1樓：LZTNN
我覺得不好，有人告訴我說計算機專業現在學的都十幾年前甚至幾十年前的知識了，我一聽就覺得不太妙了；我覺得電腦科學面臨著前所未有的停滯，好像該完善的體系基本都有了，只是修修補補罷了；更糟糕的是，現在好多學生畢業連基本的計算機迭代的歷史以及計算機體系的基本構成都沒有透徹學習，他們怎麼能繼續推動電腦科學進步呢？大概畢業後找個好工作就是這些人的目標了吧。唉，反正我對計算機的未來很擔憂，我覺得要推動電腦科學的進步還是需要在硬體層面進行革新，這依賴於材料，物理等基礎學科的發展。
2樓：皮友jKoEtUyW
計算機永遠是最前沿的，任何最賺錢的事情永遠都只會發生在網際網路領域裡面
前景好的一塌糊塗
想知道為什麼，去看看矽谷，看看中關村，是多麼發達
最主要的還是看看工資
怎麼樣，看到這些工資心動吧
但是你得有那個實力
學技術最主要的是不斷摸索，因為最前沿的東西一定都是摸索出來的，在學校裡面是學不到的
老師僅僅是照本宣科
像大神看齊，你才能學到你想要的東西
因為大神在這個領域有著很深的積累，如果能夠從大神那裡獲得一些經驗，那真的是給你省掉很多的時間，少走很多的彎路
我做了15年的計算機逆向和開發，在這個領域有很深的積累，如果你想要從事網際網路行業，可以找我交流學習
import numpy as np
""" Here I implemented the scoring functions.
MAE, MSE, RMSE, RMSLE are included.
Those are used for calculating differences between
predicted values and actual values.
Metrics are slightly differentiated. Sometimes squared, rooted,
even log is used.
Using log and roots can be perceived as tools for penalizing big
and types of data
"""# Mean Absolute Error
def mae(predict, actual):
"""Examples(rounded for precision):
>>> actual = [1,2,3];predict = [1,4,3]
>>> np.around(mae(predict,actual),decimals = 2)
0.67
>>> actual = [1,1,1];predict = [1,1,1]
>>> mae(predict,actual)
0.0"""
predict = np.array(predict)
actual = np.array(actual)
difference = abs(predict - actual)
score = difference.mean()
return score
# Mean Squared Error
def mse(predict, actual):
"""Examples(rounded for precision):
>>> actual = [1,2,3];predict = [1,4,3]
>>> np.around(mse(predict,actual),decimals = 2)
1.33
>>> actual = [1,1,1];predict = [1,1,1]
>>> mse(predict,actual)
0.0"""
predict = np.array(predict)
actual = np.array(actual)
difference = predict - actual
square_diff = np.square(difference)
score = square_diff.mean()
return score
# Root Mean Squared Error
def rmse(predict, actual):
"""Examples(rounded for precision):
>>> actual = [1,2,3];predict = [1,4,3]
>>> np.around(rmse(predict,actual),decimals = 2)
1.15
>>> actual = [1,1,1];predict = [1,1,1]
>>> rmse(predict,actual)
0.0"""
predict = np.array(predict)
actual = np.array(actual)
difference = predict - actual
square_diff = np.square(difference)
mean_square_diff = square_diff.mean()
score = np.sqrt(mean_square_diff)
return score
# Root Mean Square Logarithmic Error
def rmsle(predict, actual):
"""Examples(rounded for precision):
>>> actual = [10,10,30];predict = [10,2,30]
>>> np.around(rmsle(predict,actual),decimals = 2)
0.75
>>> actual = [1,1,1];predict = [1,1,1]
>>> rmsle(predict,actual)
0.0"""
predict = np.array(predict)
actual = np.array(actual)
log_predict = np.log(predict + 1)
log_actual = np.log(actual + 1)
difference = log_predict - log_actual
square_diff = np.square(difference)
mean_square_diff = square_diff.mean()
score = np.sqrt(mean_square_diff)
return score
# Mean Bias Deviation
def mbd(predict, actual):
"""This value is Negative, if the model underpredicts,
positive, if it overpredicts.
Example(rounded for precision):
Here the model overpredicts
>>> actual = [1,2,3];predict = [2,3,4]
>>> np.around(mbd(predict,actual),decimals = 2)
50.0
Here the model underpredicts
>>> actual = [1,2,3];predict = [0,1,1]
>>> np.around(mbd(predict,actual),decimals = 2)
-66.67
"""predict = np.array(predict)
actual = np.array(actual)
difference = predict - actual
numerator = np.sum(difference) / len(predict)
denumerator = np.sum(actual) / len(predict)
# print(numerator, denumerator)
score = float(numerator) / denumerator * 100
return score
3樓：親親親愛的小狐狸
沒那麼好
但比起有些專業算不錯的了
而且這個東西也要看你自己學得好不好
如果你在如今最差的那個專業排名第一，你也會是很厲害的人
4樓：EQ無
計算機類方向現在或者說近幾年內還是相對比較吃香的。但是也面臨了另外乙個問題，人員技術水平參差不齊，相對低端的人員過度飽和，中高階人才較為缺乏。詳情可以參考我的另乙個回答。
計算機專業真的前景很好嗎
江西新華電腦餘 網際網路時代學IT肯定不錯的，電腦相關專業也分為很多方向的，有設計，有動漫遊戲，還有軟體方向等等，看你自己對哪個方面更感興趣些。 牛牛碼特 來了，我就來單純說說計算機，我認為這個專業目前最大的吸引力，學幾年，努力情況下，可以達到的下限 上限都太高了。科班出身的，只要大方向沒問題，朝著...
計算機專業的學生未來在何方
肥羊 本人也是大一，來跟題主交換一下觀點 我的專業是資訊保安，跟人工智慧，機器學習沾邊但是可以沒有關係。首先我認為計算機領域的需求量絕對會繼續增長，而且崗位豐富。比如我現在雖然是資訊保安專業，但是到目前只是確定了走web的方向，一點安全知識都沒學，倒是開發學了不少，說難聽點我安全走不下去了我轉開發也...
計算機專業的就業前景如何？
長沙一度IT學校 中國IT行業已經步入了乙個高速發展的時代。每年的IT人才缺口人數都高達百萬以上。在我們的工作中 學習中 生活中無不存在和使用著網際網路資訊科技。因此，現在市面上現在學開發的機構太多。可以實地考察一下，在多重選擇，多看一下大品牌，口碑好的。 龍躍十二 看了下大家的回答，都是說計算機專...