本人某不知名大學大一新生，計算機科學與技術專業。大一上學期倒是沒學跟計算機相關的內容，但下學期學校開設了計算機導論，單片機技術，以及數字電路課程。學了也快大半個學期了，感覺對計算機硬體方面不是很感興趣。由於疫情的原因，在家自學了Java，Python（都是學習的一些基礎語法僅限於JAVA寫個學生管理系統，Python寫個特別簡單的小遊戲）。感覺個人更喜歡編程，去構造一個程序。但學完Python，Java的基礎語法，就感覺很迷茫，不知道可以往JAVA，PYTHON哪些更深入的領域學習。

你現在才大一，已經學完了Java和Python基礎，已經足夠了，你離畢業還有兩三年時間，可以爭取在畢業前達到中級水平。不知道如何系統地學習Python，可以看下公眾號里的這篇文章：

小白速看-大神教你系統地學習Python?

mp.weixin.qq.com圖標

Python和Java都只是一門編程語言，在學完其基礎語法以後，需要再精學這門編程語言。筆者對你的建議是，Java或Python, 選擇一門你最感興趣的來精學。

以Python來舉例，在學完基礎語法以後，需要再系統地學習Python的面向對象編程，並發編程，網路編程，資料庫編程。學面向對象編程時，你可以再深入地學習下Python中的對象模型，以及常用的設計模式。

學並發編程時，需深入地學習並發編程的基礎概念和常用的並發模型。學網路編程時，重點學習TCP/IP協議，http協議。學習資料庫編程時，深入地學習資料庫的基礎概念。DBMS與NoSQL，揀一門企業中常用的資料庫來進行學習。

以下是薯條老師的個人博客，可以在博客中系統地學習這些知識：

薯條老師的在線課堂?

www.chipscoco.com圖標

Python的主要技術方向是web開發，數據科學，大數據分析，機器學習。你可以根據你個人的學習能力和興趣，來選擇其中一門領域進行持續地鑽研，直到成為該領域的技術專家。相對而言，web開發的難度較低，在選擇數據科學，大數據分析或機器學習作為你的研究方向時，需要再系統地學習與領域相關的基礎知識。

比如機器學習，需要具備紮實的數學基礎: 線性代數，統計學，概率論等。系統地學習Python,可以關注筆者在知乎的技術專欄：

Python零基礎入門到精通?

zhuanlan.zhihu.com圖標發佈於 2020-04-24繼續瀏覽內容知乎發現更大的世界打開Chrome繼續Duke YuDuke YuIT

書本上已經沒什麼你能學的了，要麼太簡單，要麼太難。現在是出去真槍實彈的干點兒活的時候了。

干點兒活你會有更針對性的問題。

書本上已經沒什麼你能學的了，要麼太簡單，要麼太難。現在是出去真槍實彈的干點兒活的時候了。

干點兒活你會有更針對性的問題。

計算機學生動不動就是對硬體不感興趣 還不是因為入門比純軟體難一些 這種風氣真的不好。

但選擇是自己的，語言真的不重要，重要的是你想用來做什麼。寬泛的講，工作還是科研？演算法崗還是開發崗？

想搞科研那就至少準備讀個研吧，爭取保研省出一年的入門科研的時間。機器學習 數據挖掘 模式識別等等偏上層的，高性能計算 區塊鏈等偏體系結構的，可以先了解。

想直接工作，那就先刷題啊，演算法題啥的搞起來，畢竟這是面試躲不過去的。自己做做資料庫相關聯的項目，讀讀源碼，慢慢就成長起來了。

以上雖然我沒做到，但我就覺得挺對的......

以前有個老師說過，語言只是外衣，而數據結構和演算法才是核心。同樣一個項目，有的人寫了兩行代碼，花了3秒鐘跑出結果，有的人寫了五行代碼，花了5秒鐘跑出來，這就是對演算法理解的差異。一個好的演算法，不管用什麼語言，都會受人歡迎。建議題主空閑時間看看有關數據結構與演算法的內容，而不局限在語言上的學習。

其實可以結合TensorFlow、PyTorch學一些機器學習演算法，例如

① 卷積神經網路

如下圖所示，LeNet-5是卷積神經網路的經典結構。

② 深度殘差網路（ResNet）

ResNet是卷積網路的一種變體，特色是跨層的連接。

深度殘差網路

③ 深度殘差收縮網路

深度殘差收縮網路[1][2]是一種專門針對強噪、高冗餘情況的深度學習方法，相當於「殘差網路+軟閾值化」。

（面向強噪、高冗餘數據的）深度殘差收縮網路

參考

  1. ^M. Zhao, S. Zhong, X. Fu, B. Tang, M. Pecht, Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, vol. 16, no. 7, pp. 4681-4690, 2020. https://ieeexplore.ieee.org/document/8850096
  2. ^程序 https://github.com/zhao62/Deep-Residual-Shrinkage-Networks

推薦閱讀：
相关文章