自考总结

本文分享了自考C++与网络管理的学习经验,C++侧重于理解和实践,推荐通过动手敲代码和绘制思维导图来掌握;网络管理则需大量记忆,关键点的背诵是考试成功的关键。

前言:

自考结束已经结束一段时间了,现在总结一下。

内容:

本次自考考的是C++和网管这两本书,下面就说说看这两本书的感受、

C++这本书,基本上整本书都是知识点,需要我们整体过一遍这本书,然后哪里不懂就看哪里,最好画个思维导图,这样容易理清思路,还容易让我们将前后知识点连贯起来。

网管这本书,相比于C++真的是量大,整本书全是背的,本次考试也是有心无力,不过还好,总体来说把所有的题都写上去了,应该还不错。

根据这两门考试,总结一下:

C++侧重理解,侧重对代码的掌握情况,学习这本书,需要我们自己动手敲一下,这样更容易掌握。同时这里面涉及改错等等东西,也是我们以后开发项目主要注意的地方。

网管这本书则是需要我们去理解,将关键点记住,然后填词,这门考试就是多背,没有什么更好的办法。

 

c++总结文档:

链接:https://pan.baidu.com/s/1oSS0MALiItTu3TfApbwx3A 
提取码:mxv2

别人总结博客:https://blog.csdn.net/mayfla/article/details/78285139

 

 

 

随着人类对生命健康需求的不断增长,新药研发面临着前所未有的挑战。传统的药物研发流程通常耗时长达十年以上,耗资数十亿美元,且最终成功率极低,这在制药界被称为“反摩尔定律”困境。近年来,人工智能技术的飞速发展,特别是深度学习和大数据分析的广泛应用,为新药发现带来了革命性的契机。人工智能能够从海量的化学和生物数据中挖掘潜在规律,显著加速药物靶点发现、先导化合物优化等关键环节。在此背景下,本研究旨在设计并实现一个基于人工智能的新药发现辅助系统,以期为传统药物研发流程提供高效的智能化辅助工具,从而有效缩短研发周期并大幅降低研发成本。本研究以Python作为主要开发语言,深度结合PyTorch和TensorFlow两大主流深度学习框架,并集成RDKit化学信息学工具包,构建了一个功能完善的新药发现辅助系统。系统的核心目标是利用先进的人工智能技术辅助新药分子的设计与活性评估。在研究方法上,本文创新性地提出了一种融合多模态数据的新药发现算法。该算法综合处理分子的多种表示形式,包括一维的SMILES序列、二维的分子图结构以及三维的空间构象数据。通过构建多通道神经网络,系统能够有效提取并融合不同模态的特征,从而全面捕捉分子的理化性质与生物学活性之间的复杂非线性关系。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
评论 16
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