哈姆雷特心得体会篇一：听名师讲座心得体会听名师讲座心得体会前不久,观摩聆听名师讲座,名师神采飞扬,听者亦有心得。

一千个读者的心中有一千个哈姆雷特。

而面对着鲜活的教学对象，智慧的教师必然没有相同的课堂。

网络的迅猛发展，为我们提供了丰富的教学资源。

大量的可学习资源，使我们的备课效率更高了。

特别是名校名师的先进教育教学理念、细致深刻的教材解读和精巧的教学设计，给我们的备课提供了丰盈的源头活水，让我们的头脑拥有了丰富的教学智慧。

然而，任何一种资源，我们都不能采取拿来主义思想。

因为任何一种思想，都打上深深的个人思想的烙印，都是那些教师们在特定的时间，特定的教学环境下，面对自己的教学对象所作的个性思考。

它的思考也许会与唤起你的共鸣，但这种共鸣不可能是教学实施时的成功之路。

由于地域、语言习惯、知识底蕴、教学风格，甚至于教学条件的不同，都可能使你的拿来的内容在自己的班级无法实施。

从这些意义上来看，再好的课堂也是无法克隆的。

无论名师大家，还是我们身边的同事学友，观摹课堂或多或少给予我们教益。

然而，你想克隆获得好评的课堂，结果只能是东施效颦，徒增自己的茫然和难堪。

究其因，不是自己的学生没有别的班级出色，而是自己没有对别人的经验总结消化。

一旦让别人的经验成为自己的营养了，那么你必然能获得丰收的喜悦。

比如，让学生获得“特殊的稿费”，以此激发其写作的兴趣，这是教学中新鲜的创意。

但稿费从哪里来？你与学生的家长有时多少沟通？稿费的引导是否会引起负面作用？所以，创意的实现得需要有一个过程。

一是要针对班级学生的习作现状，他们的写作热情是否在消退？二是孩子在热情消退的情形下，与家长悄悄地沟通，将节省的零用钱交给老师，用于对成功的作品进行奖励。

三是稿费刺激需要借助一个有效的展示平台，比如班级或学校的刊物。

四是不要放大稿费的物质刺激，而要将此作为提升学生精神境界，提高精神需求的转折点。

五是将“稿费”与平时的作文讲评、赏识和鼓励相结合，让全体学生建立信服感，并能从中收获到写作的技巧，发表的快乐，从而将写作并发表作为自己崇高的精神追求。

“你有一个苹果，我有一个苹果，交换后每人还是一个苹果；你有一种思想，我有一种思想，交换后每人有两种思想”。

现在倡导的同课异构教学科研策略，教师在一定的教学思想、教学理论和学习理论的指导下，在一定的教学环境下展开教学进程，教学系统的四个要素（教师、学生、教材和教学媒体）相互联系、相互作用，呈现出不同的教学风格。

充满智慧的教师，面对不同的教学对象，可以使同一种教学设计，产生不同的教学的过程，获得不一样的教学成果。

现在的“同课异构”的教研方式，正是引发参与者智慧的碰撞，长善救失，取长补短，提高教育教学效果有效范式。

篇二：专家讲座心得体会乐努力，享收获——专家讲座心得体会从第7周周四到第15周周四，共16次讲座，由6位强势专家授课。

在我看来，开设这门课程的目的是激发我们对本专业的学习兴趣，多了解相关的研究方向，提升我们的专业素养。

记得有位老师说过“优秀的本质是相同的”，每位老师都在自己的研究方向上做出了很大的成果，对于我们这种处于初级阶段的学生来说，虽不是在听天书，却也难以深入理解。

既然一千个读者心中就有一千个哈姆雷特，在此我仅总结我听到的内容，并对自己感兴趣的方向进一步阐释，也算是笔记的整理吧。

第七周何光辉老师讲课的主题是“Some Recent Development of Intelligent PR and Applications”。

模式识别是个很有趣的研究方向，与我们的日常生活息息相关。

模式识别是使计算机模仿人的感知能力，从感知数据中提取信息的过程。

简言之，用机器自动识别事物。

模式识别系统由数据获取、预处理、特征提取与选择和分类决策组成。

课上没有介绍很详细的专业知识，着重讲了模式识别的应用。

主要有文本图像分析、语音识别、工业自动化如零部件或物品分类、数据挖掘、多媒体数据检索（文档、图像、视频、音乐检索）、生物特征识别、用于生物信息学、医学图像、空间探测与环境资源检测、遥感图像、安全监控（身份识别、视频监控、交通监控、音视频监听等）??人有很多特征可以记录帮助识别，如指纹、声音、人脸、姿态等。

模式识别应用范围之广令人佩服，同时，提高识别精度是很重要的研究方向，毕竟成本低的识别仪器虽已普遍应用于日常生活中，但精度较低。

一些精度很高的仪器如瞳孔扫描仪一般在重要的地方才会使用，且成本很高。

降低仪器成本、提高识别精度是很重要、很有前景的研究方向。

第八周伍俊良老师给我印象最深的是他的思想。

就我们的现状而言，相比于高中，知识学得多了，而掌握得不深、做题能力也反降不升，究其根源是我们还没养成思考问题的习惯，或者说不知如何思考问题。

伍老师提倡培养学生的创新能力、解决问题和把知识活学活用的能力，这些都是我们缺少的。

除此之外，伍老师介绍了一些问题，如IEP（Inverse Eigenvalue Problem）、NIEP（Nonnegative Inverse Eigenvalue Problem）、RNIEP和SNIEP等，当然就我们现在的水平而言，无法解决这些难题，但至少让我们知道了每一个数学分支都有很多难以解决的问题，需要数学工作者的努力，也许某一天我们专业的某某就会奋战在这个领域。

第九周是胡小兵老师的课，主题是Swarm Intelligence。

计算机的发展使优化突破了传统的限制，由此出现了各种智能算法。

通过蚁群、大雁的行为创造出蚁群算法和PSO（粒子群优化算法），这也算是大自然对人类的启发吧。

由于我对这方面较感兴趣，具体阐释放在这篇文章的后面一部分。

王坤老师针对我们的问题进行解答，主要是介绍了信息与计算科学专业的研究方向，对我们想继续深造的有一定的指导意义。

不过往哪个方向走还是看自己的兴趣所在，开心地学习是最好的选择。

李声杰老师很强势，主要介绍了向量集值优化与向量变分不等式问题的某些理论及进展。

虽然没听懂什么内容，但能听出来李老师和他的老板陈光亚院士在这方面做出了很大的成果。

Rockafellar、Auslander、Mountain Pass定理??很多名词我们都没听说过，上这两次课也只是感受一下学术的魅力。

最后三周是曾理老师讲的关于图像处理的内容，重点有三个，分别是CT、三维显示和三维图像处理。

第一，CT，即断层成像。

（未知）图像经过物理过程转化为信号，信号通过数学变换完成图像重建，这是图像和信号的互相转换过程。

若是射线穿过被探测物体，则信号强度变化，有公式如下：N?N0e???x，其中N为光穿过介质后的光强，N0为穿过介质之前的光强，?为线性衰减系数，?x为介质的厚度。

Fourier变换也在CT中起着重要的作用，时空域通过Fourier变换（FT）转换成频域，频域可通过逆Fourier变换（IFT）转换成时空域。

代数重建法就是在反投影过程中将数据平均分配回去，也正是因为“平均”分配，反投影效果不明显，图像可能不清晰。

因此出现了新的图像重建方法FBP—滤波反投影，但是它的要求较高，要求投影数据必须完整。

第二，三维显示，也称立体显示。

分为两种，分别是面绘制和体绘制。

其中，体绘制又称直接绘制，顾名思义，它是通过计算机采集三维数据集然后对三维数据的每个像素进行绘制。

着重讲了光线投射算法。

计算机的存储单位是字节，灰度的1像素占1字节，彩图的1像素则至少占3字节，若色深是32位，则说明有8位代表透明度。

在光照模型中有漫反射、完全镜面反射，而一般情况下都是非完全镜面反射。

具体过程当时没听太懂，只知道方法中用到的梯度都是通过中心差分来求的。

第三，三维图像处理。

它在医学上的应用尤其广泛。

如由CT、MR 等设备扫描得二维切片数据，然后经过三维图像处理可得到组织或器官的三维形状，其实也就是重建的过程。

三维重建相比于体绘制而言，硬件要求低、处理速度快，很适合应用于医学。

图像处理、重建需要计算机的帮助，曾老师介绍了两个算法：Marching Squares算法和Marching Cubes算法。

其中，前者的主要手段是阈值分割，目的是找出目标，通过灰度直方图和确定阈值得到新的二值图。

Marching Cubes算法也称等值面提取或移动立方体算法。

稍高深的内容没听(转载于: 小龙文档网:哈姆雷特心得体会)懂，在此也不展开叙述。

老师还总结了图像编程三层次：（1）PS，三维软件如VG++、3D MED；（2）Matlab（自带三维显示）（3）C/C++是基础，在此基础上通过运算平台CUDA进行体显示，通过open GL进行面显示，通过open CV对图像进行二维处理。

以上是六位老师讲的大体内容，由于我对胡小兵老师的智能算法较感兴趣，因此听课之后看了老师给的一些材料，将内容总结如下。

蚁群算法（ACO）是受蚁群集体行为的启发而提出的、基于种群的模拟进化算法，属于随机搜索算法。

其中一个重要名词是“信息素”。

蚁群在寻找食物或寻找回巢路径的行动中，会在它们经过的地方留下一些“信息素”，这种物质使后到的蚂蚁最大可能地选择具有该物质的路径，而且后到者留下的“信息素”会对原有的“信息素”加强，如此循环下去，经过蚂蚁越多的路径，在后到蚂蚁的选择中被选中的可能性就越大。

该过程进行下去一直到所有蚂蚁都走最短路径为止。

蚁群算法的主要优点是采用了正反馈机制。

蚁群算法的应用也很广，主要是很多组合优化问题。

它通常被用于解决（1）调度问题，如车间作业调度问题（JSP）、车间组调度问题（GSP）（2）车辆路径问题，如限量车辆路径问题（CVRP）、分批配送车辆路径问题（SDVRP）、装货配送的车辆路径问题（VRPPD）等（3）分配问题，如二次分配问题（QAP）（4）设置问题，如覆盖设置问题（SCP）、多背包问题（MKP）（5）其他如图像处理、系统识别等等。

还有一些常用的变异蚁群算法：（1）精英蚂蚁系统（2）最大最小蚂蚁系统（MMAS）（3）蚁群系统（4）基于排序的蚂蚁系统（ASrank）（5）连续正交蚁群（COAC）。

除了蚁群算法，胡老师还介绍了粒子群优化算法（PSO），它是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，属于群集智能（SI）。

PSO模拟鸟群的捕食行为，具体如下：一群鸟在随机搜索食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是他们知道当前的位置离食物还有多远，那么最优策略又是最简单有效的方法就是搜索目前离食物最近的鸟的周围区域。

在此算法中，适应值（fitnessvalue）很重要。

所有粒子都有一个由被优化的函数决定的fitnessvalue，粒子们追随当前的最优粒子在解空间中搜索。

PSO初始化为一群随机粒子，然后通过迭代找到最优解，在每一次的迭代中，粒子通过跟踪两个极值来更新自己。