哈姆雷特心得体会文档格式.docx

哈姆雷特心得体会文档格式.docx

《哈姆雷特心得体会文档格式.docx》由会员分享，可在线阅读，更多相关《哈姆雷特心得体会文档格式.docx（4页珍藏版）》请在冰豆网上搜索。

从这些意义上来看，再好的课堂也是无法克隆的。

　　无论名师大家，还是我们身边的同事学友，观摹课堂或多或少给予我们教益。

然而，你想克隆获得好评的课堂，结果只能是东施效颦，徒增自己的茫然和难堪。

究其因，不是自己的学生没有别的班级出色，而是自己没有对别人的经验总结消化。

　　一旦让别人的经验成为自己的营养了，那么你必然能获得丰收的喜悦。

比如，让学生获得“特殊的稿费”，以此激发其写作的兴趣，这是教学中新鲜的创意。

但稿费从哪里来？

你与学生的家长有时多少沟通？

稿费的引导是否会引起负面作用？

所以，创意的实现得需要有一个过程。

一是要针对班级学生的习作现状，他们的写作热情是否在消退？

二是孩子在热情消退的情形下，与家长悄悄地沟通，将节省的零用钱交给老师，用于对成功的作品进行奖励。

三是稿费刺激需要借助一个有效的展示平台，比如班级或学校的刊物。

四是不要放大稿费的物质刺激，而要将此作为提升学生精神境界，提高精神需求的转折点。

五是将“稿费”与平时的作文讲评、赏识和鼓励相结合，让全体学生建立信服感，并能从中收获到写作的技巧，发表的快乐，从而将写作并发表作为自己崇高的精神追求。

　　“你有一个苹果，我有一个苹果，交换后每人还是一个苹果；

你有一种思想，我有一种思想，交换后每人有两种思想”。

现在倡导的同课异构教学科研策略，教师在一定的教学思想、教学理论和学习理论的指导下，在一定的教学环境下展开教学进程，教学系统的四个要素（教师、学生、教材和教学媒体）相互联系、相互作用，呈现出不同的教学风格。

　　充满智慧的教师，面对不同的教学对象，可以使同一种教学设计，产生不同的教学的过程，获得不一样的教学成果。

现在的“同课异构”的教研方式，正是引发参与者智慧的碰撞，长善救失，取长补短，提高教育教学效果有效范式。

　　篇二：

专家讲座心得体会

　　乐努力，享收获

　　——专家讲座心得体会

　　从第7周周四到第15周周四，共16次讲座，由6位强势专家授课。

在我看来，开设这门课程的目的是激发我们对本专业的学习兴趣，多了解相关的研究方向，提升我们的专业素养。

　　记得有位老师说过“优秀的本质是相同的”，每位老师都在自己的研究方向上做出了很大的成果，对于我们这种处于初级阶段的学生来说，虽不是在听天书，却也难以深入理解。

既然一千个读者心中就有一千个哈姆雷特，在此我仅总结我听到的内容，并对自己感兴趣的方向进一步阐释，也算是笔记的整理吧。

　　第七周何光辉老师讲课的主题是“SomeRecentDevelopmentofIntelligentPRandApplications”。

模式识别是个很有趣的研究方向，与我们的日常生活息息相关。

模式识别是使计算机模仿人的感知能力，从感知数据中提取信息的过程。

简言之，用机器自动识别事物。

模式识别系统由数据获取、预处理、特征提取与选择和分类决策组成。

课上没有介绍很详细的专业知识，着重讲了模式识别的应用。

主要有文本图像分析、语音识别、工业自动化如零部件或物品分类、数据挖掘、多媒体数据检索（文档、图像、视频、音乐检索）、生物特征识别、用于生物信息学、医学图像、空间探测与环境资源检测、遥感图像、安全监控（身份识别、视频监控、交通监控、音视频监听等）?

?

人有很多特征可以记录帮助识别，如指纹、声音、人脸、姿态等。

模式识别应用范围之广令人佩服，同时，提高识别精度是很重要的研究方向，毕竟成本低的识别仪器虽已普遍应用于日常生活中，但精度较低。

一些精度很高的仪器如瞳孔扫描仪一般在重要的地方才会使用，且成本很高。

降低仪器成本、提高识别精度是很重要、很有前景的研究方向。

　　第八周伍俊良老师给我印象最深的是他的思想。

就我们的现状而言，相比于高中，知识学得多了，而掌握得不深、做题能力也反降不升，究其根源是我们还没养成思考问题的习惯，或者说不知如何思考问题。

伍老师提倡培养学生的创新能力、解决问题和把知识活学活用的能力，这些都是我们缺少的。

除此之外，伍老师介绍了一些问题，如IEP（InverseEigenvalueProblem）、NIEP（NonnegativeInverseEigenvalueProblem）、RNIEP和SNIEP等，当然就我们现在的水平而言，无法解决这些难题，但至少让我们知道了每一个数学分支都有很多难以解决的问

　　题，需要数学工作者的努力，也许某一天我们专业的某某就会奋战在这个领域。

　　第九周是胡小兵老师的课，主题是SwarmIntelligence。

计算机的发展使优化突破了传统的限制，由此出现了各种智能算法。

通过蚁群、大雁的行为创造出蚁群算法和PSO（粒子群优化算法），这也算是大自然对人类的启发吧。

由于我对这方面较感兴趣，具体阐释放在这篇文章的后面一部分。

　　王坤老师针对我们的问题进行解答，主要是介绍了信息与计算科学专业的研究方向，对我们想继续深造的有一定的指导意义。

不过往哪个方向走还是看自己的兴趣所在，开心地学习是最好的选择。

　　李声杰老师很强势，主要介绍了向量集值优化与向量变分不等式问题的某些理论及进展。

虽然没听懂什么内容，但能听出来李老师和他的老板陈光亚院士在这方面做出了很大的成果。

Rockafellar、Auslander、MountainPass定理?

很多名词我们都没听说过，上这两次课也只是感受一下学术的魅力。

　　最后三周是曾理老师讲的关于图像处理的内容，重点有三个，分别是CT、三维显示和三维图像处理。

第一，CT，即断层成像。

（未知）图像经过物理过程转化为信号，信号通过数学变换完成图像重建，这是图像和信号的互相转换过程。

若是射线穿过被探测物体，则信号强度变化，有公式如下：

　　N?

N0e?

x，

　　其中N为光穿过介质后的光强，N0为穿过介质之前的光强，?

为线性衰减系数，

　　?

x为介质的厚度。

Fourier变换也在CT中起着重要的作用，时空域通过Fourier变换（FT）转换成频域，频域可通过逆Fourier变换（IFT）转换成时空域。

代数重建法就是在反投影过程中将数据平均分配回去，也正是因为“平均”分配，反投影效果不明显，图像可能不清晰。

因此出现了新的图像重建方法FBP—滤波反投影，但是它的要求较高，要求投影数据必须完整。

第二，三维显示，也称立体显示。

分为两种，分别是面绘制和体绘制。

其中，体绘制又称直接绘制，顾名思义，它是通过计算机采集三维数据集然后对三维数据的每个像素进行绘制。

着重讲了光线投射算法。

计算机的存储单位是字节，灰度的1像素占1字节，彩图的1像素则至少占3字节，若色深是32位，则说明有8位代表透明度。

在光照模型中有漫反射、完全镜面反射，而一般情况下都是非完全镜面反射。

具体过程当时没听太懂，只知道方法中用到的梯度都是通过中心差分来求的。

第三，三维

　　图像处理。

它在医学上的应用尤其广泛。

如由CT、MR等设备扫描得二维切片数据，然后经过三维图像处理可得到组织或器官的三维形状，其实也就是重建的过程。

三维重建相比于体绘制而言，硬件要求低、处理速度快，很适合应用于医学。

图像处理、重建需要计算机的帮助，曾老师介绍了两个算法：

MarchingSquares算法和MarchingCubes算法。

其中，前者的主要手段是阈值分割，目的是找出目标，通过灰度直方图和确定阈值得到新的二值图。

MarchingCubes算法也称等值面提取或移动立方体算法。

稍高深的内容没听（转载于:

小龙文档网:

哈姆雷特心得体会）懂，在此也不展开叙述。

老师还总结了图像编程三层次：

（1）PS，三维软件如VG++、3DMED；

（2）Matlab（自带三维显示）（3）C/C++是基础，在此基础上通过运算平台CUDA进行体显示，通过openGL进行面显示，通过openCV对图像进行二维处理。

　　以上是六位老师讲的大体内容，由于我对胡小兵老师的智能算法较感兴趣，因此听课之后看了老师给的一些材料，将内容总结如下。

　　蚁群算法（ACO）是受蚁群集体行为的启发而提出的、基于种群的模拟进化算法，属于随机搜索算法。

其中一个重要名词是“信息素”。

蚁群在寻找食物或寻找回巢路径的行动中，会在它们经过的地方留下一些“信息素”，这种物质使后到的蚂蚁最大可能地选择具有该物质的路径，而且后到者留下的“信息素”会对原有的“信息素”加强，如此循环下去，经过蚂蚁越多的路径，在后到蚂蚁的选择中被选中的可能性就越大。

该过程进行下去一直到所有蚂蚁都走最短路径为止。

蚁群算法的主要优点是采用了正反馈机制。

　　蚁群算法的应用也很广，主要是很多组合优化问题。

它通常被用于解决

（1）调度问题，如车间作业调度问题（JSP）、车间组调度问题（GSP）

（2）车辆路径问题，如限量车辆路径问题（CVRP）、分批配送车辆路径问题（SDVRP）、装货配送的车辆路径问题（VRPPD）等（3）分配问题，如二次分配问题（QAP）（4）设置问题，如覆盖设置问题（SCP）、多背包问题（MKP）（5）其他如图像处理、系统识别等等。

还有一些常用的变异蚁群算法：

（1）精英蚂蚁系统

（2）最大最小蚂蚁系统（MMAS）（3）蚁群系统（4）基于排序的蚂蚁系统（ASrank）（5）连续正交蚁群（COAC）。

　　除了蚁群算法，胡老师还介绍了粒子群优化算法（PSO），它是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，属于群集智能（SI）。

　　PSO模拟鸟群的捕食行为，具体如下：

一群鸟在随机搜索食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是他们知道当前的位置离食物还有多远，那么最优策略又是最简单有效的方法就是搜索目前离食物最近的鸟的周围区域。

在此算法中，适应值（fitnessvalue）很重要。

所有粒子都有一个由被优化的函数决定的fitnessvalue，粒子们追随当前的最优粒子在解空间中搜索。

PSO初始化为一群随机粒子，然后通过迭代找到最优解，在每一次的迭代中，粒子通过跟踪两个极值来更新自己。

第一个就是粒子本身所找到的最优解，称为个体极值pBest，另一个是整个种群目前找到的最优解，是全局极值gBest.也可以不用整个种群而只是用其中一部分最优粒子的邻居极值，它是局部极值。

算法流程如下：

　　1.初始化一群微粒，包括随机的位置和速度；

　　2.评价每个微粒的fitnessvalue；

　　3.对每个微粒，将它的适应值和它经历过的最好位置pBest作比较，如果较好则将其作为当前的最好位置gBest；

　　4.对每个微粒，将它的fitnessvalue和全局所经历的最好位置gBest作比较，如果较好则重新设置gBest的索引号；

　　5.根据定义的方程变化微粒的速度和位置；

　　6.如未达到结束条件（可为足够好的fitnessvalue或达到一个预设的最大代数Gmax）回到第2步。

　　随着PSO的不断发展，其应用范围也在不断扩大。

如利用PSO实现对卫星无线网络路由的自适应调整、解决互联网络服务质量路由问题，除此之外，PSO算法还在多峰值函数优化、多目标优化和约束优化等方面取得了很好的效果。

　　由于知识所限，很多专有名词没有弄懂，知识还需以后深入学习。

笔记就整理到这里，还是来说一下我的感想吧。

　　曾经偶然间在CNKI上看到李寒宇老师的一篇文章《爱上这个美丽的错——让我沉迷的信息与计算科学专业》，他抱着大学不学数学的心态阴错阳差地进了这个专业，意想不到的是数学和计算机是个令人着迷的世界，无法自拔。

毕达哥拉斯说世界是由数组成的，也许只有像我们这样天天生活在数学世界里的人才能真正体会这句话。

与李老师不同的是，我没有犯这个“错”，我不是阴错阳差，

　　而是我主动报了这个专业，并且填的是第一志愿。

从小我就对数学有一种特殊的感情，数字是可以让我兴奋的事物。

现在，我很享受大学生活，重要原因之一就是我在学数学。

现在，听了这几位老师的讲座，深刻地体会到范围之广、内容之深，在数学的路上，我们也只算是刚刚过起跑线而已，不断努力、不断成长才能继续向前。

读了本科，再读研，即使再读博士，所懂的也只是数学的冰山一角。

数学就像宇宙一样，无人知道尽头在哪，但是总有无数的人去探索，包括你我。

　　看了电影《美丽心灵》，纳什太天才了，我们普通人肯定达不到那种境界。

我们所能做的就是用心、努力。

为自己喜欢的东西尽可能地去付出，不管结果怎样都是快乐的。

而且事实证明，如果用心了，结果也往往很好。

　　这周三晚上ShreeyGong来学院楼作报告，由于是全英文的而且我对expandergraph也不太了解，内容几乎没听懂，但她的一个想法给我印象很深。

她说从不感觉数学和计算机是boring的，因为她觉得通过计算机编程去实现自己的目的是一件让人感觉很自由的事情，就好像能controleverything。

控制一切，有一种放逐心灵、自由追求的快感，然后伴着这种感觉在学术路上愈走愈远，在现在的我看来，快乐的人生也不过如此。

　　听专家讲座，体验一种学术的氛围，对自己学了两年的专业多一层认识。

听不懂内容不重要，重要的是我们能在这个过程中更清晰地了解自己，那便达到了目的，我觉得这也是我听讲座的最大收获所在。

　　XX/6/6