论文还顺利吗?最近经常收到读者的留言 : 抱怨科研真是太难了,竞争压力大,想发SCI/CCF,拼命想选题,读文献,写论文,仍旧无法把论文写得又快又好,更别说顶刊顶会了!其实即使是科研大神,也常常会有这样的烦恼:前沿顶会、期刊论文、综述文献浩如烟海,不知道学习路径,无从下手?没时间读、不敢读、不愿读、读得少、读不懂、读不下去、读不透彻一篇完整的论文?CVPR、ICCV、ECCV、I...

Paper weekly 734

AI 代码生成工具的质量评估体系

基础需求层包括响应速度(Response Time)和界面友好性(UI Friendliness),期望需求层涵盖智能提示(Smart Suggestions)和个性化配置(Personalization),兴奋需求层则涉及多模态交互(Multimodal Interaction)和代码进化(Code Evolution)。在金融领域,代码审计合规性(Compliance Audit)权重应提升至40%,而在Web开发中,API兼容性(API Compatibility)的权重需达到35%。

2503_92418637的博客 3376

30岁零基础学计算机考博,读完博士都30岁了,还有出路吗?说这话的人,真不知道博士多稀缺...

随着我们普及教育的发展,人们的学历逐渐提高,接受文化的水平也越来越高,也就是有这样的说法,说现在本科的学历的人遍地都是,以至于导致大学生贬值,让大学生在这个社会上已经不是像原先那么吃香了。而为了增加就业的能力和竞争力,很多人会选择这个时候不进入就业市场,而是选择继续进修考研提升自己,在自己在就业市场上获得更大的机会。有些人考研是为了自身的质量的提高选择了科研。但是有一些人是为了自身的就业,让他们提...

weixin_39699313的博客 1128

NSGA(非支配排序遗传算法)

在多目标优化问题中,往往存在多个相互冲突的目标需要同时优化。传统的单目标优化算法无法直接应用于这类问题,因此需要专门的多目标优化算法。非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm,NSGA)是一种经典的多目标优化算法,由印度科学家 Kalyanmoy Deb 等人于 1995 年提出。NSGA 通过非支配排序和拥挤度距离来引导种群向 Pareto 最优前沿进化,从而得到一组具有良好分布性和收敛性的 Pareto 最优解。

2979

Sony DPT RP1/CP1破解攻略

前言 自己有一台Sony DPT CP1和一台kindle,两个都已经用了很多年。直到最近发现微信读书上经常可以找到一些免费而且不错的书,所以就萌生了在两台机器上使用微信读书的想法。kindle比较容易实现,直接打开内置浏览器,进入微信读书网页版就行了,而Sony的电纸书则只能通过破解+安装微信读书的方式实现。大概弄了两三个小时吧,也遇到了一些问题,所以这里记录一下整个过程,希望能方便后来的使用者。 首先感谢HappyZ, osc_t5nbj8ds。前者是提供公开破解的方法的大神,后者则是解决了我遇到的问题

weixin_43467572的博客 1万+

【学术】施一公分享自身经验:如何提高自己的专业英文文献阅读能力

点击上方,选择星标或置顶,每天给你送干货!阅读大概需要10分钟跟随小博主,每天进步一丢丢作者 | 施一公来源 | 施一公科学网博客来自|程序员大白 公众号从小到大,我感性思维多一些,...

zenRRan的博客 404

最优化理论与自动驾驶(三):LQR原理、公式及代码演示

LQR 是基于线性系统和二次型代价函数的最优控制方法,在实际工程应用中,我们一般采用离散时间系统的LQR设计,其目标是通过设计反馈控制律,使系统在离散时间步长内稳定运行,最小化某个二次型代价函数。给定一个离散时间系统,其状态和控制输入通过以下方程表示:是时刻k的系统状态,是时刻k的控制输入,是状态转移矩阵,是输入矩阵。系统描述的物理意义:系统状态通过矩阵A演变到下一时刻,同时控制输入通过矩阵B影响系统的状态。

a8598671的博客 4597

学生如何提高专业英文阅读能力

【 序:此文针对本科生和一、二年级的博士、硕士生,对高年级的博士生和博士后也应该有参考价值。该文的一些背景可以参考我此前关于提高英文写作能力的博文:http://www.sciencenet.cn/m/user_content.aspx?id=349932】   从小到大,我感性思维多一些,不善于读书。85至89年在清华生物系读本科期间,从未读过任何一种英文专业期刊。我受到的与英文阅读相关的训

你的天堂,我的地狱 601

ArcGIS天地图矢量化秘籍:用重分类+ArcScan高效提取建筑轮廓线

本文详细介绍了利用ArcGIS重分类和ArcScan技术高效提取天地图建筑轮廓线的半自动化流程。通过动态中断值计算、多级重分类策略和ArcScan高级矢量化技巧,显著提升城市规划中的矢量化效率与精度,适用于中级GIS用户。

weixin_30879169的博客 475

OSG三维渲染引擎编程学习之一百:“第十一章:OSG粒子” 之 “11.1 粒子的主要模块”

OSG;三维渲染引擎编程学习;第十一章:OSG粒子;11.1 粒子的主要模块

LuckyHanMo的博客 803

学生如何提高专业英文阅读能力(作者:施一公,美国两院院士,清华大学生命科学学院院长)

【 序:此文针对本科生和一、二年级的博士、硕士生,对高年级的博士生和博士后也应该有参考价值。该文的一些背景可以参考我此前关于提高英文写作能力的博文:http://www.sciencenet.cn/m/user_content.aspx?id=349932】   从小到大,我感性思维多一些,不善于读书。85至89年在清华生物系读本科期间,从未读过任何一种英文专业期刊。我受到的与英文阅读相关的训

大成若缺,其用不弊。 大盈若冲,其用不穷 1166

js逆向实战:爬取淘宝男装商品

本文介绍了一个淘宝商品数据爬取程序的技术实现方案。该程序通过分析淘宝H5页面接口,实现了商品名称、价格、销量等关键信息的抓取,并支持图片下载功能。核心内容包括:1. 使用Request库发送HTTP请求获取数据;2. 通过逆向分析淘宝的签名算法(MD5加密)生成合法请求;3. 解析JSON数据并提取商品信息;4. 处理分页参数实现多页数据爬取;5. 将数据保存为CSV文件并下载商品图片。程序还实现了反爬虫绕过、错误处理、文件管理等辅助功能,完整展示了从数据采集到存储的全过程。

那些看似不起波澜的日复一日,会在某天让你看到坚持的意义 1574

2011金融考博经验谈(上交安泰金融篇)【zz】

From http://bbs.pinggu.org/forum.php?mod=viewthread&tid=1082324&highlight=%B0%B2%CC%A9    本人今年参加了上交安泰金融以及上财金融学院的博士生入学考试,从初试到复试,个中滋味颇有感触,希望能与各位博友共享,同时也希望能够给备战2012的博友们一些启示。 一、是否应该读博      其实这个问题本

mosquitolxw的专栏 5255

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

C9 官宣:年薪 20 万读博

转自 | 小木虫6月8日,哈尔滨工业大学官微发文确认,哈工大可以年薪20万读博士。近日,《哈工大“未来英才”计划实施办法(试行)》一经出台便受到广泛关注。在哈工大读博士,不仅可以拥有20万的年薪、“量身定制”的培养方案和一流的平台资源,还有院士和国家级高层次人才担任导师、世界一流学者作为合作伙伴,而且在读期间即可“入职入编”!年薪20万读博毕业可留校受聘哈工大人事处相关负责人介绍说,“这是哈工大为...

深度学习技术前沿 452

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

施一公 学生如何提高专业英文阅读能力

从小到大,我感性思维多一些,不善于读书。85至89年在清华生物系读本科期间,从未读过任何一种英文专业期刊。我受到的与英文阅读相关的训练一共只有两个。一是我在1986年暑假期间选修的时任系主任的蒲慕明老师开设的《生物英语》系列讲座,隐隐约约记得蒲先生让我们阅读一些诸如DNA双螺旋发现之类的科普性英文文章,很有意思。但时间较短,暑假过后也没有养成读英文文章的习惯。二是《生物化学》这门课。与现在的清华生...

日拱一卒 1592

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

如何提高英文的科研写作能力

博士马上接近尾声,但是科技论文表达能力仍然很差(无论中文还是英文),内心非常想在写作方面得到提高,因此转载两篇施一公教授的经典文章。这两篇文章虽然简短,但对博士生具有很大的指导意义。博主已经读了至少三遍,希望自己找不到努力方向的时候,时常温习一下文章中的精髓。【 序:此文针对本科生和一、二年级的博士、硕士生,对高年级的博士生和博士后也应该有参考价值。该文的一些背景可以参考我此前关于提高英文写作能力

PHD_LHB的博客 2735

施一公:如何提高专业英文文献阅读能力?

文章 | 施一公 来源 | 科学网博客 从小到大,我感性思维多一些,不善于读书。85至89年在清华生物系读本科期间,从未读过任何一种英文专业期刊。我受到的与英文阅读相关的训练一共只有两个。 一是我在1986年暑假期间选修的时任系主任的蒲慕明老师开设的《生物英语》系列讲座,隐隐约约记得蒲先生让我们阅读一些诸如DNA双螺旋发现之类的科普性英文文章,很有意思。但时间较短,暑假过后也没有养成读英文文章的习惯。 二是《生物化学》这门课。与现在的清华生命学院形成鲜明对比,我上大学期间的所有基础课..

m0_51512255的博客 783

学生如何提高专业英文阅读能力(施一公)

学生如何提高专业英文阅读能力【 序:此文针对本科生和一、二年级的博士、硕士生,对高年级的博士生和博士后也应该有参考价值。该文的一些背景可以参考我此前关于提高英文写作能力的博文:http://www.sciencenet.cn/m/user_content.aspx?id=349932】从小到大,我感性思维多一些,不善于读书。85至89年在清华生物系读本科期间,从未读过任何一种英文专业期刊。我受到的与英文阅读相关的训练一共只有两个。一是我在1986年暑假期间选修的时任系主任的蒲慕明老师开设的《生物英语》系列讲

悟道西方 1617

学生如何提高专业英文阅读能力丨传道授业

有时,我还把读到的科研新闻讲给我的同事朋友们听,而同事的提问和互动对我又是更好的鼓励。有一次,Fromm教授要求我在组会上讲解一篇“Journal of Biological Chemistry”的文章,我提前两天开始阅读,第一遍花了足足六个小时,许多生词只能依靠英汉词典,文章中的有些关键内容还没有完全读懂,当时的感觉是JBC的文章怎么这么长、这么难懂?我很留心,也很用心。这些论文,不仅要完全读懂,理解每一个实验的细节、分析、结论,还必须联想到这些实验和结论对自己的课题的影响和启发,提出自己的观点。

计算机科研杂货铺 473
上一篇: 犹豫是否读个博士?这里综合前途、家庭、爱好帮你分析下~
下一篇: 尴尬又暖心!学生知乎上提问导师人品如何,没想到导师亲自回答了...
Wang_AI
博客等级 码龄12年 997粉丝 162原创
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
 
 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