九三学社中央“青年学者综合能力提升”培训活动成功举办组织建设

2021年1月29日下午,九三学社中央青工委通过线下、线上会议相结合的方式,围绕青年学者综合能力提升议题,举办了2021年的首次培训活动。活动由九三学社北京社市委青年工作委员会和九三学社清华大学委员会承办,九三学社北京大学第二委员会青年小组协办。培训旨在提升青年社员素质,助力青年社员成长,促进全社青年工作的开展。来自清华大学、北京大学医学部的三位专家,就理科、工科及医学三个方向的科研选题、逻辑思维、课题撰写等内容进行授课。九三学社中央常委、组织部部长、青工委常务副主任杨玲,九三学社中央常委、北京市委专职副主委兼秘书长李丽萍,九三学社中央组织部组织处处长刘海红,九三学社中央青工委副秘书长、北京市委青工委主任刘涛,以及九三学社中央资源环境专门委员会常务副主任、清华大学委员会主委韩敏芳等参加。九三学社北京市委青工委副主任、北京大学第二委员会伊鸣主持。活动现场有130余人,同时网上直播在线2700余人,合计有近2900人参与了这次活动。

韩敏芳主委首先致开幕辞。韩老师欢迎在清华大学现场参会的各位老师,以及在线上参会的全国各地的朋友。她感谢九三学社中央、北京市委对清华九三的信任,将2021年的首次活动选择由清华九三承办。她说,清华九三成立于1951年,至今已有70年的发展历史。70年来,清华九三承载太多过往与辉煌,已发展成为清华民主党派的一面旗帜。新时代,清华九三有责任承担更多的任务及使命,引领中国的教育、科研等方面的发展。清华九三愿意与全国各高校九三组织对接,针对特定专题进行科普交流,为中国新百年贡献力量。

随后李丽萍副主委致辞。李主委首先欢迎全国的九三社员参加2021年的首次线上培训活动,代表社市委感谢社中央的信任,对三位教授的授课培训表示感谢。她说,社市委致力于为优秀人才搭建舞台,助力青年社员更好成长。让青年更九三,让九三更青年。最后,她表达了对青年人才的希望,希望九三青年人讲政治,有信念,增强四个意识,坚定四个自信,做到两个维护,担当起参政党的政治责任。

最后杨玲部长致辞。杨部长首先代表卢柯副主席,对参加培训的各位社员表示问候,对培训组织单位及工作人员表示感谢。杨部长表示社中央非常重视青年社员培养,始终把青年作为九三学社事业发展的主力军。社中央青工委打造社员学习交流的平台,探索疫情要求下活动的新模式。2020年开展的线上培训增强青年社员凝聚力,扩大覆盖面。希望通过本年度的三次培训,青年社员能不断加强政治思想建设,扎实做好本职工作,提高履职能力,继续加强学习,增长知识,拓宽视野,提高专业学习及理论水平,练就本领,不断开拓创新创造,为实现民族复兴贡献力量。

在培训环节首先由来自清华大学自动化系/生命学院/医学院,北京信息科学与技术国家研究中心的张学工教授做报告。张学工是九三学社北京市委文化专委会副主任、九三学社清华大学委员会副主委,清华大学自动化系教授、生命学院和医学院兼职教授,北京信息国家研究中心生物信息学研究部主任。国家杰青,“生物信息学”创新群体负责人。他的主要研究方向是机器学习、生物信息学、智能健康医疗。报告题目是“从石油物探到模式识别理论到生物信息学一一对工科(交叉学科)科研选题的一点个人感受”。

第二位报告人是来自清华大学化学系的刘磊教授。刘磊教授是九三学社北京市委青工委委员、九三学社清华大学委员会委员,清华大学化学系主任、生命有机磷化学及化学生物学教育部重点实验室主任、国家杰青、长江学者特聘教授。他的研究方向为蛋白质化学合成。报告题目是“不断加强理科科研汇报里的逻辑表述”。

最后,伊鸣受社中央组织部委托,再次感谢对本次培训工作给予大办支持的九三学社北京市委、清华大学委员会、北京大学第二委员会,感谢三位教授的精彩授课,感谢参与培训筹备工作的青年社员和工作人员的辛勤付出,培训活动圆满落幕。

会后社员们纷纷表示,报告很精彩,收获非常大,受益匪浅。

九三学社中央“青年学者综合能力提升”培训活动后反馈

2021年1月29日下午,九三学社中央青工委通过线下、线上会议相结合的方式,围绕青年学者综合能力提升议题,举办了2021年的首次培训活动。这次面向全国九三社员举办的培训活动非常成功,参加网上直播在线2700多人,会议室130多人,合计有近2900人参加。会后社员们纷纷表示,报告很精彩,收获非常大,受益匪浅。我们记录了部分社员的反馈和感想如下:

韩敏芳(清华大学)

一是张教授和唐教授都提到过在科研时要敢创新,敢探索;我个人把它理解成不畏难,敢于尝试,也不怕失败,我觉得这种科研精神在我们工作和生活中也特别重要,我在做行业研究和投资过程中经常会碰到新领域、新事物,如果说因为怕不懂就不去接触、不去学习,可能最后就是碌碌无为。

二是刘教授讲的撰写方法对我帮助特别大,写报告是工作中很重要一部分内容,刘教授讲的写作要点和写作技巧在各个领域都行之有效,而且他讲得不仅是写作逻辑,更是表达的逻辑,对我提升表达能力也很有帮助。

三是唐教授提到的关于研究构架(或者说层次)的思路,我觉得其实可以应用到很多地方,可以把这一科研思路作为一种方法论来理解。

闫天一(北京)

“想念杨部长和各位社员同志们,通过今天的培训,内心非常感动。我出生于1987年,从2015年加入九三学社,加入组织后九三新疆区委就非常关心我,培养我,帮助我。九三中央特别是九三中央青工委也经常搭建平台组织活动,润物无声,鞭策我们青年社员不断进步。一次次活动,日积月累,我们青年社员感到的是领导们、九三前辈们的良苦用心。让我作为九三社员,身处边疆,依然能够同大家一起学习,共同进步,感受到组织的温暖。

不忘九三学社的初心,不忘先贤,结合自身工作,积极履职,建言献策,做新时代统一战线的合格参政党员。”

张丁文(新疆)

原俊凤(中国科学院新疆生态与地理研究所)

“三位教授针对科研课题项目研究从不同的层面,结合自身科研经验,运用案例深入浅出进行阐释,为我们今后进行课题申报、研究帮助很大!特别感谢!”

胡斌(新疆昌吉职业技术学院)

“听了报告,颇有收获。关于基金申请,可以说仁者见仁、智者见智。但是核心的问题,无论如何讲,只是说法不同,其实内容是一样的,那就是讲清楚一个故事,能自圆其说,同时又令人信服。非行家难以为之。此处的这个‘行家’的炼成,靠着日积月累的积淀,长期实践的探索常年累月的思考和匪夷所思的付出。冰冻三尺,绝非一日之寒!十年磨一剑的坚定和坚韧才造就了其深厚的底蕴。”

张海龙(北京)

“特别感谢三位老师的细心讲解,尤其对于青年人在毕业后如何确立自己选题、转变及深化研究内容、撰写申请书方面获得重要的启发,自己收获颇丰。”

周凯(九江学院基层委员会)

“本次培训三位教授讲的非常细致入微,干货满满,受益匪浅。让我真正懂得了如何开展科研选题及研究,开拓了科研的思考与研究方法,掌握了撰写研究申报书的方法,对我的科研素养以及课题研究能力的提高,有非常大的助力和帮助!!谢谢!!”

余育新(九江职业大学支社)

“感谢学社对我们这些年轻社员的关心关怀,本次培训带给我们不仅是能力的提升,也是让我们深思优秀社员之所以优秀的一次很好的机会。”

蒋青(南昌大学第一附属医院)

“感谢三位老师的细心讲解,自己写基金的很多问题感觉今天都得到了解决。寒假努力磨本子,也祝大家基金都中。也感谢组织学社活动的各位社友。”

陈国荣(南昌理工大学)

“清华、北大是我仰望的‘星空’,见识学者风采深感差距。感谢青工委组织精心安排,感谢组织给予学习的平台和机会!”

邓四波(南昌)

“感谢社中央的组织,感谢三位教授的精彩讲课,收获满满。宝剑锋从磨砺出,梅花香自苦寒来。”

赵宁(江西前湖)

“听了今天三位老师的课,受益匪浅,从申报到写作层层深入,用实例讲述抽象的概念,更易理解。感谢三位老师的授课!”

杨文华(九江市医卫支社)

“三位教授从选题,表述,撰写三个方面给予我们很多实用的指导和建议,报告很精彩,让人受益匪浅。”

丁广妮(南昌大学)

“非常感谢学社组织安排,感谢三位专家,很细致的讲述,受益匪浅,干劲十足。”

苏函(华东师范大学二支社)

“这样的专业讲座,很好,支持多办。”

杨晓营(上海财经大学)

“三位专家精心准备,内容丰富干货满满,对我们帮助很大!感谢三位专家!感谢学社的组织!”

THE END
1.神经网络的持续学习:在线学习与非监督学习在深度学习领域,神经网络的持续学习是一个重要的研究方向。在线学习和非监督学习是两种常见的持续学习方法。本文将从背景、核心概念、算法原理、最佳实践、应用场景、工具推荐等多个方面进行深入探讨。 1. 背景介绍 神经网络的持续学习是指在网络训练过程中,通过不断地接受新的数据和信号,使网络能够不断地更新和优化自https://blog.csdn.net/universsky2015/article/details/135782662
2.在线深度学习mob64ca12d6c78e的技术博客在这个代码示例中,我们首先利用make_classification生成样本数据,然后构建了一个简单的神经网络并进行了初始训练。与传统的训练模式不同,我们在最后通过简单地调用model.fit()方法更新模型,模拟了在线学习的过程。 甘特图和类图 为了更好地理解在线深度学习的过程,可以用甘特图展示不同阶段的任务安排,以下是一个简单的甘特https://blog.51cto.com/u_16213326/11689672
3.机器学习——神经网络与深度学习:从基础到应用随着新算法、新模型和新硬件的出现,深度学习的应用前景愈发广阔。同时,深度学习在可解释性、数据需求、模型偏见等方面也面临许多挑战。未来,随着技术的不断进步,神经网络和深度学习将为人类生活带来更多可能性。https://cloud.tencent.com/developer/article/2456527
4.BrilliantBrilliant是一个在线学习平台,提供Introduction to Neural Networks课程介绍神经网络知识,让学生理解神经网络的基础知识,学习构建和调节神经网络,并应用神经网络解决实际问题。 Introduction to Neural Networks是Brilliant平台上的一门神经网络入门课程。这门课程面向初学者,介绍神经网络的基本概念、模型与算法。学习者可以在这https://www.aizhinan.cn/tools/2320.html
5.在线网课学习课堂《神经网络理论及应用(北工商)》单元测试考核在线网课学习课堂《神经网络理论及应用(北工商)》单元测试考核答案.docx,注:不含主观题 第1题 判断题 (1分) 人工神经元是一个多输入、多输出的信息处理单元 第2题 判断题 (1分) 人工神经元数学模型决定该节点本身的信息处理能力 第3题 单选题 (1分) 人工神经网络的激活函数https://max.book118.com/html/2022/0429/8132040142004075.shtm
6.今我来思,堆栈泛化(StackedGeneralization)7. 其他, 在线学习, 神经网络,遗传学习, 群体智能 等: -在线学习 Online stacking (OS) Linear perceptron with online random tree Random bit regression (RBR) Vowpal Wabbit (VW) Follow the Regularized Leader (FTRL) -神经网络Artificial neural network (ANN) https://www.jianshu.com/p/46ccf40222d6
7.李凌轩2).矿山机械的常用零部件(齿轮箱、润滑系统、传动轴等)的故障在线诊断技术 3).客户端、控制中心、数据库系统、在线物联网络平台的界面开发及其应用软件的开发 4).基于各类神经网络技术、在线学习技术等的在线诊断的故障专家系统的研发 涉及的主要理论基础: http://kzgc.neuq.edu.cn/info/1022/1217.htm
8.ai笔记在线阅读 这些课程专为已有一定基础(基本的编程知识,熟悉Python、对机器学习有基本了解),想要尝试进入人工智能领域的计算机专业人士准备。介绍显示:“深度学习是科技业最热门的技能之一,本课程将帮你掌握深度学习。” 在这5堂课中,学生将可以学习到深度学习的基础,学会构建神经网络,并用在包括吴恩达本人在内的多位https://github.com/kevenlau/deeplearning_ai_books
9.《零基础学机器学习》(黄佳)简介书评在线阅读人工智能教程籍,深入浅出神经网络与深度学习入门,基于python框架算法,机器学习入门小白书,与小冰一起课堂培训丰富的实战案例赠送全书实例源代码、案例数据集。 作者:黄佳出版社:人民邮电出版社出版时间:2020年12月 手机专享价 ¥ 当当价降价通知 ¥85.30 http://product.dangdang.com/29159728.html
10.DeepLearningSpecialization(DeepLearning.AI)Coursera深度学习专业为您提供了一条通往人工智能世界的道路,帮助您获得提升职业生涯水平的知识和技能。在学习过程中,您还将获得来自行业和学术界深度学习专家的职业建议。 应用的学习项目 学习结束后,您将能够 - 构建和训练深度神经网络,实现矢量化神经网络,确定架构参数,并将 DL 应用于您的应用程序 - 使用最佳实践来训练https://www.coursera.org/specializations/deep-learning
11.深度学习与神经网络有什么区别?深度学习和神经网络是人工智能领域中的两个重要概念,它们在很多方面有着相似之处,但也存在一些区别。本文将从定义、结构、应用等方面来探讨深度学习与神经网络的区别。 定义 深度学习是一种基于人工神经网络的机器学习算法,在大量数据上训练多层神经网络模型,实现对复杂问题的高效处理。而神经网络则是一种模拟生物神经系https://www.cda.cn/bigdata/201326.html
12.Science:神经网络模型的特征学习机制澎湃号·湃客澎湃新闻神经网络一直在推动人工智能的突破,包括现在在金融、人力资源和医疗保健等各个领域中广泛使用的大语言模型。神经网络通过反向传播和梯度下降等方法,在输入数据上自动地“发现”有意义的模式或特征。揭秘特征学习的机制一直是悬而未决的问题,但这是提高神经网络性能和可解释性的关键。 https://www.thepaper.cn/newsDetail_forward_26894581
13.神经网络3神经网络的学习算法 4神经网络的应用领域 神经元模型 编辑本段 神经网络神经元是神经网络的基本单元,其被设计成类比人类神经元的构造和工作原理。神经元由三个部分组成:树突、细胞体和轴突。树突接受来自其他神经元的电信号,而细胞体会将这些信号进行加权和求和,判断是否要产生输出信号。如果细胞体的加权和大于一https://vebaike.com/doc-view-943.html