学习心得

光阴似箭,转眼间来到南通青鸟已经3个多月,通过这段时间的学习,课程的前端已经快结束了,这段时间里坚持过、迷茫过、堕落过、努力过、总之学习很充实,很精彩,老师很幽默,同学很积极向上,团结乐于助人。这种氛围更加给了我学习的动力,也让我认识到我有时候的不认真,浮躁。

下午自习不能做到有效的合理的分配时间来达成学习目标,没有计划的学习事倍功半,先有计划才能有行动,不然就是莽夫的行为,同时也会浪费时间,精力等等。因此,下午先按照老师课堂所讲的内容做整理,遇到不会的,不理解的积极实践,查资料,问同学,问班长,再不会问老师,总之要将当天老师上课讲的弄懂,期间整理老师上课的课堂代码和word,然后积极的完成老师当天所布置的作业做到不拖拉到下一天,养成良好的学习习惯,多和其他同学交流,培养团队合作能力,为以后进入这个行业做准备,打下积极牢靠的基础,以便更好的在企业立足,为学校争光,以我为荣。晚自习要结合自己不懂的,好好地查资料看视频,敲代码。

在3个月的学习中,我对前端有了大概的了解,同时也发现了自己的薄弱点,关于js学的并不会是很好,很多都是看的懂但是写不出过来,估计用老师的话说就是敲的少吧,以后要多敲代码,增强自己的学习能力,逻辑能力,并且下课时间还有空余时间多看书,多预习,多复习,多问问袁凯华自己不懂的知识点。

MySQL部分自己要经常抽时间复习增删改查语句,人都是有遗忘性的,有时间多看看网上的公司数据库面试题目,对自己以后面试有很大的帮助,java讲了一点,总体来说跟js有一样的也有不一样的,创建对象要有构造器,方法通过对象调用等等。

学校刚刚将96班与94班合并,从合并开始我也就是96班的一员了,老师换成了陆老师,从教学风格讲,陆老师的节奏更快一点,更能培养我们的自主学习能力,崔老师讲的循序渐进,让我们更能理解我们所学的基础内容,但是有的灵活性问题就要靠我们自觉的从网上自己查找题目来做,这就关系到如果自己自觉可以学的更好,不自觉就不行了,而陆老师讲的快节奏的,更加注重我们的自主学习,总会让我们带着问题思考,让那个不自觉上网查资料的也得查。教学风格虽然不同,但是各有各的优点,陆老师的教学风格更适合我们这些学习后期的学生,因为我们需要一颗自主学习的心,不管是被逼的还是本来就这样。

学习不是靠外在压力,而是靠自己自觉,端正自己的学习态度,做到自己能做的最好,听学长说他们想学的已经来不及了,更是让我知道了现在学习时间的宝贵,珍惜现在的基础的机会,万丈高楼平地起,只有结实的基础才能承载以后的学习,与出去上班所做的项目。所以现在一定要端正自己的学习态度。

说了这么多总结起来就是,之前的学习虽然也算认真,但是远远不够,要做到心无杂念,不留疑问到第二天,最重要的是学习的态度,为了什么而来学习的,坚持自己的目标。

内容概要:本文详细介绍了一个基于Java和Vue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Java和Vue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 个个体作为父方和母方。 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。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
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