毕业2025-最终总结

前言

谈论所谈论的

一场持久的追踪

从去年九月到今年五月，我持续追踪着毕业所需的内容。
并记录下来，为我所用。
也许只是闲的蛋疼，但是对我而言亦有参考价值。

当我们谈及实习

实习，倒不如说是学校的无理要求。
谁家学校只认12月之后的实习呢？
之前的实习似乎就当是作废了。
并且还要在小程序持续打卡，
属实折磨。

别的不提了，就是说这个提交材料也是很傻逼，需要营业执照。
最后就是还得录视频，写实习报告。
就是两个字：麻烦。

毕业设计，论文，以及字里行间的格式

论文的话，内容几天就写完了，但是格式校对确实痛苦。
不仅要校对字体，还有段落缩进，行间距等，
对于wps苦手而言太难过了。

对于毕业设计而言，由于写的是机器学习，所以并不是很侧重于实现。
机器学习还是侧重于如何训练模型的，
假如写的系统，那就不一样了。

答辩，不止于答辩

同样的，参加了答辩，发现是真的多人写系统啊 XD
换言之，假如你不写系统，那就能得到高分。
毕竟审美疲劳了啊。

我们这一组还是很严格的，答辩也是按着流程走，
当然，大多数人还是很离谱的，一眼看出真的不怎么会 XD
当然，这种人老师也是不会放过，狠狠骂就是了。

总结

并不恐怖，只是需要用心。
无论是系统还是机器学习，无论是论文还是毕业设计。
老师并不在乎你是否做的好，只在乎你做的是否用心。
好不好需要一定能力去判断，但是用不用心一眼就知。

---

实习

关于实习报告

内容

实习报告正文内容原则上要求包括以下内容（如个别专业有不同要求的，院系可根据实际向学生另作要求）：

1. 实习目的（或研究目的） 
2. 实习内容（或完成的实习任务）
3. 实习效果、实习体会
4. 对实习的意见、建议

要求

1. 内容充实，文句通顺，语言流畅，无错别字。
2. 按国家规定的绘图标准绘制图表，图表整洁，布局合理，不徒手画制图表。
3. 毕业实习、教育实习类的实习报告字数为3000—5000字，专业实习（见习）报告字数不少于1500字。
4. 实习报告用A4纸张，纵向横排。

实习类型

类型	转正HC	时间周期	竞争难度
暑期实习	✅	3-6个月	⭐⭐⭐⭐
日常实习	❌	灵活	⭐⭐

日常实习

虽然日常实习很少有HC，
但是无论如何也是夯实基础，积累经历的渠道。
所以不要觉得日常实习就不如暑期实习。

暑期实习

gantt  
    title 2025年暑期实习进程  
    dateFormat  YYYY-MM  
    section 关键节点  
    网申投递     :active, 2025-03, 30d  
    笔试测评     :crit, 2025-03, 14d  
    技术面试     :crit, 2025-04, 30d  
    实习入职     :milestone, 2025-05, 1d  
    转正答辩     :milestone, 2025-08, 1d  
```  
## 如何投递？
### 投递渠道整理
1. **官网直投**
2. **BOSS直聘** 
3. **内推通道** 
   - 牛客网内推专区（每日更新）  
   - 校友资源（优先联系直系学长）  

### 校招信息汇总

| 类别     | 届别/名称       | 整理者            | 官网链接                                                     | 仓库链接                                                                     | 备注                                                 |
| ------ | ----------- | -------------- | -------------------------------------------------------- | ------------------------------------------------------------------------ | -------------------------------------------------- |
| 校招信息汇总 | 2025届校招信息汇总 | NAOSI-DLUT     | [项目官网](https://campus2025.top)                           | [项目仓库](https://github.com/NAOSI-DLUT/Campus2025)                         |                                                    |
| 校招信息汇总 | 2024届校招信息汇总 | NAOSI-DLUT     | [项目官网](https://campus2024.top)                           | [项目仓库](https://github.com/NAOSI-DLUT/Campus2024)                         |                                                    |
| 校招信息汇总 | 2023届校招信息汇总 | gp868          | 无                                                        | [项目仓库](https://github.com/gp868/2023-campus-recruitment-for-IT-industry) |                                                    |
| 求职攻略   | AI算法岗求职攻略   | amusi          | 无                                                        | [项目仓库](https://github.com/amusi/AI-Job-Notes)                            | 涵盖校招时间表、准备攻略、刷题指南、内推、AI公司清单和答疑等资料。                 |
| 内推资源分享 | 内推资源分享      | CyC2018        | 无                                                        | [项目仓库](https://github.com/CyC2018/Job-Recommend?tab=readme-ov-file)      | 包含内推联系方式；内推仅加速流程，不提高通过率；可通过内推人查询简历进度。              |
| 面经分享   | Datawhale面经 | datawhalechina | [项目官网](https://youngfish42.github.io/daily-interview/#/) | [项目仓库](https://github.com/datawhalechina/daily-interview)                | 涵盖机器学习、CV、NLP、推荐、开发等；算法岗重点AI算法、数据结构；开发岗重点开发、计算机基础。 |
| 污点记录   | 校招污点记录      | forthespada    | 无                                                        | [项目仓库](https://github.com/forthespada/CampusShame)                       | 截至发布最新为24届（2023秋）；记录毁意向书、三方协定、试用期裁员等行为；信息来自公开论坛。   |

---
# 毕业论文
## 论文基本步骤
### 对于机器学习相关论文
1. 引言（背景，相关研究，本文内容）
2. 相关原理
3. 基于......方法（模型），对......的研究 
4. 实验分析 
	1. 对比实验
	2. 消融实验 <没有也行，有就很棒了>
	3. 一些相关的图表，结果分析
5. 总结于展望 ]]
6. 摘要（对整个论文的概括，所以留到最后写

> 基本上来看可以分为三部分：（.1 .2） 部分方便水字数 （.3 .4） 是需要关注的核心内容 （.5 .6） 则是总结型，虽然不是最重要，但是我们不能一开始就写对吧。

### 信息系统相关论文
我不到啊

## 流程示意
### 毕业论文时间线
```mermaid
timeline
    title 毕业论文流程时间线

    九月初: 师生互选
    十月底: 确认导师
    十一月中: 提交开题报告
    来年三月中: 提交初稿
    来年三月下: 相似性检测
    来年三月底: 论文盲审
    来年四月底: 论文答辩
    来年五月初: 提交终稿

提交材料脉络

flowchart LR
    A[开题报告]
    B[中期检查]
    C[个人自我评价]
    D[文献综述]
    E[毕业设计（论文）过程版]
    F[毕业设计（论文）盲审版]
    G[毕业设计（论文）最终版]
    H[归档材料]

    A --> B
    B --> C
    C --> D
    D --> E
    E --> F
    F --> G
    G --> H

工具资源汇总

查重

工具名称	官网地址	描述
PapeRed	https://www.paperred.com/	无限免费查重
PaperCrazy	www.papercrazy.cn	无限免费查重
超星尔雅	https://dsa.dayainfo.com/	免费五次
PaperFree	https://www.paperfree.cn/	10000字免费
PaperPass	https://www.paperpass.com/	10000字免费
PaperOk	http://www.paperok.com/	10000字免费
PaperTime	https://www.papertime.cn/	10000字免费
PaperPP	https://www.paperpp.com/	5000字免费
PaperYY	https://www.paperyy.com/	每天一次
PaperWord	https://www.paperword.com/	每天一次
PaperAsk	https://www.paperask.com/	每天一次
论文狗	https://www.lunwengo.net/	每天一次
学信网	https://www.chsi.com.cn/	应届生查重一次
PaperLike	https://www.paperlike.com/	免费一次
PaperCcb	https://www.paperccb.com/	免费一次
PaperEra	https://www.paperera.com/	首篇免费
维普	https://www.cqvip.com/	应届生查重一次
万方	https://www.wanfangdata.com.cn/	应届生查重一次
Paperpro	https://www.paperpro.com/	修改文质量很高
秘塔写作猫	https://xiezuocat.com/	可以免费降重5000字
火龙果写作	https://www.mypitaya.com/	每天免费降重3000字

AIGC检测

工具名称	官网地址	主要功能	特点
千笔 AI 论文	https://www.aipaperpass.com	提供AIGC检测和降重功能，支持上传AIGC检测报告或论文原文，自动处理AI生成内容	降重结果支持知网、维普、万方等权威查重平台检测
PaperTT	https://www.papertt.com	精准识别AIGC内容，提供详细的检测报告，包括AIGC风险评估和可疑段落标记	检测速度快，用户界面友好，适合新手使用
MitataAI	https://www.mitataai.com	深入剖析论文内容，精准揪出AIGC成分，支持一键降AIGC率	免费且检测结果准确可靠
笔灵AI	https://ibiling.cn	提供降AIGC痕迹功能，基于顶尖算法还原人类写作风格	采用阿里云安全储存，加密传输，保障论文信息安全
AIQuora	https://www.aiquora.com	基于第四代NLP的超拟人文本改写系统，支持手动和自动降AIGC率	支持中文论文处理，提供普通、中等、强力三种降AIGC等级
天目	https://tianmu.people.cn	精准识别AI生成内容，支持DOC和TXT格式，单次可处理10万字文本	高亮显示AI生成句段，生成PDF格式检测报告，数据隐私保护
Smodin AI检测器	https://smodin.io	区分人工编写内容和AI生成文本，提供改进建议	支持多种语言，适用于学术、教育、专业场景
知网AIGC检测	https://aicheck.oversea.cnki.net	针对中文文献的AIGC检测，结果权威准确	需通过学校或机构获取使用权限
万方AIGC检测	https://www.wanfangdata.com.cn	提供全面的AIGC检测功能，支持版权保护和内容原创性验证	部分高校和科研机构有购买服务
免费AI检测器	https://notegpt.io	支持文本、图片、内容检测，无需登录，快速精准	完全免费，操作简单，适合内容创作者和研究人员

---

关于文献综述

参考

【本科毕业生 - 如何写好毕业论文的参考文献和文献综述】

总结

1. 引用的文章主要就是两点：时间近、等级高。
2. 似乎文献综述并不是必要选项，视频中也出现了直接合并到1.3章节国内外研究现状章节中

如何写好一篇论文文献综述

文献综述是学术论文中的重要组成部分，它不仅展示了你对研究领域的了解，还为你的研究提供理论基础。

准备阶段

1. 明确研究问题：确定你的研究问题和目标，这将指导你的文献检索方向。
2. 系统检索文献：
   • 使用多个学术数据库（如Web of Science、Scopus、Google Scholar）
   • 设计合适的关键词组合
   • 关注高引用文章、经典文献和最新研究
   • 记录检索策略，便于复现
3. 筛选和组织文献：
   • 阅读摘要进行初步筛选
   • 建立文献管理系统（如Zotero、Mendeley、EndNote）
   • 按主题、方法或时间线分类文献

撰写阶段

1. 确定综述结构：
   • 主题式结构：按研究主题或概念组织
   • 时间线结构：按研究发展脉络组织
   • 方法论结构：按研究方法组织
   • 结果导向结构：按研究结果组织
2. 写作内容要点：
   • 引言：说明综述目的和范围
   • 主体：对文献进行分析、比较和评价
   • 结论：总结现有研究状况，指出研究空白
3. 批判性分析：
   • 不只是简单罗列研究，而是分析它们之间的联系
   • 评价研究的优缺点、局限性和贡献
   • 识别研究趋势、争议点和研究空白

提升质量的技巧

1. 建立对话：让不同文献之间形成对话，而不是孤立地描述每项研究
2. 避免过度引用：每个观点选择最相关的文献支持，不需要穷尽所有相关文献
3. 保持客观：公正评价各种观点，即使与你的假设不符
4. 清晰的主线：每个段落有明确的主题句，段落之间有逻辑过渡
5. 定期更新：在论文完成前，持续关注新发表的文献

常见问题避免

1. 避免简单堆砌：不要仅仅列出”A说了什么，B说了什么”
2. 避免过度引用次要文献：优先引用原创研究而非其他综述
3. 避免选择性引用：不要只引用支持你观点的文献
4. 避免过时文献：确保包含该领域最新进展

一篇好的文献综述能够清晰地展示研究领域的现状，识别知识空白，并为你的研究提供合理的理论基础。通过系统、批判性地分析文献，你可以展示自己的学术素养并提高论文的质量。

---

毕业答辩，如何准备？

#0 前言

毕业答辩并不可怕，可怕的是对未知的恐惧

回想起之前和老师沟通的时候，老师也总是强调：
“只要不是太离谱，没人会故意为难你。”
很正常，谁没事故意卡人呢？大家都无冤无仇的。
只是要做到一件事情，那就是，至少你得对你写的东西负责，你得知道讲什么。

#1 我干了什么？

#1.1 一切从工作量出发

老师只是希望看到你的成果，也就是工作量。
“你做了什么？怎么做的？做了多久？”
大概也就是这些问题。

老师并不可能一直盯着你做毕设，对吧？
所以老师如何检查工作量？无非三个途径
1. 从你的毕业论文
2. 从毕业设计的演示视频（或者线下演示）
3. 最后就是答辩的询问
所以，抓住这三点，从这三点出发。

#1.2 如何做？

很简单，大体而言，我采用 D.D.D（Domain Drive Design）的设计思路
也就是 领域驱动设计 的想法。
何为领域驱动设计？
简单而言，就是以涉及业务作为核心，划分相关的领域，
将相关的概念填充至领域中，然后将各个概念关联起来。
沿着每个概念之间的脉络，我们可以很轻松的把控整个领域，
从而掌握全局。

而映射到我们论文答辩，那则是先厘清我们的业务（论文主题），
然后围绕论文主题建立 领域（Domain），再仔细的填充我们的领域。

#2 构建领域

#2.1 唯一核心

机器学习论文，核心就在于机器学习，
好像看起来是一句废话，但是并不废话。

机器学习是什么？很宽泛，但是总体会有一个操作流程。
从这个操作流程出发，我们可以从这个切面中去描述什么是机器学习。

前期准备 -> 构建模型 -> 评估模型

把握这个最核心的流程，也就是体现自己工作量的关键。

#2.2 把握主题

主题是必须把握的，所有的问题都会围绕它展开
在“基于深度学习（DL）和大语言模型（LLM）的花卉识别系统”
这个语境下的主题，是我们的“深度学习”和“花卉识别”
而细枝末节则是“大语言模型”。

我们的主要目的还是要建立一个基于“深度学习”的“花卉识别”模型
然后将这个模型和现有的“大语言模型”结合起来，所谓的 多模态。
而这个 多模态 也就是我们的创新点。

所以，“花卉识别”模型是基础，“多模态”是创新点。
我们先阐明自己如何构建“花卉识别”模型的，然后再提及“多模态”的事情。

#3 填充概念

#3.1 前期准备

构建一个良好的神经网络模型，必不可少的就是优质的数据集。
如何构建一个优质数据集，需要从很多方面入手
但是大体流程就是：

数据收集（数据扩充） -> 数据清洗 -> 数据强化（可选）

而其他的细节，也写在论文里面了

#3.2 模型构建（模型训练）

在论文里面已经提到了，其实跟着论文走就好了
主要就是掌握 tensorflow框架 是如何进行 数据集划分，数据集准备的，
还有如何利用 tensorflow api 进行模型构建
我们使用的是迁移学习，所以就要提到基座模型是什么，怎么进行迁移学习的（还有一些针对迁移学习的特殊处理）。

#3.3 模型评估

同样的，跟着论文走。
就是要提到一些相关的评估函数的概念
不过这些概念，在第二章有提及：

也不再赘述

#3.4 小结

也就是说，答辩的方法就是紧贴着论文和代码走，
毕竟老师了解你的工作的唯一途径只有论文和代码嘛。

#4 来自提问者

#4.1 假如角色互换

想想如果你是老师，你会问什么？
如果你是老师，你会做什么？
到了现场，无非就是打开电脑演示内容，只不过相对于系统设计，
机器学习论文“更偏向你是如何训练的”。
所以如果我是老师，我会围绕着“你是怎么训练这个模型”去发问。
这个时候上面构建的领域就派上了用场，
从领域中挑出概念一一回复吧。

#4.2 把握节奏，引导话题

实际上，答辩和面试没什么区别，
都需要我们把握话题节奏，将话题引导到有利于我们的地方。
人不可能知道所有东西，我们构建的领域再完善也有可能有纰漏。
所以，我们要拿到话题的主导，将话题引到我们的“舒适区”。
而对于自己不懂的，就不要提及了。

---