声明：本文非原创，原地址是github上yuezih的King-of-Pigeon仓库，但目前作者已经删除了该仓库。原作者删库跑路的原因是自己组里的鸽子飞跑了，这里还是倡导大家谨慎鸽老师。 King of Pigeon：计算机保研文书实用模板 --- ### What's New 2022/10/27 Overhauled and removed some useless content. 2022/04/08 Added Resume (or CV) template and Festival Wishes templates. 2022/03/15 Some updates to meet 100 stars! 2022/03/14 We published a Python package with the Python Package Index, try pip install pigeonking && pigeonking! 2022/03/14 Reimplemented the code with Github Copilot. 2021/11/07 Added How to Breakup Without Just Cause template. 2021/09/17 Added Recommendation Letter Request and Recommendation Letter templates. 2021/09/16 Added Self-recommendation Letter template and Offer Confirmation template. 2021/09/14 Published Pigeoning and Licking Back template. We hope these templates will help you get up the courage to explain to the mentor as soon as possible. 0.1 简历 本仓库提供了一份简历模板【点击下载】，以及一些制作简历

1 基本情况 末流211计算机学院大数据专业，排名（2/99），CET6 (553)，三段项目经历，无paper，一些水奖； 2 夏令营 夏令营基本情况可见下图： 其中入营了13个，除了一些宣讲性质不发offer的和中科院系列（没联系导师），一共参加了5个夏令营。以下对这5个夏令营的经历以流水账的形式呈现。 2.1 吉林大学软件学院 夏令营考核于6月18日-6月19日远程考核，首先请每位营员进行500字以内的自我介绍（时间不超过2分钟）；然后抽取试题，回答问题；最后专家提问，回答问题。 英语: How to improve youself in the future? 计网：电子邮件

1 起因 很少有主题能兼顾实用与美观，比如极光主题虽然炫酷好看，但是单页展示的内容过少，不能专注于内容；就是想折腾 因而产生了如下需求： 一份配置文件生成多种主题的博客，同时存在 站点间路由一致，方便随时切换 由于现在的博客全站是基于Git管理的，虽然可以使用不同的分支管理不同的主题，但这么做在每次更新文章的时候非常不方便，所以这种方案不采用。 2 配置 由于hexo generate可以指定配置文件，这就为本方案提供了可能。 本次使用的是Hexo Next 8 和 Aurora 两套主题，配置文件在根目录的组织形式如下： 1 2 3 4 5 -/ --_config.yml 为Au

1 论述题（7*8分) 论述数据、图形与可视化的关系 论述可视化的流程 论述比较类图，分布类图，流程类图的特点 论述矢量图与位图的特点 论述结构化、数据半结构化数据、非结构化数据的特点 论述云服务的分类与华为云DLV的特点 论述AR VR MR的特点 2 看图写代码 一个图里三条线，带图例，样式考察仅限于线型、点型（matplotlib) 3 看代码画图 matplotlib: 上下两个子图 echarts: 考察点 grid实现子图 每个子图中，柱状图与折线图两个系列叠加 dataset.source花式切分数据系列（layoutby=‘row’)

复习课视频录像 GRC和他小伙伴的笔记 0. 题型 题型 数量 分值 简答题 4 60 设计题 2 25 未知题型 1 15 老师对最后的题目讳莫如深，“你只要上课听了，还是能拿一点分的"。 1. 提纲 第二章 掌握随机梯度下降算法 掌握批量梯度下降算法 理解正则化（L1，L2） 掌握Dropout思想、处理流程等 掌握常用定理：NFL、丑小鸭、奥卡姆剃刀等 第三章 掌握Logistic回归、Softmax回归 掌握各种常见的损失函数公式以及针对具体的应用场景，如平方损失、交叉熵损失等 理解经验风险与结构风险 第四章 掌握几种常见的激活函数(Sigmoi

1. 绪论 机器学习的概念 不需要确定性编程就可以赋予机器某项技能 Performance Task Experience，程序使用E在T上获得了P的提升，就是学习 按照任务种类分：回归、分类、聚类、降维 按照学习方式分：有监督、无监督、强化学习 2. 模型的评估与选择 重点章节 各种评价指标，包括写代码、调用库函数 例题如协方差矩阵、查准、混淆矩阵、ROC曲线 基本知识点如过拟合问题与解决方案 经验误差empirical error:在训练集上的误差（训练误差） 泛化误差generalization error：在未来样本上的误差 泛化误差越小越好，但经验误差