书是否真的很重要

和Java狼狈为奸 2016-09-29 02:37:58
大学毕业后,进入一家普通公司开始做开发,自从离开大学后有问题就百度,google。基本没接触过书。但是看那些大牛们的“自传”,基本都是读了很多书。到底要不要读书,感觉好多问题在网上基本都找到
...全文
110 3 打赏 收藏 举报
写回复
用AI写文章
3 条回复
切换为时间正序
请发表友善的回复…
发表回复
luciferisnotsatan 2016-09-29
  • 打赏
  • 举报
回复
搜索引擎只能帮你找到解决某个特定问题的方法,想要系统学习,还是要看书(电子文档也算书)。 说简单点,就是大牛能自己解决问题,lz只能在网上找到问题的解决方法。
笑容融化坚冰 2016-09-29
  • 打赏
  • 举报
回复
搜索引擎不是万能的,某些点的资料可能非常少或者隐藏的很深。如果你某个需求很急的话那就烦了。 多看技术书多些知识储备,有些问题出现你甚至无需打开搜索引擎就能解决。
大饼Ora 2016-09-29
  • 打赏
  • 举报
回复
读万卷书,行万里路
大气污染是影响公众健康与生态环境的重要问题,精准的空气质量时空预测与污染源贡献度量化是精准治污的关键支撑。针对现有研究多源融合不充分、时空关联刻画不足、预测与源解析割裂三方面缺陷,本文设计实现了城市空气质量时空预测与污染源贡献度分析系统,融合监测、气象、工业排放与交通四类数据,构建基于时空注意力的LSTM(STAM-LSTM)预测模型与基于正定矩阵因子分解(PMF)的源解析模型,形成数据融合-特征工程-预测-源解析-可视化闭环。 系统实现四类数据时空对齐与融合,构建时序与空间邻域特征,以普通克里金插值生成1km网格浓度场;STAM-LSTM引入时空注意力自适应学习站点间污染传输时变权重,以72小时输入预测未来24小时逐小时PM2.5浓度;PMF识别交通、工业、燃煤、扬尘与二次生成五个源因子,量化各源全年贡献度并分析时空演变。 实验表明:STAM-LSTM预测RMSE 24.6、MAE 17.8、R² 0.88,相对LSTM基线(30.2)提升18.5%;普通克里金插值误差8.9,优于反距离加权(11.4);源解析显示交通源28.4%、工业源23.1%、燃煤源19.6%为主要贡献源,冬季燃煤源升至27.3%、早高峰交通源达34.8%,下风向工业源贡献高出上风向8~12个百分点;减排情景显示交通源减排20%可使年均PM2.5下降5.7%,与源贡献度排序一致。 系统按五模块14组件实现,功能测试16项用例全部通过,为大气污染预警、源管控与减排政策制定提供了决策依据。 【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

703

社区成员

发帖
与我相关
我的任务
社区描述
提出问题
其他 技术论坛(原bbs)
社区管理员
  • community_281
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧