Advertisement

北京交通大学程序设计分组训练-实验一（高分通过）

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本课程为北京交通大学计算机科学专业的基础训练项目，旨在通过小组合作完成编程挑战，提升学生的算法思维与团队协作能力。本次实验一已有多名学生成功以高分通过，展示了扎实的编程技能和学习成效。 这段文字包含了一份实验报告和一份实验说明。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 北京交通大学程序设计分组训练-实验一（高分通过）
    优质
    本课程为北京交通大学计算机科学专业的基础训练项目，旨在通过小组合作完成编程挑战，提升学生的算法思维与团队协作能力。本次实验一已有多名学生成功以高分通过，展示了扎实的编程技能和学习成效。 这段文字包含了一份实验报告和一份实验说明。
     
  • 北京交通大学程序设计分组训练-实验四
    优质
    简介：本课程为北京交通大学编程系列教学活动的一部分，旨在通过小组合作的方式进行第四次实验训练，提升学生的算法理解和代码实现能力。参与者将面对一系列挑战性问题，共同探讨解决方案并完成编码实践。该实验是培养学生团队协作能力和创新思维的重要环节。 这段文档描述了需要包含的各个.cpp文件及.h文件、实验报告以及要建立的相关文件夹和配置文件。
     
  • 北京交通大学程序设计分组训练二
    优质
    北京交通大学程序设计分组训练二是面向该校学生的编程技能提升活动，旨在通过团队合作和实践操作，提高学生解决算法问题的能力。 压缩包里包含各个.cpp文件和.h文件以及实验报告和实验二的实验要求。
     
  • 北京交通大学计算思维训练-例题部分
    优质
    《北京交通大学计算思维训练-例题部分》是一本专为计算机科学入门者设计的学习资料，通过精选例题帮助读者掌握基本概念与解题技巧，培养逻辑思考和问题解决能力。 北京交通大学的计算思维训练课程仅供参考，大家可以相互学习，共同进步，早日成为技术大牛。
     
  • 北京交通大学计算思维综合训练代码答案
    优质
    本资源为《北京交通大学计算思维综合训练》课程的配套代码答案集合，涵盖各类编程习题及解答，旨在帮助学生检验学习成果和巩固编程技能。 代码是帮助你提供解题思路的，希望看了代码后可以自己独立解决压缩包内包含巅峰日、排队、目录列表字符串映射等题目相关的代码；可以免费下载点赞即可。
     
  • 北京交通大学大一C语言实验作业答案
    优质
    本资源为北京交通大学大一学生使用，包含了C语言课程实验作业的答案解析，旨在帮助学生理解和掌握编程基础技能。但请注意，鼓励独立完成作业以真正提高编程能力。 我是2014级计算机与信息技术学院的学生，在这一年里我也想为自己留下一些东西，并希望下一年学习的同学能够有所借鉴。这包括我的C语言上机题目、代码以及总结，希望能帮助以后的学弟学妹们更快地完成作业。不要觉得C语言难学，只要努力就能掌握它！
     
  • 北京交通大学计算思维综合训练课程编程练习参考答案
    优质
    《北京交通大学计算思维综合训练课程编程练习参考答案》是一本针对在校学生设计的学习资料，包含了大量编程练习题目的解答和解析，旨在帮助学生掌握编程技巧，提高解决实际问题的能力。 从input & output I到子串共有33道题目。使用C、C++、Java、Python编写，所有代码均通过平台的所有测试案例。提供的代码仅供参考，请勿直接抄袭！
     
  • 北京交通大学大一计算思维CITEL代码
    优质
    本课程为北京交通大学计算机科学入门课程，旨在引导大一学生掌握基本的编程思想与技能，通过CITEL平台进行实践操作和项目开发。 代码内容仅供参考，希望提供思路自己多思考。以下题目包含在内：（1）巅峰日；（2）并发程序；（3）电梯II；（4）卡牌；（5）语料字典；（6）字串；（7）字符串变换；（8）字符串映射。可以免费下载，点个赞即可。
     
  • 北京交通大学《深度学习》课程实验1：PyTorch基础操作练习
    优质
    本简介对应于北京交通大学的一节《深度学习》课程实验，主要内容是使用PyTorch进行基本的操作练习。通过该实验，学生可以掌握PyTorch的基础知识和技能。 一、考察Pytorch基本操作 二、动手实现逻辑回归： 1. 要求从零开始使用Tensor和Numpy相关库来实现逻辑回归，在人工构造的数据集上进行训练与测试，需对结果进行全面分析（可以选用nn.BCELoss或nn.BCEWithLogitsLoss作为损失函数，并可选地自行编写二元交叉熵损失函数）。 2. 使用torch.nn模块完成逻辑回归的构建和在人工数据集上的训练及验证工作，同样需要从loss、准确率等多个维度进行结果分析。 三、动手实现softmax回归： 1. 要求利用Tensor和Numpy相关库独立开发softmax回归算法，并将其应用于Fashion-MNIST数据集中，在此基础上进行全面测试（包括但不限于损失值以及在训练集与测试集上的准确性），并要求自主完成交叉熵损失函数的编写。 2. 利用torch.nn模块实现softmax回归模型，同样需要对Fashion-MNIST数据进行训练和验证工作，并从loss、准确率等多个方面详细分析结果。