英语课演讲感受

    不同于本科生的学习,研究生阶段的学习更加注重独立学习的能力。这种能力包括各种方面,在本科阶段我们可以经常发现周围有一些同学特别擅长于一方面,比如说有的同学搞技术比较牛,可能在与人沟通、组织能力等方面稍微逊色一点。到了研究生以后,我们经常会独立负责一些事物或者项目,这些事情不仅仅包括在实验室搞科研,而且还要考虑的项目的各方面因素,比如说采购,与用户沟通等,虽然这些事情显得比较繁琐,但是它确实在一定程度算是对人的一种锻炼。所以说大家的综合能力不会有太大的差别,尤其是对于工科生来说,本身就不会涉及太尔虞我诈的社交领域,跟搞技术的人交流还是比较轻松的。

    我们有了同样的平台,怎么发展就是自己的事情了。作为一名工科生,我感觉自己在组织语言的能力与表达上有着一定的欠缺。尤其是在与导师沟通项目、演讲时,这种不足表现的更加明显。比如在英语课上演讲,老师让我们代替她上课。我准备时只是把课文中的几个不认识的单词查了一下,想上课的时候翻译一下课文就行了。其实,我忽略了大家的英语水平都差不多,根本不用再由一个非专业的人来翻译。这次讲课失败的原因就在于我没有一个明确的思路。比如讲一件事情要从它的前因后果、发展阶段、某个因素在某个阶段起到了什么样的作用这些个方面来讲。在做项目时也是一样的,要对背景,应用领域,可能会遇到的问题有充分的了解。在做任何事情的时候都要有一定的思路,一步一步地操作。

    明确思路,不盲目,算是给自己总结的一个小小的经验吧!

   

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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