第一学期总结

昨天考完了第一学期的最后一门课，machine vision，尽自己的努力了，能写的都写了。
然后昨天下午去jurong east的IMM买了一双鞋，真的是我喜欢的那一款，而且
打五折80新，超级开心。买了一个帽子33新，小贵。当时店员说满98新（不包括帽子），再折15%，结果自己挑不出来其他东西了。
不过这次购物还是开心的，买到心仪的鞋子。之后又想买T恤，结果到了优衣库啥都没挑到，作罢，回家。

今天就比较惨了，弄调档案的事情，麻烦了好多人。但是目前看来事情是变好的，看看明天那一步能不能顺利进行吧。
许愿。

现在开始正式总结一下自己的第一个学期。五门课，给我的最大感受就是，解决问题的方法和思想很多都是相通的，把同一种解决思路套在另一个问题上也可以解决。
比方说least square method，在求一些方程、过程的最优解时就是一个最基本的思路。
数字信号处理、过程控制、神经网络、机器视觉里面很多模型的cost function的基本思想，
都是LSM。另外一个很通用的模型就是AR（auto regression）和MA（moving average），基本上很多地方都用到了这两个模型，
只不过可能换了一个表示方法，马甲拖了都是一样的思想。

然后我就发现我在课程里面学的一些“自动”、“预测”思想的模型，其实都是结合了统计里面的auto correlation/cross correlation这些方面。
也就是统计的知识很重要。同时能够将统计知识和信号方面联系在一起的就是卷积定理，因为卷积操作和乘操作在时域和频域是有关系的，而correlation和卷积操作是有相似之处的。
因此用统计的方法处理频域的问题，也就有可能了。

另外一个比较重要的思想就是改变问题的定义空间，比方说最基本的就是时域和频域的转换。
将时域的问题转换到频域之中，有些需要在时域中考虑的限制可能在频域里面根本就不存在。
比方说up sampling和down sampling，在时域中需要考虑一些混叠aliasing的问题，在频域中做就不存在。
所以从另一个空间解决问题是一个可行的办法。这个想法也体现在了支持向量机里面将低维数据映射到高维，然后就可以构造hyperplane这个思想上了。

说真的选5门课是真的累，因为一开始dissertation的题目都不是很感兴趣，所以没有选dissertation。不过现在看来，dissertation也不是很难完成。

另外就是，我的工作找的不顺利，从十月下旬开始我就没有在找工作上面下功夫了。一方面国内秋招基本结束，另一方面自己太菜挂了我多家。
还有就是很多家没有给我发起流程就结束了，心累。包括9月份投的华为，当时说12月开始面试的，今天看尽然已经结束？关键是根本就没有人跟我约，让我做了题就结束了。
可能国内经济形势真的不好过吧，有一点点担心自己出国的选择是不是正确的。我不知道我目前的能力能不能留在新加坡，
希望通过自己接下来这一个月的努力，能够增加我留下来的机会吧（哈哈，帮祖国赚外汇）。

希望自己加油，希望祖国加油。