🎓 NJUCS

一名南京大学24级计算机科学与技术专业学生的学习历程以及经验分享，会收录笔者在南京大学学习计算机期间上过课程的复习资料和往年卷，让学弟学妹们可以将更多的时间放在对更有意义的内容的搜索上。本仓库将会持续更新直到本人毕业（目前来看本科是能毕业的）。另外，该仓库也会收录笔者学习计算机时“遭受的”好课，并会定期整理阶段性的经验分享。

1. NJUCS学习资料；
2. CS经典课程；
3. CS学习心得；
4. 科研经验分享； <a id="学习资料"></a>

📚 NJUCS学习资料（经典教材 / 考试回顾）

1. 离散数学
2. 线性代数
3. 数字逻辑与计算机组成(DL&CO)
4. 数据结构（DS） <a id="经典课程"></a>

🏫 CS经典课程

1. CS61A(编程入门)
2. CS106B(数据结构)
3. CS61B(数据结构) <a id="学习心得"></a>

🧰 写在最后想说的话～

在开始一切大学学习生活前，请先学会提问的智慧和别像弱智一样提问。

如果你能理解与人交流的重要性，就不难意识到用正确的措辞提出有效的问题是一项不可多得的技能

🎓获取信息的能力

某天深夜，得知被计算机专业录取的小明下定决心在暑假就开始学习计算机课程，卷死身边人。于是他打开百度，搜索“学习计算机需要具备什么能力”。结果如图 👈 🤣

📚用Google代替Baidu:

1. 不同于百度，谷歌的推荐机制主要基于点击次数，高质量内容往往更容易被人看到；
2. 全球90%的计算机资料用英文撰写，你说你选哪个？Answer me!
3. 谷歌有强大的关键词搜索功能，如在特定网站搜索、屏蔽特定网站、关键词精确搜索等功能，能帮助你更快锁定目标；

小明听取了上文的教诲，想知道谷歌到底如何进行关键词搜索，于是他打开了谷歌，键入“谷歌如何搜索关键词”。谷歌无言，只是默默给出一个网页。小明看后当晚就做了噩梦，醒来后发誓这辈子都不要再学计算机了 🤯
而在世界的彼方，李华仅用两分半就掌握了基础的关键词搜索功能 😋

📚你有一个叫“AI”的好朋友：

1. 相比搜索引擎，问AI问题更像是与人交流，你更容易找到为需求量身定制的信息。比如你想知道“矩阵”是什么，如果去谷歌搜索，弹出的大概率是很多高深的专业性词汇，看的你头晕目眩；换做大模型，你只需输入”请用通俗的语言描述矩阵“，就能得到想要的答案。
2. 不同的AI各有所长，以下为笔者的个人经验与使用习惯：
   1. 程序设计与数学证明：DeepSeek；
   2. 搜集信息与介绍概念：Chatgpt；
   3. 日 常 闲 (瞎) 聊 (扯) ：Kimi；

这里丝毫没有贬低google search的意思，如果想搜索专业知识或进行系统性学习，google无疑是你的最佳选择。事实上，STFW是程序猿必备的能力。

小明听了以上两条建议信心满满，马上打开《高等数学》开始刷题，心想有了两大神器的帮助，已经天下无敌。面对难如登天的求极限问题小明急的抓耳挠腮。他犯了难，不知道如何向计算机表示这些题目，于是忐忑不安的打开小猿搜题......

📚提问渠道真的有很多

1. NJU有专门的数学交流群，同学们真的很热情；
2. 知乎、贴吧、微信公众号、b站、小红书、私信、约饭、约球......
3. stackoverflow: 如果不知道这是什么，请现学现卖；

⚠️如果利用这些工具仍旧没办法得到你想要的，请重温提问的智慧和别像弱智一样提问⚠️

🎓科研经验

仍旧要写在最前面：在开始一切科研经历之前，务必铭记自己一开始做科研的目的；以及，希望你的大脑是一个多线程处理器，能同时兼顾好学习科研和生活。

📚深度学习时代，学习机器学习还有必要吗？

这是一个困扰笔者一整学期的问题。笔者从大一的暑假开始学习《动手学深度学习》，该书把深度神经网络的构建视为一种和C、Python并列的编程语言教授（这也是该书作者之一的李沐老师的观点）。通过我的上述描述不难看出，这是一本适合任何专业中想要利用深度学习的初学者使用的工程性教材。问题正在这里产生：提升工程能力对科研有帮助吗？答案是毋庸置疑的，再精妙的idea都要通过一行行代码来实现，特别是在深度学习领域，代码工程能力更显得尤其重要（大概率刚进实验室的你要承担绝大部分代码实现任务，切忌认为这是在受压迫中完成的无用功，这是你成长为一名合格的科研工作者所必备的能力）。

贴出一个链接，看看大佬怎么说）

“这是一本任何专业中想要利用深度学习的初学者使用的工程性教材”。是的，我认为成为一名合格的科研工作者的第二个要素就是“具备建立现象与理论实质对应关系的能力”，这是一本工程性教材永远无法带给你的。比如你看到了某种架构的模型在其应用场景中表现出奇的好，或者自己在脑海中产生了一个新奇的观点，这时要用最快的速度在数学理论上给出一个理性(不一定客观)的解释，并设计实验验证你的猜想。类似能这样的“彼得一激灵”在就连很多论文中都只能写"experimental results"而非"theroetical"的时代显得尤其重要。

如何培养“彼得一激灵”？先来引用一段学长对我说过的话：“感觉网上的一些教程只教你怎么用，其实有些急功近利，可以看看西瓜书。”理论且系统的学习机器学习绝对是不二选择。笔者在学习机器学习之前先接触了深度学习，比起像玄学的神经网络架构，机器学习中的每一个模型都能在数学上得到严谨证明。提升相关数学素养是培养理论直觉最好的方式之一。

📚如何阅读论文？

这学期，笔者结识了一个很好的朋友，gemini（以防你念错，这里是音标[dʒeminai]）。相比于gpt，有谷歌做背书的gemini有着更强的文献检索能力。同时给上述二者同一篇论文，gpt5.2基本只会胡编滥造，而gemini3能有理有据的告诉你论文中的内容。大模型是快速分辨论文是否对胃的利器。

“AI can only take me so far！我想自己读！”

“收到！以下是一篇论文的结构组成。”

先贴出一篇论文（也是笔者阅读的第一篇论文），下面将围绕这篇论文讲述论文的结构。（待更新。。。）