1樓：
散養RA，老師比較寬容，自己挑了transfer learning方向，結合組裡背景，做一些Data Mining和Vedio/Image的嘗試。
當然，如果本科畢業還有實驗室願意繼續包養我，搞東搞西再幹它個二十年不成問題。。。
1. 遷移媒介方面，抽象程度會越來越高，從假設因果，到資料/示例，再到模型/特徵，再到。。。恭喜你，可以開拓一小片知識的荒原。
2. 遷移範疇方面，source domain到target domain間跨度會越來越大。同分布到不同分布，同質到異質，同任務到不同任務，同領域到不同領域，乙隻蝴蝶到一場颶風。
3. 遷移方法方面，短期內，囿於效能提公升要求，會向提高通用性、提高特定任務相關性兩個方向探索，但長遠來看，強通用、跨領域、多工才是歸宿。
P.S. 關於為什麼不看好特定任務的transfer......
我愛domain knowledge，也愛dataset insight，有了它們，資料的數量和廣度不夠的時候，才能帶著鐐銬跳舞。 但鐐銬不會戴一輩子嘛~目前很多無法很好地用模型描述解決的問題，模型不夠好領域不了解，當盡人事；資訊維度不夠廣，當改天命。
個人理解，盡量不給實驗室摸黑|ω）
2樓：
體系結構:
我覺得是加速器吧。
目前最火的神經網路加速器。(前段時間還提出乙個圖加速器，不知道現在怎麼樣了。)
計算機很喜歡的一件事情就是提供介面
從語言角度看來
微結構 > 微指令 > 編譯器 > 高階語言 > API通用處理器的微結構因為要應對各式各樣的需求，所以他的流水線處理的是一條一條的微指令。
而專用處理器應用需求就很單一，不用考慮太多問題，流水線處理物件直接是API，API定義了對資料的操作，流水線就直接使用硬體單元來實現這些操作。
做的優化更加具有針對性，效率提公升也更加明顯。
3樓：
電腦科學專業，不過現在去搞質量管理和企業流程了。在我這個領域，所謂的big picture是：
問題就在前三排，根源就在主席台。
退回來，與流程相關的就是軟體工程，這個也是我的領域，在這裡的big picture是：
軟體開發的問題就是需求問題，而需求問題就是溝通問題。
4樓：Will Wu
體系結構：
1. 其實真正驅動體系結構的不是自身，而是摩爾定律2. 摩爾定律讓晶元整合度越來越高，晶元複雜度的變化促使體系結構的演變
3. 摩爾定律即將結束，計算機體系結構何去何從？
3.1 使用新材料新技術，獲得類摩爾定律的功效：carbon nanotube, silicon photonics, 3D stacking, non-volatile memory
3.2 專用化，更多的加速IP，以犧牲通用性來獲得更高的能效比，也就是說，以後不能簡單等著摩爾定律幫我們公升級硬體，我們需要花費更多時間設計專用硬體， 並優化軟體來利用硬體的特性。人的社會是個專業分工合作的過程，如果晶元在社會中足夠多足夠重要，也只能走這條路子
5樓：特里在納舍科技
構建乙個低能耗高併發並行處理的計算框架1 降低計算能耗asic2 可以構成複雜系統的演算法
3 解決io的瓶頸的儲存和計算方式
4 壓縮協議棧
5 用模擬量構建邏輯，而不是基於bit
6 精簡的電器系統
7 更加高效的儲存系統
電腦科學導論與電腦科學概論的區別是什麼？
是不是太糾結了？我剛讀完 電腦科學概論 第十二版 收穫很大，對整個電腦科學體系有了巨集觀層面的了解，不過看一遍還不夠，所以開始再複習。我也想要不要看導論啊，對比了一下目錄，確實有些不一樣，不過既然選定了一本讀完，那下一本就應該更深入一些，比如 深入理解計算機系統 編譯原理 什麼的。樓上有人說，不看導...
知乎電腦科學領域有哪些值得關注的使用者？
zyzzzzz NLP 夕小瑤 李紀為 Towser 熊辰炎 駱梁宸 王贇 Maigo 語音 吳俁 霍華德 Tao Lei 劉知遠 憶臻 蕭瑟 CV mileistone Filestorm Naiyan Wang 周博磊 ML and theory Xenophon Tony 光喻 杜少雷 2pr...
電腦科學的基礎是什麼
每次上課都是幾百人以上，為什麼你還願意花那麼多錢讀這個專業？本文寫給打算申請電腦科學專業 Computer Science,CS 以及對CS感到好奇，甚至是不知道CS是啥的同學。 發展者老翟 第乙個是離散數學，包含邏輯與計算。可計算性啊，圖靈機什麼的，都在離散數學的框架下。對於大部分計算機應用從業者...