社区
community_281
帖子详情
快27了,生物得硕士,想学编程,还会有所作为吗?
yuedan
2006-10-26 08:26:36
目前正在看书,很多人都打击我说我没受过数学方面的培训,肯定不会有出息,最多就是个机械工。
真的是这样吗?
本想现在先自学然后毕业了去 尚学堂 培训一下转到这个行业,可老有人打击,心理没底了
...全文
1610
92
打赏
收藏
快27了,生物得硕士,想学编程,还会有所作为吗?
目前正在看书,很多人都打击我说我没受过数学方面的培训,肯定不会有出息,最多就是个机械工。 真的是这样吗? 本想现在先自学然后毕业了去 尚学堂 培训一下转到这个行业,可老有人打击,心理没底了
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
92 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
uuq
2006-11-02
打赏
举报
回复
搞几个生物分析软件,或数据库为后来的人方便用电脑
不过搞那些机械结合分析软件可能国内没有什么人在搞
danielzhu
2006-11-02
打赏
举报
回复
要有人指点阿
yuedan
2006-11-02
打赏
举报
回复
眩晕中。。。
cainiaoyun
2006-11-01
打赏
举报
回复
下面的不要劝了,没有用的,让他试一下就行了。或许真的就混个中国的BELL什么的,不过如果你混不好的话,你可别说当初没人劝过你......
adintr
2006-11-01
打赏
举报
回复
科学家啊!
学编程顶多也是学怎么用计算机解决生物问题, 拿编程来找工作就亏大了!
liuhui810
2006-11-01
打赏
举报
回复
据留美生说,在美国学生物的往药学这方面转的挺多的。就象学数学的往经济方面转,比较容易,是一个道理。
beijingbeerman
2006-10-30
打赏
举报
回复
如果你逻辑思维能力强,就没问题!
woyaomoney
2006-10-30
打赏
举报
回复
别瞎折腾了,便什么程,研究生白念了
softlead
2006-10-30
打赏
举报
回复
不支持!
cjer
2006-10-30
打赏
举报
回复
天~
dream_xyz
2006-10-28
打赏
举报
回复
生物硕士,面向对象的思想很强啊,建议做软件分析师
shaoye7
2006-10-28
打赏
举报
回复
生物是没什么干头了, 真的,别听那些不懂的乱说.
计算机不干也行, 学好英语去干干别的吧.
whitefatcat
2006-10-28
打赏
举报
回复
既然是生物硕士,学习编程应该围绕生物学的研究展开,千万别入IT这一行,聪明的编码者在你这个年龄都开始考虑转行了,去做管理什么的。
同意这个
飘零雾雨
2006-10-28
打赏
举报
回复
现在什么都难啊
wanglovec
2006-10-28
打赏
举报
回复
你得付出很多 很多,而且找工作是相当的不容易.
裸男
2006-10-28
打赏
举报
回复
干你的本行吧,不然你会后悔的。
21世纪,生物学其实是很吃香的。
varphone
2006-10-28
打赏
举报
回复
干本行吧,总之干自己擅长的,这年头随波逐流是难以到达成功的彼岸的。
freshairfly
2006-10-28
打赏
举报
回复
我觉得应该可以,因为我有个同事是清华的,本科和硕士都是在清华读的,核物理
人比较聪明啊
gjb999
2006-10-28
打赏
举报
回复
LZ上手肯定快
但是LZ这么多年的修炼用来做什么>???
坚持自己吧
yuedan
2006-10-28
打赏
举报
回复
我能理解楼主的苦衷
纯粹的生物产业目前在国内基本为零
其他的基本上是跟医药、食品有关,连太子奶这种东西都打着“生物科技有限公司”的旗号
少有的几个与计算机相关的公司都是做生物芯片的
而其他的例如生物数据库搭建、基因组数据分析、系统发育、结构预测等都是非赢利性的科研项目
我想问问楼主,你读研的时候一月2.5k是怎么弄到的?我目前是计算机向生物方向转
================================================================================
计算机往生物转太容易了,很多生物信息学得老板都想要计算机专业得
2.5k/月完全就是研究所得补助,但是干的活也多。至于是哪个研究所,我给你推荐两个:中科院生物物理所 北京生命科学研究所
加载更多回复(72)
女生学计算机真的难吗,女生
想学
计算机科学与技术,怕很难学懂,这门学科是不是特别难?女生学到底好不好?...
本文探讨了女生是否适合学习计算机科学与技术的问题,指出兴趣和努力比性别更重要。提到该专业就业前景广阔,但竞争激烈,需要良好的逻辑思维和数学基础。同时,列举了国内顶尖高校的计算机专业排名,为学生提供了选校参考。
自由创新研究探索:个人成长的四维操作系统
本文提出一套可落地的个人成长操作系统,围绕自由(有边界的自主权)、创新(已知框架内的可控变量置换)、研究(构建可复用的知识晶体)和探索(探针式轻量行动)四个维度展开。系统强调动作原子化、边界刚性化、知识晶体化与探索节奏化,并提供每日15分钟仪表盘、每周2小时变量实验、每月探针复盘等实操方法。内容聚焦认知科学、知识管理、人机协同与行为设计等信息技术相关实践机制。
负荷预测基于VMD-CNN-BiLSTM的负荷预测研究(Python代码实现)
内容概要:本文研究了基于变分模态分解(VMD)、卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)相结合的负荷预测模型,旨在提升电力系统中负荷预测的精度与稳定性。通过VMD将原始负荷数据自适应分解为多个本征模态函数(IMF),有效降低序列的非平稳性与噪声干扰;利用CNN逐层提取各模态分量的局部时序特征与空间结构信息;再通过BiLSTM充分捕捉时间序列的长期依赖关系与前后向动态特征,实现对各分量的高精度预测;最终通过重构获得整体负荷预测结果。该混合模型充分发挥了信号分解技术与深度学习网络的优势,显著提升了在复杂非线性、多波动场景下的预测性能。文中提供了完整的Python代码实现,便于读者复现与应用。; 适合人群:具备一定Python
编程
基础和机器学习知识,从事电力系统、能源管理、智能电网或时序数据分析等相关领域的研究人员、工程技术人员及研究生。; 使用场景及目标:①应用于电力系统短期与中期负荷预测,提升电网调度、能源规划与需求响应的决策效率;②为研究者提供一种融合信号预处理与深度学习的复合预测框架设计思路,用于处理高噪声、非平稳的复杂时序数据;③通过代码实践深入掌握VMD参数优化、CNN特征提取层设计、BiLSTM网络结构搭建及其协同工作机制,推动模型迁移与二次开发。; 阅读建议:建议读者结合提供的代码逐步实现模型,重点关注VMD的分解层数(K值)与惩罚因子(α)的选择、CNN卷积核大小与池化策略的设计,以及BiLSTM的隐藏单元数与dropout参数的调优,并通过真实负荷数据进行训练、验证与性能对比分析,以深入理解模型各组件的作用与整体优化路径。
【储能选址定容】基于多目标粒子群算法的配电网储能选址定容(Matlab代码实现)
内容概要:本文提出了一种基于多目标粒子群算法(MOPSO)的配电网储能系统选址定容优化方法,旨在解决高比例分布式电源接入背景下储能装置在配电网中的最优空间布局与容量配置问题。研究构建了涵盖经济性、电压稳定性、网络损耗等多重目标的优化模型,并通过Matlab
编程
实现MOPSO算法求解,获得Pareto最优解集,为决策者提供多样化的折衷方案。文中详细阐述了算法设计原理、数学建模过程、系统约束条件设定及仿真验证流程,充分体现了该方法在提升配电网运行效率、改善电压质量、降低网损以及促进可再生能源消纳方面的综合优势。; 适合人群:具备电力系统分析、智能优化算法理论基础,从事新能源并网、微电网规划、储能系统配置等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于含高渗透率分布式光伏或风电的配电网规划与升级改造;②指导实际工程中储能系统的科学选点与合理定容,实现电网运行的降本增效与可靠性提升;③作为多目标智能优化算法在电力系统规划领域应用的教学案例与研究基础。; 阅读建议:建议结合提供的Matlab代码进行仿真实践,深入理解算法实现细节与关键参数(如种群规模、学习因子、惯性权重)对收敛性与解集分布的影响,同时可尝试引入NSGA-II等其他先进多目标算法进行对比分析,以深化对不同优化策略性能差异的理解。
负荷预测基于CNN-BiLSTM-Attention的负荷预测研究(Python代码实现)
内容概要:本文系统阐述了基于CNN-BiLSTM-Attention混合神经网络模型的电力负荷预测研究,并提供了完整的Python代码实现。该模型融合卷积神经网络(CNN)强大的局部特征提取能力、双向长短期记忆网络(BiLSTM)对时间序列前后依赖关系的捕捉能力,以及注意力(Attention)机制对关键时间步的自适应加权能力,有效提升了预测精度。文中详细介绍了从原始负荷数据预处理、模型架构设计与参数配置,到训练流程优化及预测结果评估的全过程,通过实验验证了该混合模型在捕捉复杂负荷变化模式方面相较于单一模型的显著优越性。; 适合人群:具备Python
编程
基础,熟悉深度学习框架(如TensorFlow或PyTorch)的电力系统、人工智能及相关领域的研究人员与工程技术人员。; 使用场景及目标:①应用于电网调度、能源管理系统中的短期负荷预测;②学习并掌握CNN、BiLSTM与Attention机制在时序预测中的融合方法;③为智能电网、能源大数据分析等领域的模型开发提供技术参考与代码实现范例。; 阅读建议:读者应结合提供的Python代码,复现模型训练与预测过程,重点关注各模块的数据流动与参数设置,并尝试在不同数据集上进行迁移实验,以深入理解模型的有效性与泛化能力。
community_281
702
社区成员
253,689
社区内容
发帖
与我相关
我的任务
community_281
提出问题
复制链接
扫一扫
分享
社区描述
提出问题
其他
技术论坛(原bbs)
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章