计算机考研到底有多难呢?

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了计算机考研到底有多难呢?相关的知识,希望对你有一定的参考价值。

       作为一名计算机科学与技术专业的学生来看,我认为计算机考研最难的地方就在于:专业课内容知识庞大、计算机本科生基数大。下面我会分别进行说明。


考什么?

       计算机考研的主要科目就是:英语(100),数学(150),政治(100),专业课(150)。其中专业课就是四大金刚:数据结构,计算机组成原理,操作系统和计算机网络。对于计算机系的我来说,对这四门的印象不要太深。

       数据结构:主要考的就是线性表,栈,队列和数组,树与二叉树,图,查找,排序这几章,这也是《数据结构C语言版》的教材目录。我认为数据结构还是要多动手练习的,毕竟算法不是看看就可以自己写出来的,理解是一方面,自己运用就是另一个层次了。

       计组:主要考的就是计算机系统、数据表示与运算、存储器层次结构、指令系统、CPU、总线、IO系统,这也是《计算机组成原理》的教材目录。我认为计组的概念还是最繁琐的,重点还是在于理解计算机中各个部件的组成结构和基本工作原理。

       操作系统:主要包括进程、内存、文件、IO管理,也是《计算机操作系统》的教材目录。我认为其重点还是在于运用基本原理来分析和解决实际问题,还是需要多动手多操作的。

       计网:主要包括计算机网络体系结构,物理层,网络层,传输层等,也是《计算机网络》的教材目录,这部分的重点在于基本概念和基本原理的掌握,包括一些常用的算法,也是需要动手实践的。


和谁考?

       目前计算机专业(计算机科学与技术)是在读本科人数最多的专业之一,这就导致考研的人数相应增加。并且,不少基础学科专业的学生也会跨考到计算机专业,比如数学、物理等等。因此,你也要做好考研拼劲全力的准备。


       对于学校的选择,如果时间相对比较宽松,比如你大二就开始准备了,那我推荐你定一个稍微高一点的目标学校;但如果时间相对比较紧张,那应该选择把握更大一点的高校。

       有些学校还会进行多个科目的笔试,有的甚至还有上机考核,我认为上机是最具有考验性的,毕竟对于你的动手实践能力要求很高,也一定程度上增加了考生的复习难度。


       质而言之,计算机考研确实难,不管是从知识内容到本科生数量来看都是困难的。但只要有充分的准备和理性的报考,考上研究生也是很有希望的,祝你成功!

参考技术A

计算机考研很难,无论是普通本科还是211或者985,都很难进,难度于高于高考。考试本科科目多,计算机课程涉及数据结构组成,原理操作系统,计算机网络四门主干课程,这四门课都是本科的必修课,量大,跨度大,涉及到硬件,软件的方方面面,计算机考研大部分都要考数学,这也是所有数学门卫中最多的,共306个知识点,计算机号称是统考中最难的科目,没有单独打分,而是用工科打分。



其一,招生人数少,七八成都是面试或者其他的,其次是985,对非211学生,有点看不起,大家都懂的。
其二,专业课很难考四门专业课都是需要理解的,那不是,看一遍两遍就行了。
其三,是基础课必须考的比其他学科的人要高,特别是数学分要高。
其四,复试非常重要要找导师对导师的方向要多少了解一点,免得要一问三不知,计算机还要上机和笔试,重要的是,应用广,理论深,广大师生思想观念不统一,导致最后学生杂而不精,影响了很多人的就业。


按照历史经验来看,计算机专业考研不仅初试难度大,复试难度也高,一部分高校不仅会进行多个科目的笔试,还会安排上上机考核,这对考生的动手实践能力要求很高,最后,不论计算机考研有多难,只要有充分的准备和李现的报考,走进研究生课堂也是很有希望的,虽然每年报考的人数比较多,但是不少考生会由于种种原因而放弃考试,所以真正坚持走进考场的考生都有希望。努力学习,考的分数稍微高一点,很多因素都阻挡不了,所以关键还是要看自己,如果真的喜欢计算机,想考计算机研究生,那就努力吧!


参考技术B

计算机专业,一般指计算机类专业,由于此类专业赶上互联网时代的狂潮,毕业生薪资水平是蹭蹭往上涨。因此又被戏称为“宇宙机”。学计算机,也成了许多学子的追求。那么?计算机考研有多难呢?

计算机专业毕业生薪资排行榜

1.专业课内容多

其他很多工科专业考研专业课只考一本书,而计算机有不少高校会考察多达四门的专业课,等于说考研专业课就要考四本书,知识面非常广。

某高校计算机专业课题型分布

2.专业课难度高

计算机的专业课难度相对比较高,由《数据结构》、《计算机网络》、《操作系统》、《计算机组成原理》构成的工科最难专业课408是众多计算机考研学子的噩梦,难度大,内容多,复习时需要花费很多的精力与时间,一些基础不好的同学还要通过报班来弥补不足。

3.竞争非常大

考研每年增加几十万人,又由于计算机专业十分火爆,考研选择计算机的人往往不止本科就是计算机的学生,还有非常多其他专业的学生跨考计算机,他们考研就为了考上计算机而跳出本科那些不好的专业,并且这类人都比较努力,报考人数多了竞争变得十分激烈,不付出努力就很容易被挤下去,每年很多学校的复试线都是极其的高,并且复试还会有被刷的风险,计算机专业复试是要考上机操作的。


4.高分多,上岸难,调剂难

计算机考研的越来越多,高分层出不穷,为了增加区分度越来越多的学校改为408统考科目,但依然挡不住高分选手,21年中科大软院更是有400个400分的创造了历史,震惊考研界。由于太多高分没过线或则复试被刷的,计算机一志愿没上岸想靠调剂上岸的机会几乎为零,就算调剂上岸了也是非常一般的学校,没人会甘心。

如果决定考研考计算机,那么一定要早早准备,打好基础,计算机前景虽好,但报考需谨慎。

参考技术C

计算机考研,最大的难点在于择校。比如21年科软直接炸了,甚至初试400+含泪调剂。正确的考研择校的逻辑是怎样的?

    复试比

复试比,就是进入复试的人数与录取人数的比值,意味着复试的残酷程度,复试比越大则复试越残酷,复试被刷的可能性越大。其实本科一般又想冲刺名校的同学,更要关注复试比。通过复试比,能大体看出一个学校是否压分,是否歧视,是否有骚操作。

    报录比

报录比,就是报考与录取的比例,报录比=统考报考人数/统考录取人数,意味着该学校该专业的竞争激烈程度,报录比越大则竞争越激烈。选择大于努力,要选择力所能及做好的学校。那又该怎么选,怎么才知道是自己力所能及的最好呢,报录比是一个很直观的参考条件。

    实际录取人数

随着复试、调剂的进行,各大高校的拟录取名单也陆续出炉,在学校有研究生官网或各院系官网都有公布,可以查询。

    报考人数

这是个较关键的信息,反映这个专业的报考热度、竞争激烈度,从中也可大致看出潜在的竞争对手有多少。

长计划,短安排,在制定一个相对较长期目标的同时,一定要制定一个短期学习目标,这个目标要切合自己的实际,通过努力是完全可以实现的,从而把握自己的复习节奏,避免前松后紧、临阵慌乱,有利于督促自己。考研复习还是需要循序渐进,不可能一口吃个胖子。

如果下决心考研,就要早早着手准备。考研不同于高考,从择校、报考、备考、复试、调档都得你亲力亲为。当“炮灰”陪考的同学越多;复试、面试成绩占总成绩的权重越高,学校的自主程度越大。

参考技术D

今天天气很好,在房间里宅久了,准备去客厅散散心。


     计算机系是计算机软硬件相结合,面向系统,侧重应用的宽口径专业。这个专业出来的毕业生一般都被叫做“程序猿”,以高工资和头秃著称。但是这个专业出来的考生如果不考研的话,他的就业面会比较的窄,那么这个专业的考研到底有多难呢?我们下来看看计算机系考研要考哪些科吧。

     计算机的考研主要考4门,政治,英语,数学以及一门计算机的主科。计算机学科专业基础综合考试内容包括:数据结构、计算机组成原理、操作系统和计算机网络。重点考查考生掌握相关基础知识、基本理论和分析问题解决能力。而对于计算机系的我,对于这4门都有着非常非常深的印象。

     数据结构:数据结构这门课我们主要就是考Java语言的一些应用。这门课的难度怎么说呢,举一个非常简单的例子,这门课当时我们专业的挂科率达到了60%。因为这个问题我们的老师还受到了批评。可想而知这门课到底有多难,据我们数据结构的老师讲,他当时出的题已经算是非常简单了,可是对于我们刚学Java语言的这些人来说还是非常的困难。

     计算机组成原理和计算机网络:这两科其实一开始并不是很难,讲的都是一些基础的知识,计算机组成原理讲的就是正常的台式电脑的组成,计算机网络一开始讲的也就是我们所熟悉的局域网。可是这两科越到后来越麻烦,而且这两科讲的东西我们也越来越难接触的到。他比Java语言更加抽象,更加难以理解。尤其是计算机网络,它后面还会和一些较难的数学知识挂钩。

     操作系统:对于这门课我可以毫不愧疚的说,我从头到尾都没有学懂,我的考试基本也都是靠同学才过的。这门课主要讲的就是计算机系统的一些运行逻辑运行方法,以及如何编写一些计算机系统的语言,还有就是一些计算机系统里面的算法,比如说银行家算法,我们平时学Java难就算了,在第1操作系统里面,我们学的还都是Python,还不是Java。

     综上所述,计算机系考研难,很难,但是他考研出来以后就业的薪资水平也会比较高。就相当于是多学一点,在以后能多挣一点吧。



实现一个边缘机器学习项目到底有多难?

  实现一个边缘机器学习项目到底有多难?

  我们每天都要跟传感器打交道,如果你不相信的话,拿出手机,Google一下它里面配备了多少种传感器—加速度计,陀螺仪,压力传感器,……,或许还能发现很多你从未听过的名词。

  这些传感器输出的信号都是独特的。理解它信号的含义,对信号进行处理,都需要有专业背景和经验。如果你的机器学习模型需要的数据正好来自这些传感器,通常意味着,你需要雇佣熟知传感器并且具有信号处理能力的机器学习工程师。

  即便不考虑组建机器学习团队的成本和难度,进入项目开发流程,仍然还有很多难关需要克服,而这些经常成为被“忽略”的事实。

传统机器学习流程

  传统机器学习流程

  对于机器学习工程师来说,除了传统软件开发工具之外,他们还需要使用多套开发工具来创建ML模型。就算已经有像Jupyter Notebook这样比较强大并且相对成熟的工具,但其目前也还存在着极大的局限性。虽然针对机器学习开发的新平台和工具层出不穷,但是目前还没有一个端到端的解决方案,让工程师们可以实现整套流程,从创建项目开始,一直到在嵌入式芯片上运行机器学习模型。此外,这些工具也需要工程师们花费额外的精力和时间来学习,并且会增加项目的管理成本和硬件及软件成本。

  在开发机器学习模型的过程中,通常需要进行大量的实验来找到表现最好的模型,而且每一次不同的实验之间都可能存在很多变数。保证实验数据的可复现性非常重要,所以对于硬件,操作平台,模型配置,训练数据等等都需要做到精确的版本控制,这些都需要花费很多的精力和时间来完成。

  就像在传统软件开发过程中,开发人员们从来没有摆脱过Bug的困扰,在机器学习开发中,类似的问题依然存在。不同的是,传统软件开发人员已经建立了一套测试和debug的最佳方式,然而,这些方式并不适合机器学习。当机器学习模型失败时,通常没有信息显示失败的原因和改进的方向。除此之外,造成失败的还有可能是一些“其他”因素,包括糟糕的训练数据等等,这让问题更难被排除。

  有一个案例就是对这一问题最好的说明,Anders Arpteg在他与其他三位作者合著的《Software Engineering Challenges of Deep Learning》一文中提到,为了解决某个公司天气预测系统中重组后输出图像分辨率过低的问题,开发人员花费了2周时间,用不同的神经网络模型完成了几百次实验,才发现是由于pooling operation过于激进,导致分辨率在数据被编码之前就已经受损,而这一结果正是由于缺乏针对深度神经网络的debug调试工具。

  而且这篇文章也明确指出,在如何简单和高效地构建一个高质量的可用于生产的机器学习系统上仍然需要更多的研究和努力。

  从公司的角度来说,要构建一个复杂的机器学习模型,通常需要花费几天甚至几周的时间来训练,而且无法对结果做出预测,也无法预知如果模型出现问题,究竟需要花费多少时间来解决这些问题,那么构建这样一个模型的成本是非常高的。

  即便对于一个已经部署的可用于生产的机器学习系统来说,保障它处于最新状态也需要花费大量的时间和努力。因为对一个成熟的机器学习系统来说,它一般会依赖许多不同的pipelines,这些pipelines可能是用不同的程序语言,格式和结构系统实现的,它们的改变,增加或者移除,甚至被弃用都是很常见的情况,因此要确保检测系统和日志系统能获取到这些信息。但这些成本通常也是很多公司在进行项目规划时可能不会考虑到的。

  对于传统软件开发而言,一个相同的程序可以运行在不同的设备上,例如,Win10系统可以运行在成千上万台不同型号的电脑上(这里讨论的是理论可行性,不考虑为了让用户体验最优而要做的种种适配性工作),但是对于机器学习而言,通常每一种不同的设备都需要不同对待。

  以预测性维护为例,如果汽车厂商要为发动机加入预测性维护功能,那么即便有2种不同型号的汽车使用的是同一种发动机,从理论上来说,这2种车型的发动机数据都需要单独采集和处理,进行特征提取,然后再进行模型训练,调参等步骤。

  Qeexo在FingerSense(指关节技术)项目上也遇到过同样的问题,这项技术是在手机上执行机器学习推理,分辨手指、指关节等不同的输入方式,依靠的也是传感器数据。不同的手机型号会使用不同的硬件配置,一台手机上采集到的数据无法满足另一台不同型号手机的需求,所以每一个不同的手机型号都必须经历一次从采集数据开始到配置机器学习库的完整过程,再加上即便是同一个型号的手机,在很多部件也会使用多家供应商提供的不同产品,这又衍生出更多种不同的可能性。

  以上种种问题也从一定程度上解释了为什么眼下AI成为了大公司追逐的游戏,因为对于中小型企业来说,尝鲜成本极高,而且一旦做错决定就很有可能给公司带来极大的危险,所以如何规避或者降低风险也就成为了领导者们首先需要考虑的问题。

  也正是因为这些原因,自动化机器学习平台进入了很多公司的视野。将传统机器学习过程中的特征提取,模型选择,超参数优化,模型验证等等步骤通过自动化的方式来实现,极大地降低了普通企业在应用机器学习时的难度和所需的资源。Qeexo也基于自己的经验与需要,创建了Qeexo AutoML,利用传感器数据针对高度受限的环境快速创建机器学习解决方案。自动化机器学习到底是什么—这一问题,我们也会在之后的文章中进行详细的介绍。

以上是关于计算机考研到底有多难呢?的主要内容,如果未能解决你的问题,请参考以下文章

今年考研大军达457万,明年可能突破520万大关,职场or考研竞争压力到底如何?

考研对大学生找工作到底有多大作用?

考研经验分享

博士的学术职业路径到底有多难走?

博士的学术职业路径到底有多难走?

北邮计算机研究生的哥哥姐姐来个吧 谢谢了