精华内容
下载资源
问答
  • 表2:静态课程学习的实验结果 而动态课程学习的实验结果表明,只通过预测损失加基于BLEU动态衡量模型能力的方法并没有提升模型能力(表3 Loss+DMC),这和我们前面的猜测是一致的。在使用预测损失速度衡量样本难度...

    点击蓝字

    关注我们

    AI TIME欢迎每一位AI爱好者的加入!

    近些年来,神经机器翻译得到了迅速发展,在特定翻译场景下甚至可以媲美人类翻译的水平。但是,在难以收集双语数据的语言方向和专业领域的情况下,神经机器翻译模型面临着低资源问题,模型难以达到良好的性能。目前解决低资源问题的常用方法如预训练、迁移学习和数据增强,都比较依赖辅助数据。而在面临低资源问题时,辅助数据依然是较难获取的。人类在学习时所需的数据远少于神经机器翻译模型,那么神经机器翻译是否可以像人类一样学习?课程学习就是模仿人类的学习策略,有组织地利用有限的训练数据,从而达到更高的模型性能。

    许晨:东北大学自然语言处理实验室博士二年级学生,导师是朱靖波教授和肖桐教授。研究方向主要包括低资源机器翻译、语音翻译。

    一、背景介绍

    1.1 机器翻译

    机器翻译是利用计算机将句子从一种语言自动翻译为另外一种语言的技术。随着深度学习技术的发展,机器翻译模型也在不断改进。从一开始的基于循环神经网络的模型发展到基于卷积神经网络的模型,再到目前比较火热的基于自注意力机制的机器翻译模型,机器翻译模型的能力已经有了非常大的提升。

    图1:机器翻译的发展

    在特定的语言方向和数据集上,机器翻译甚至可以达到人类翻译水平,在诸多场景下都发挥了巨大的作用。

    图2:机器翻译的应用场景

    1.2 低资源问题

    但目前神经机器翻译模型的性能与双语数据的数据量十分相关,这导致在无法获取充分数据量的情况下,神经机器翻译模型无法达到理想水平。

    图3:数据量与模型性能的关系

    除了一些常用的语言,如汉语、英语和西班牙语等,世界上大多数语言的使用人数都是非常少的。这些语言对应的翻译数据也就难以获取,导致了严重的低资源问题

    图4:各个语言的使用人数

    低资源问题不仅仅会出现在小语种翻译上,在一些非小语种的专业领域翻译中也会出现。比如在中英翻译中,医学、化学等领域的双语数据也是相对难以获取的。

    图5:富资源领域与低资源领域

    1.3 目前的低资源翻译方法

    目前解决低资源问题的常用方法包括预训练、迁移学习和数据增强等。其中,预训练和迁移学习的核心思想是通过辅助数据来预先训练模型的一部分参数,再使用这些参数初始化目标翻译模型(图6左边所示)。数据增强则是通过辅助数据生成一些伪双语数据来增加训练数据的规模(图6右边所示)。

    图6:目前解决低资源问题的方法

    然而,上述方法过度地依赖辅助数据。预训练通常需要大量的单语数据,迁移学习需要和目标语言对比较相似的训练数据,数据增强也同样需要大量的单语数据。对于低资源语言来说,这些辅助数据通常也是难以获取的。那么,我们是否可以在不使用辅助数据的前提下,通过更高效地利用有限的双语数据,来获得更好的神经机器翻译模型呢?

    二、动态课程学习方法

    人类在学习过程中,仅利用少量的数据就可以学习到很好的水平。受到人类学习策略的启发,我们使用课程学习方法来解决低资源问题。

    2.1 课程学习

    课程学习受人类的学习策略启发,是一种从易到难的学习方式。比如,人类在学习翻译的过程中,一般会从简单的单词翻译开始学习,然后再学习一些短语翻译和简单句子翻译,最后学习一些困难的长句翻译。通过这种循序渐进的方式,我们可以学习地更快更好。

    图7:循序渐进的学习方式

    2.2 神经机器翻译中的课程学习

    课程学习将神经机器翻译模型的训练过程分成多个阶段,每个阶段都使用不同难度的训练数据来训练模型。

    图8:神经机器翻译中的课程学习

    在每个阶段,模型的训练目标是通过当前的训练数据优化神经机器翻译模型的负对数似然。

    图9:神经机器翻译的训练目标

    那么课程学习如何选择每个阶段的训练数据呢?一般是基于两个准则,分别是样本难度和模型能力。我们定量地衡量每个样本的难度值,然后基于当前模型的能力,来选择一定比例的简单样本进行训练。

    在之前的工作中,样本难度可以通过句子长度或单词词频来衡量。一个句子越长或者包含的单词词频越低,那么这个句子的样本难度就越高。对于模型能力,则是假设它的提升过程符合简单的线性函数或平方根函数。

    图10:每阶段训练样本的选择与模型能力的关系

    基于以上方法,可以看出,样本难度在训练过程中不会发生变化,所以只需要在训练开始之前计算一次。这种方法被称为静态课程学习,好处在于比较方便,计算代价较小,但是存在两个主要问题:

    1. 简单的准则无法准确衡量样本对于模型的难度。使用词频或句长来衡量难度的方式,对于人类来说比较直观,但对于模型来说却不一定适用。

    2. 模型训练过程是一个动态过程,样本难度和模型能力都随着训练阶段变化而变化。

    2.3 动态课程学习

    为了解决以上两个问题,我们提出了动态课程学习,模型在每个阶段都要根据当前状态重新衡量样本难度。

    图11:动态衡量模型难度

    我们希望样本难度的计算方法满足以下两个条件:

    1. 和模型训练相关。

    2. 在训练过程中动态计算。

    之前提到,每个阶段的训练目标是优化模型在训练数据上的负对数似然。那么是否可以直接使用负对数似然(预测损失)来衡量样本难度?

    虽然这种衡量方法是模型相关的,但是存在着一个问题,即预测损失只考虑到模型当前阶段的绝对值。如果存在某个样本在初始阶段时的预测损失就比较大,那么这个样本可能一直得不到训练。而对于预测损失比较小的样本,则没有进一步的下降空间。如果一直重复训练预测损失较小的样本,容易造成模型过拟合。

    图12:预测损失

    为了避免以上问题,我们认为样本的选择需要同时考虑历史训练过程和模型当前的状态,以此选择能够使模型在未来表现得更好的数据。为了满足上面提出的需要,我们使用损失下降速度作为衡量样本难度的标准。

    如果一个样本经过一轮的训练,预测损失得到了明显下降,那么模型有可能在下一轮将它学习更好。而下降较慢的样本,表明模型当前没有充分的能力对其进行学习或者已经学习地很好,不需要再重复进行训练。

    图13:损失下降速度

    对于模型能力,我们同样在训练过程中动态地进行计算。这里我们使用机器翻译中常用的评价指标BLEU值来动态地计算模型能力。

    图14:动态模型能力计算

    三、实验结果

    实验使用Transformer模型,并将模型能力计算公式中的c0设为0.2,β设为0.9。以下为实验使用的数据集。

    表1:数据集

    首先,我们实验了静态课程学习的方法。从表2中可以看出,无论是使用句长还是词频来衡量样本难度,都无法提升模型水平。这可能是由于这些计算方法无法准确测量样本难度和模型能力导致的。

    表2:静态课程学习的实验结果

    而动态课程学习的实验结果表明,只通过预测损失加基于BLEU动态衡量模型能力的方法并没有提升模型能力(表3 Loss+DMC),这和我们前面的猜测是一致的。在使用预测损失速度衡量样本难度时,模型性能得到了明显提升(表3 Decline+DMC)。

    此外,我们考虑到,训练过程中模型是基于batch的方法进行训练的,这意味着样本更新是基于batch中所有样本的梯度。那么,如果batch中的样本难度相似,是否会使得梯度更稳定进而使模型更容易学习?实验结果如表3最后一行,模型性能得到了显著提升,尤其在数据量较少的集合上。

    表3:所有实验结果对比

    从图15可以看出,在不同大小的数据集上,动态课程学习的收敛速度明显更快。在富资源场景下,动态课程学习方法可以加快模型收敛速度,但是随着训练次数增加,它们之间的性能差距也在逐渐减小。如何在更大规模的数据集上表现更好,也是我们未来工作的一个方向。

    图15:训练次数与BLEU曲线

    除此之外,动态课程学习虽然减少了困难样本上的训练次数(图16左),但是其翻译质量也得到了显著提升(图16右)。这表明,训练次数并不是决定模型学习质量的关键因素,而是在于如何进行高效地学习。

    图16:不同长度句子的训练次数与翻译质量

      e           m     t

    往期精彩

     AI                i

    整理:蒋予捷

    审稿:许   晨

    排版:岳白雪

    AI TIME欢迎AI领域学者投稿,期待大家剖析学科历史发展和前沿技术。针对热门话题,我们将邀请专家一起论道。同时,我们也长期招募优质的撰稿人,顶级的平台需要顶级的你!

    请将简历等信息发至yun.he@aminer.cn!

    微信联系:AITIME_HY

    AI TIME是清华大学计算机系一群关注人工智能发展,并有思想情怀的青年学者们创办的圈子,旨在发扬科学思辨精神,邀请各界人士对人工智能理论、算法、场景、应用的本质问题进行探索,加强思想碰撞,打造一个知识分享的聚集地。

    更多资讯请扫码关注

     

    (直播回放:https://b23.tv/cwjt8W)

    (点击“阅读原文”下载本次报告ppt)

    展开全文
  • 时间: TIME \@ "yyyy'年'M'月'd'日'" 2021年4月21日学海无涯页码:第 PAGE 1页共 NUMPAGES 1页大学课程学习心得体会5篇学习作为一种获取知识交流情感的方式,已经成为人们日常生活中不可缺少的一项重要内容,特别是...

    时间: TIME \@ "yyyy'年'M'月'd'日'" 2021年4月21日

    学海无涯

    页码:第 PAGE 1页共 NUMPAGES 1页

    大学课程学习心得体会5篇

    学习作为一种获取知识交流情感的方式,已经成为人们日常生活中不可缺少的一项重要内容,特别是在二十一世纪这个知识经济时代,自主学习已是人们不断满足自身需要、充实原有知识结构。以下是小编整理的大学课程学习心得体会,期望可以提供给大家进行参考和借鉴。

    大学课程学习心得体会范文一

    时光匆匆而过,一周转瞬即逝。在过去的这一周时间里面,原本以为会比较轻松的设计任务却让我觉得有点措手不及。虽然困难重重,但是在碰到的各种各样的问题中,我学会了耐心,学会了坚持,也学会了以前把握得不太坚固的数电和模电知识。收成颇丰。

    在这次电子课程设计中,我们小组的设计题目是汽车尾灯控制。在设计中我们使用了基本的芯片:双向移位寄74LS194,二输入与非门74LS00、四输入与非门74LS20、六反相器74LS04、3-8译码器,555定时器及电阻电容进行搭建。设计的时候并不是特殊顺利,芯片的挑选和电路的接法对于我这样从来没有实际操作过的学生还是有一定的难度的。经过我们大家集体的讨论过后,我们还是把最终的电路图拿出来了。这让我充分体会到团队的力量,团结才能让大家把事情干好。一个人的力量始终太微小,集思广益才能让我们进步得更快,让我们学到更多的知识。

    最让我头疼的是在实际操作的过程中,我们经常会因为一个小的失误,比如线接错了,有些地方的线没有接上等等问题而让实验板上的灯无法亮起来。这些都是让我始料不及的。由于不细心的地方太多,当时甚至有过要舍弃的念头。但是我坚持了下来,当最终看到成果的时候,我觉得这一切都是值得的。记得汪中求说过细节决定成败。以前感慨不深,没有注重太多的细节,总是抱着差不多就行了或者放纵自己的心态来面对生活学习中的许多问题。但是我现在明白了,这是不对的。对于科学我们就应该保持严谨的态度。课程设计中的许多细节都没有注重,老是求快,想早点完成设计和连接实验板的工作,但是这反而导致了很多次的失败。好在最终摆正了心态,细心检查之后,最终完成了连线。

    我从这次的设计中还感受到坚持的重要性。做事情不能轻言谈舍弃,虽然过程不顺利,与想象中相去甚远。但是只要我们能坚持,朝着自己既定的目标前进,就一定会走到终点。一点小小的挫折实际上是在为最后的美景做铺垫,当我们守得云开见月明的时候,就会发觉,沿途的曲折其实是在考查我们的目标是否坚定。坚持下来,我们会收成丰硕的果实。

    电子课程设计,不仅让我们的知识更加坚固,还让我意识到我们所学的知识可以与生活紧密的联系起来。这让我对自己有了更多的信心,因为我们在大学里面不是混日子,而是在学习真正对我们的生活有帮助的知识和能力。一个小小的课程设计,却让我有了大大的期望。我会更加珍爱现在这么好的学习环境,努力学习知识,让自己在猛烈的社会竞争中立足,也把自己所学的知识运用到生活实际中往返报社会。

    最后再次感谢老师和同学们对我的无私的帮助,期望老师们工作顺利、身体健康,同学们的学习生活更上一层楼。

    大学课程学习心得体会范文二

    通过此次课程设计,使我更加扎实的把握了有关高频电子线路方面的知识,在设计过程中虽然碰到了一些问题,但经过一次又一次的摸索,一遍又一遍的检查终于找出了原因所在,也暴露出了前期我在这方面的知识欠缺和体会不足。实践出真知,通过亲自动手制作,使我们把握的知识不再是纸上谈兵。

    过而能改,善莫大焉。在课程设计过程中,我们不断发觉错误,不断改正,不断领会,不断获龋最终的检测调试环节,本身就是在践行“过而能改,善莫大焉”的知行观。这次课程设计终于顺利完成了,在设计中碰到了很多问题,最后在老师的指导下,终于游逆而解。在今后社会的发展和学习实践过程中,一定要不懈努力,不能碰到问题就想到要退缩,一定要不厌其烦的发觉问题所在,然后一一进行解决,只有这样,才能成功的做成想做的事,才能在今后的道路上劈荆斩棘,而不是知难而退,那样永远不可能收成成功,收成欢乐,也永远不可能得到社会及他人对你的认可!

    使我对抽象的理论有了具体的熟悉。通过这次课程设计,我把握了常用元件的识别和测试;熟悉了常用仪器、外表;了解了电路的连线方法;以及如何提高电路的性能等等,把握了焊接的方法和技术,通过查询资料,也了解了收音机的构造及原理。

    我认为,在这学期的实验中,不仅培养了独立摸索、动手操作的能力,在各种其它能力上也都有了提高。更重要的是,在实验课上,我们学会了很多学习的方法。而这是日后最实用的,真的是受益匪浅。要面对社会的挑战,只有不断的学习、实践,再学习、再实践。这对于我们的将来也有很大的帮助。以后,不管有多苦,我想我们都能变苦为乐,找寻有趣的事情,发觉其中宝贵的事情。就像中国提倡的艰苦奋斗一样,我们

    展开全文
  • MA TLAB电气0901 肖时龙 2009240501211. first:incr:last 命令的应用,例如1:2:10意思就是在1和10 之间以1为开头间隔2取值,其结果为(1 3 5 7 9)。2. h (2,:)表示取第二行所有列,其他数据以此类推。...

    MA TLAB

    电气0901 肖时龙 200924050121

    1. first:incr:last 命令的应用,例如1:2:10意思就是在1和10 之间以1为开头间隔2取值,其结果为(1 3 5 7 9)。

    2. h (2,:)表示取第二行所有列,其他数据以此类推。 3.矩阵的点乘:a.*b 就是两个同等矩阵的同位置元素相乘。 4.需要作图时输入的命令为plot (x ,y ,“r-”)意思是关于x y 的图像,其中“r ”表示图像的颜色是红色,“-”是指图形的形状是由“-”组成。

    5. [3.4] 这个表达式创建了1×1数组(一个标量),包含数值3.4.这时括号可以省略.

    6. [1.0 2.0 3.0] 这个表达式创建了1×3数组,一维行向量[1 2 3]

    7.[1.0;2.0;3.0] 表达式创建了一个3×1

    数组,一维列向量????

    ?

    ?????321

    8.[1,2,3;4,5,6] 这个表达式创建了一个2×3数组,矩阵??

    ?

    ???65

    4

    321

    9. 表达式1:2:10是创建一个1×5行向量[1 3 5 7 9] 10. zeros(3,4) 创建一个3×4零矩阵 11. ones(4) 创建一个4×4元素全为1矩阵 ones(3,4) 创建一个3×4元素全为1矩阵 eye(4) 创建一个4×4的单位矩阵 eye(3,4) 创建一个3×4的单位矩阵

    12. 假设定义了一个数组arr1=[1 2 3 4],那么arr1(3)为3,arr1([1 4])

    展开全文
  • 本文转自知乎,已获作者授权转载,请勿二次转载。原文:https://zhuanlan.zhihu.com/p/362351969导读:课程学习 (Curriculum learning, ...

    本文转自知乎,已获作者授权转载,请勿二次转载。

    原文:https://zhuanlan.zhihu.com/p/362351969

    导读:课程学习 (Curriculum learning, CL) 是近几年逐渐热门的一个前沿方向。Bengio [1] 首先提出了课程学习(Curriculum learning,CL)的概念,它是一种训练策略,模仿人类的学习过程,主张让模型先从容易的样本开始学习,并逐渐进阶到复杂的样本和知识。CL策略在计算机视觉和自然语言处理等多种场景下,在提高各种模型的泛化能力和收敛率方面表现出了强大的能力。本文一共调研了147篇文献,从问题定义、有效性分析、方法总结、未来研究方向等几大方面进行了详细的概括和总结。

    • 论文链接:https://arxiv.org/abs/2010.13166

    • 作者单位:清华大学 计算机学院

          01      

    问题定义

    课程式学习

    课程式学习是在  个训练步骤上的训练标准序列  , 每个准则  是目标训练分布  的权重。该准则包括数据/任务、模型容量、学习目标等。

          02      

    有效性分析

    2.1模型优化角度

    CL可以看成是一种特殊的 continuation 方法。这种方法首先优化比较smooth的问题,然后逐渐优化到不够smooth的问题。如下图所示,continuation 方法提供了一个优化目标序列,从一个比较平滑的目标开始,很容易找到全局最小值,并在整个训练过程中跟踪局部最小值。另外,从更容易的目标中学习到的局部最小值具有更好的泛化能力,更有可能近似于全局最小值。


    continuation 方法

    2. 2数据分析角度

    训练分布和测试分布之间存在着由噪声/错误标注的训练数据引起的偏差。直观地讲,训练分布和目标(测试)分布有一个共同的大密度高置信度标注区域,这对应于CL中比较容易的样本。

    如下图所示,波峰附近的数据代表高置信度的数据即干净的数据,两边(尾部)代表的是低置信度的数据即噪声数据。左图看出,训练数据  比目标数据  噪声更多(其分布尾巴更翘);右图看出,CL通过加权,一开始分配给噪声数据较小的权重,后面慢慢才给这些数据增加权重。通过这种方式,CL就可以减少来自负样本的影响。

    另外,CL本质上是将目标分布下的预期风险上界最小化,这个上界表明,我们可以通过CL的核心思想来处理将  上的预期风险最小化的任务:根据课程设置逐步抽取相对容易的样本,并将这些样本的经验风险最小化。

    左图为数据分布图;右图为加权后的数据分布图

          03      

    方法总结

    课程学习的核心问题是得到一个ranking function,该函数能够对每条数据/每个任务给出其learning priority (学习优先程度)。这个则由难度测量器(Difficulty Measurer)实现。

    另外,我们什么时候把 Hard data 输入训练 以及 每次放多少呢?这个则由训练调度器 (Training Scheduler)决定。因此,目前大多数CL都是基于"难度测量器+训练调度器 "的框架设计。根据这两个是否自动设计可以将CL分成两个大类即 Predefined CLAutomatic CL

    Predifined CL 的难度测量器和训练调度器都是利用人类先验先验知识由人类专家去设计;而Automatic CL 的至少其中一个是以数据驱动的方式自动设计。

    3.1Predefined CL

    3.1.1 预定义的难度测量器

    预定义的难度测量器

    3.1.2 预定义的训练调度器

    训练调度器可以分为离散调度器和连续调度器。两者的区别在于:离散型调度器是在每一个固定的次数(>1)后调整训练数据子集,或者在当前数据子集上收敛,而连续型调度器则是在每一个epoch调整训练数据子集。

    3.1.3 存在的问题

    • 很难预定义CL的方法找到测量器和调度器两者最优的组合。

    • 不够灵活,没有考虑模型自身的反馈在训练过程中。

    • 需要专家知识,代价较高。

    • 人类认为容易的样本对模型来说就不一定容易。(人和机器模型的决策边界不一定一致)

    3.2 Automatic CL

    如下图所示,自动CL的方法论分为四类,即Self-paced Learning、Transfer Teacher、RL Teacher 和 其他自动CL。

    Automatic CL的分类

    3.2.1 Self-paced Learning

    Self-paced Learning 让学生自己充当老师,根据其对实例的损失来衡量训练实例的难度。这种策略类似于学生自学:根据自己的现状决定自己的学习进度。

    3.2.2 Transfer Teacher

    Transfer Teacher 则通过1个强势的教师模型来充当教师,根据教师对实例的表现来衡量训练实例的难度。教师模型经过预训练,并将其知识转移到测量学生模型训练的例子难度上。

    3.2.3 RL Teacher

    RL Teacher 采用强化学习(RL)模式,教师根据学生的反馈,实现数据动态选择。这种策略是人类教育中最理想的场景,教师和学生通过良性互动共同提高:学生根据教师选择的量身定做的学习材料取得最大的进步,而教师也有效地调整自己的教学策略,更好地进行教学。

    3.2.4 其他自动 CL

    除上述方法外,其他自动CL方法包括各种自动CL策略。如采取不同的优化技术来自动寻找模型训练的最佳课程,包括贝叶斯优化、元学习、hypernetworks等。

          04      

    未来研究方向

    4.1评价数据集和指标

    虽然各种CL方法已经被提出并被证明是有效的,但很少有工作用通用基准来评估它们。在现有的文献中,数据集和指标在不同的应用中是多样化的。

    4.2. 更完善的理论分析

    现有的理论分析为理解CL提供了不同的角度。尽管如此,我们还需要更多的理论来帮助我们揭示为什么典型的CL是有效的。

    3. 更多的CL算法以及应用

    自动CL为CL在更广泛的研究领域提供了潜在的应用价值,已经成为一个前沿方向。因此,一个很有前途的方向是设计更多的自动CL方法,这些方法可具有不同的优化方式(如:bandit 算法、元学习、超参数优化等)和不同的目标(如:数据选择/加权、寻找最佳损失函数或假设空间等)。除了方法之外,还应该探索CL在更多领域中的应用。

          05      

    总结

    本文主要做了以下三项工作:

    1. 总结了现有的基于 "难度测量器+训练调度器 "总体框架的CL设计,并进一步将自动CL的方法论分为四类,即Self-paced Learning、Transfer Teacher、RL Teacher 和 其他自动CL

    2. 分析了选择不同CL设计的原则,以利于实际应用。

    3. 对连接CL和其他机器学习概念(包括转移学习、元学习、持续学习和主动学习等)的关系的见解,然后指出CL的挑战以及未来潜在的研究方向,值得进一步研究。

    精选参考文献:

    [1] Bengio, Yoshua, et al. “Curriculum learning.”Proceedings of the 26th annual international conference on machine learning. ACM, 2009.

    备注:CV

    计算机视觉交流群

    2D、3D目标检测、跟踪算法等最新资讯,若已为CV君其他账号好友请直接私信。

    在看,让更多人看到  

    展开全文
  • 项目管理&...项目经理进阶——清华大学《软件工程》课程学习与分享 这是删除线 课程中《第12章 软件交互设计》是由史元春主讲,自己冲着史老师人美声甜授课专业且饶有趣味, 还专门查了下老师的资料: ...
  • 数据库课程学习的收获和心得体会

    千次阅读 2021-02-05 11:58:19
    学习的时候没有想象中的那么难,只要上课能听懂就基本还可以。但是问题还是出在书本有点厚,有的时候上课的内容都要找很久才能找到,甚至有的时候老师讲的知识书本上是找不到的,是另外补充而且是相当重要的内容。有...
  • 本项目基于SSM框架实现了一个在线课程学习及作业提交系统,项目整体功能完整,界面美观大方,适合做毕业设计使用。本项目前端用户分为教师和学生两个角色,学生可以在系统前端注册,教师由管理员在后台添加。教师...
  • cs224w(图机器学习)2021冬季课程学习笔记13 Colab 3 1. 实现GraphSAGE和GAT 2. DeepSNAP
  • 一、关于防骗        比如期刊,论文投稿时如果投错期刊可能被骗,需要注意国际会议识别。 二、关于时尚 ...1.比如发型,首先你要知道自己的脸型,然后通过搜索引擎去查找哪些发型...
  • 论文主要是对在线课程学习网站进行了介绍,包括研究的现状,还有涉及的开发背景,然后还对系统的设计目标进行了论述,还有系统的需求,以及整个的设计方案,对系统的设计以及实现,也都论述的比较细致,最后对在线...
  • 西电计科课程学习

    千次阅读 多人点赞 2021-03-04 20:54:34
    西电CS课程体系学习经验 个人简介:   本人是XDU19级学生,就读于西电CS专业,曾获2019-2020学年国家奖学金,专业综合评价排名2/457。 概述:   本文的主要内容是结合本人的一些想法与观点以及优秀学长的学习经验...
  • cs224w(图机器学习)2021冬季课程学习笔记3: Node Embeddings 1. 章节前言 2. Node Embeddings: Encoder and Decoder 3. Random Walk Approaches for Node Embeddings 4. Embedding Entire Graphs 5. 本章总结
  • 计算机网络与通信技术课程学习心得,计算机课程学习心得,计算机通信专业课程,课程游戏化学习心得,网络课程学习心得,课程学习心得,课程学习心得体会,学习微课程心得体会,微课程学习心得,信息技术课程学习心得计算机...
  • cs224w(图机器学习)2021冬季课程学习笔记1. Introduction; Machine Learning for Graphs 1. 课程建议先修知识点 2. Why Graphs 3. Applications of Graph ML 4. Choice of Graph Representation 5. 本章总结
  • vn.py全实战进阶课程学习笔记(零)

    千次阅读 2021-06-11 18:16:40
    分享的github仓库:https://github.com/PanAndy/quant_share 《vn.py全实战进阶课程学习笔记》这一系列的博客分享主要是对vnpy官方课程《vn.py全实战进阶课程》学习过程的整理,我将尽量按照课程讲解的思路进行梳理...
  • 一级建造师考试备考是一件辛苦的事,着实锻炼考生的自控力及自驱力,外面春光大好,真心不想学习,但内心很是挣扎。没有备考状态,一级建造师考生该怎么办?今天大立教育就和你一起聊聊。 百度云网盘账号“为学网陈...
  • 说明:可免费注册学习。 《Java程序设计》在线课程(2021秋-第七期)链接:http://www.xueyinonline.com/detail/218804544 2. 在线编程练习题集 说明:拥有30题课程配套习题,进行基础编程练习。可免费注册练习。 ...
  • 黑马程序员 maven 课程学习笔记

    千次阅读 2021-11-11 11:47:04
    Maven学习 maven 的原因maven 下载与安装IDEA 中添加maven项目 学习 maven 的原因 跟网上的开源项目学习,很多项目都是基于 maven 进行构建 maven 下载与安装 首先需要进入 maven 网址 选择左侧 Download 选项卡...
  • 【摘要】 技术领域/用户角色数据库/初学者课程名称及链接[华为数据库产品GaussDB介绍]课程大纲华为GaussDB 数据库总览关系型数据库产品介绍NoSQL 数据库产品介绍学习笔记关系型数据库OLTPgaussdb(for MySQL)gauss...
  • 如果让我回到大学生涯,我一定会认认真真的学习下面的课程,起码我的头发可以少掉一半!1、计算机组成原理2、计算机操作系统3、计算机编译原理4、数据结构与算法5、计算机网络一、计算机组成原理计算机组成原理这门...
  • 课程学习】多线程基础应用

    千次阅读 2020-12-18 00:01:37
    多线程基础应用 本文讲述简单的多线程应用: 1、多线程排序,即把数据存放在一维数组中,首先对数据进行分段,接着对每 一段数据采用经典排序算法实现排序,最后把各段数据进行合并排序。请完成程序编写。...
  • 其实有很难的一个固定进度,每个人报考的科目都不同,学习的进度也因人而异,每个人都有自己的安排,最重要是考生对考试全身心的投入,保证在自己设定好的计划跟目标之间持之以恒的学习完成自己给自己布置的任务。...
  • https://download.csdn.net/download/qq_31293575/14884089
  • RT-Thread 柿饼GUI入门课程学习总结

    千次阅读 2021-01-02 12:24:09
    11月中旬的时候,我在RT-Thread的微信公众号推文看到了柿饼UI的入门课程活动。其实也不是第一次看到这个GUI的介绍,但是用Js开发的方式有点吸引我。 https://mp.weixin.qq.com/s/bBMuZ1qmtnI4cH86DR8enw 入门课程...
  • cs224w(图机器学习)2021冬季课程学习笔记10 Applications of Graph Neural Networks 1. Graph Augmentation for GNNs 2. Learning Objective
  • 欢迎参加英特尔® OpenVINO™...整个课程包含了视频的处理,深度学习的相关知识,人工智能应用的推理加速,以及英特尔® OpenVINO™工具套件的Demo演示。通过本课程学习,将帮助您快速上手计算机视觉的基本知识...
  • 深度强化学习实验室官网:http://www.neurondance.com/论坛:http://deeprl.neurondance.com/编辑:DeepRL《强化学习与控制》是一门由...
  • 李宏毅的机器学习课程

    千次阅读 2021-03-10 00:14:18
    ↑↑↑关注后"星标"Datawhale每日干货&每月组队学习,不错过Datawhale学习组织方:百度技术团队,内容:机器学习人工智能学习该从哪里开始呢?人...
  • cs224w(图机器学习)2021冬季课程学习笔记2. Traditional Methods for ML on Graphs 1. 章节前言 2. Traditional Feature-based Methods: Node 3. Traditional Feature-based Methods: Link 4. Traditional Feature...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 587,781
精华内容 235,112
关键字:

课程学习