北京航空航天大学电子信息考研辅导培训班全国各号码《今日汇总》-北航人工智能研究院电子信息考研经验与备考方法
考研资深辅导
2024年10月14日 01:39:30
北京航空航天大学电子信息考研经验与备考方法
考研政治方面：
在这次考试中，我最深刻的印象是自己在选择题部分的表现不尽人意，大题目则猜对了两道半，这主要归因于今年的热门话题相对集中，但这样的好运并不总是会重演。坦白说，我对政治付出了大量努力，因为它是我需要加强的部分，任何疏忽都可能导致这一科目无法达到分数线，因此我投入了大量的时间（然而收效似乎并未与付出成正比……）。我认为我在学习过程中面临的主要问题是，对政治的理解不够深入，做题量不足，同时缺乏对错误题目进行有效反思和总结的习惯。对于简答题部分，我已经尽力去记忆很多内容，但预测机构的准确性年年波动，很大程度上取决于当年的热点话题，所以只能祝大家好运了。顺便说一句，我个人不太推荐任的《要点精编》，我在第一轮复习后标记了许多重要点，但之后再也没有翻开过，它的组织结构混乱，不符合我的学习习惯，如果你喜欢这本书，还请见谅。最后，我想强调的是，政治复习不必过早开始，由于其时效性强，等待新的大纲发布再开始也绝对来得及。
考研数学方面：
李永乐复习全书：这本书我在4月初正式开始做了，一共做了5,6遍，这本书很经典，很基础，书中的泰勒公式那章没怎么看，因为觉得不会怎么考，因为我实在不会这个知识点，害怕考试时做错，所以就放弃了这部分，书中的证明题部分一定要耐下性子看，刚开始一道题就让你焦头烂额，烦躁的不行，但其实耐下来做几遍之后，你就会发现证明题内在的思路，所以证明题一定要耐心做出来，今年的证明题跟全书中的证明题很像，也很简单，自己作出来了，感觉真没有白费那么多时间复习证明题，值了！我会有一个错题本，是和全书配套的，里面有我觉得很好的题目，举一反三，还有我的错题，做了几遍还是错的题，这是我都抄了下来，隔断时间做一遍，今年就有填空题的最后一道就是自己以前做错题的类似原型，感觉很亲切，也耐着性子做了下来，选择错了一个，真的不会，填空全对了，我想这跟我平时耐心做全书的努力分不开，对了，做题的时候不管第几遍，都不要看答案，尽管很想看，一定等做完之后再看答案，否则就白做了。
考研英语方面：
在7月份以前一直在实习的，每天花在公交上的时间有近2个小时，所以利用这段时间用手机软件背了一遍单词。后来回家以后，又把单词过了一遍，这回只是看，没有背。（注意：这里是每年只用手机软件背一遍单词，其他的两遍其实都只是看，理解，并没有去背，我觉得单词这玩意儿，要背下来这么多一下子实在不容易）看单词的时候，要会用联想。在我的理解中，其实一个单词是没有这么多意思的，但是由于中国和外国的表达习惯不同而被人为地造出来许多的意思，但是实际上没有这么多，只是外国人的表达习惯会这么用，放在不同句子里就能给中国人造出来不同的翻译。如果把这些意思抽象出点融合模糊一下，会发现这其实是一个意思。所以我觉得背是没有用的，而且只要在看文的时候看到这个词的时候能推断出来大概啥意思就成了。这个时候，我花了一个月的时间去背小作文，把每个类型的小作文的范文改一遍变成自己的风格和语句习惯便于理解记忆。结果到考试的时候小作文是信手拈来的，因为这种应用作文基本上没有什么变化性，换几个词什么的没错基本上分就可以了。完形填空和阅读理解我是联系在一起的，因为我的英语就是从完形开始全线突破的。这两个部分我完全只做了真题，86年到13年的真题有时候一周一套，到后面没时间了一天一套勉强弄完。有个13年英语考了82的大神告诉我，有时候看选项好像哪个都没错，就选文章的主题，还有，看2个题再看文，做完这2题再继续看剩下的题，记下再继续看文。完形是一个有意识去训练的过程，通常很多正确的词是在文章前面出现过的同意词，时态，反义词等等。其实完形和阅读不要仅仅当作是题来做，要多学习一下里面体现出来的英美文化气息习惯，还有为写作积累，不仅仅是写作词汇，还有句式。大作文其实是完全没有准备吃老本的，这一向是我的英语考试强项。我一般是不会用I，Ithink,It，多用一些动词转为名词，这样的用法通常会很流畅很地道（这应该算是个人偏好和最近的努力方向吧，不赞同勿喷），而且这些用法也常在阅读和翻译中出现，平时做阅读的时候会多注意下这样的用法，还有一些其他的一些习惯用法，会在各年的阅读和完形中反复出现，所以记一下还是很划算的。
考研专业课方面：
人工智能基础综合涵盖的内容广泛，包括机器学习、深度学习、神经网络、自然语言处理等多个领域。在机器学习部分，理解并掌握各类算法如线性回归、逻辑回归、SVM、决策树、随机森林以及集成学习等至关重要。对这些算法，不仅要知道它们的工作原理，还要能够熟练运用，解决实际问题。梯度下降、最优化理论也是必不可少的基础知识。
在深度学习领域，卷积神经网络（CNN）和循环神经网络（RNN）是核心内容，你需深入理解其结构与工作方式，尤其是池化层、激活函数、反向传播等关键概念。LSTM和GRU这类改进型RNN的理解和应用也是考察的重点。强化学习的基本思想和Q-learning、Deep Q-Networks（DQN）等算法也需有所了解。
自然语言处理方面，词嵌入模型如Word2Vec和GloVe，以及基于Transformer的BERT模型是重要考点。理解这些模型如何处理文本信息，如何进行情感分析、问答系统等任务，都是需掌握的技能。
至于学习方法，我认为首先是构建清晰的知识框架，将各个知识点串联起来，形成一个整体的理解。大量的实践是提高理解和应用能力的关键，尝试参与开源项目，或者自己动手实现一些小项目。刷题也是非常有效的学习手段，Kaggle上的数据科学竞赛，LeetCode的编程题目都能帮助你提升解决问题的能力。
阅读最新的研究论文，关注AI领域的前沿动态也很重要。例如，在arXiv上追踪新的研究成果，参加学术论坛的讨论，这些都你保持对最新技术的敏感度。
好的时间管理和自律性是保证学习效率的关键。合理规划每天的学习计划，并坚持执行，在繁重的复习中保持高效。