想咨询一下关于计算机学生在大学四年应是以数据结构和算法为重还是技术为重？的问题，大家能帮助我解答一下吗
比尔盖茨写了BASIC在PC上的解释器，但是能写解释器的人还是不少吧，不能和里奇，汤普逊相提并论。 不过里奇还有汤普逊也是被历史选中的人，第并不一定代表最厉害。
高德纳可能更厉害一点，算法和数据结构才是计算机的精髓，这老爷子到现在还在出书。 不过这还是一众小神，真正的大神是冯诺依曼，图灵。
他们在2战时奠定的计算机的理论基础，直到现在，无论人工智能多么发达，还是没有能突破这种计算机架构。
我是一名计算机爱好者。先贴出我的成绩(图1,2)，再进行说明，kaggle是面向国际的人工智能热门比赛，我用试错法从图中可看出我参加了18场比赛，其中认真进行的比赛大约有10场，其中5场拿到了2银3铜的成绩，另外所有场次都是单人solo进行的，几乎没有人协助我完成比赛，本人非科班计算机211退学(学信网可查)选手，大学时期学过一些最基本的C/C++技术知识，但需要重修才勉强通过，也就是相当于基本不能从事计算机职业人士，后来退学后，我凭借着优秀的自学能力，自己学了很多计算机技术，虽然没有成系统性的学习，但是也学了3-4年(包括编程语言，数据结构与算法)，然后随着2016年阿尔法狗的兴起，我紧跟前沿，于是也随之学习AI技术2年左右(图像方面)，然后2018年开始参加Kaggle比赛，在比赛中我基于基本的编程与常用的算法知识，还有刚学到的AI基本技术，开启了kaggle之旅，第一场比赛由于平台99.99%的人都用python，而我只会C语言，那么我几乎看不懂比赛讨论区的任何技术性文章，只能100%依靠自己用C语言(caffe框架)编写的程序获得一份概率分数作品，然后提交到比赛服务器上，所有过程都是用C语言写的，得了一个在赛后比赛第一说42.5%是基本的成绩，也就是比赛第一(他最终的分数是78+%,而我是42.5%)所说的承认了42.5%以上的成绩不是随机水平的分数线，而是有基本AI知识的分数线。而后我发现用C语言打比赛是件愚蠢而低效的事情，这是我比赛的第一次转折，从那时起，我改用python，边学python边打比赛，其中用的是谷歌的tensorflow框架，当时认为该框架是极简主义的典型框架，适合初学者，但是缺点也是显而易见的，就是不太灵活，因为属于静态框架，而pytorch当时也是存在的，这个框架属于动态框架，很灵活，但对刚入比赛选手不太友好，所以选定了tf框架后，开始比赛，起初比赛进行的并不顺利，又要学习新语言又要学习新框架，所以当时就是几乎没有任何人类先验知识的情况下，我用了一个比较前沿的学习方法，就是试错学习方法，在代码中不断尝试各种可能进而学习且比赛，当然在尝试各种可能过程中，必然有些可能是显而易见的错误(某些人士称之为瞎试，但是试验总是要有的，万一试验成功了呢？有时候往往不太可能的试验，可能会出现可能正确的结果，不要被先验知识束缚住，就像梦想总是要有的，万一实现了呢？！)就这样，我不能说索引了所有路径，也可以说索引了我能想到的所有的路径。就这样经历了7-8个比赛后，我的python与tf框架都很熟练了，并且也拿到了2铜的成绩(2铜or3铜？忘记了，这不是重点。)在7-8场比赛后，我发现逐渐使用pytorch的人多了，同时也在比赛中受挫，所以决定改用pytorch动态框架，这是我比赛生涯的第二次转折，pytorch框架用了大约有7-8场后，拿到了2银1铜的成绩，总成绩可以看下面两张图。
试错法：是强化学习的理论基础，当然如果上升到理论，还要有一些数学公式证明等。而我是试错学习的实践者，试错学习可以零基础学习任何没有人类先验知识的技术方法，当然人类模拟试错学习实践肯定没有机器基于强化学习理论的试错学习方法要快与准，但是这种特殊的学习方法可以用于创新创造，而不仅仅是学习熟练的技术，这一点可以在未来慢慢检验....,大家可以看看今日头条一些人工智能计算机技术文章，现在的智能体可以解决一部分奥数题了，链接 网页链接
综上所述，当代人所处的时代是信息时代，网络时代，互联网，物联网等万物互联时代，所以合理捕捉网上的技术性知识是每一个有自制力的成年人应该所掌握的学习工具。我个人五年的经历可以看出，即使你没有在大学期间学习到多少专业计算机知识，但是也可以靠自主学习(当然有一定的数学&逻辑基础)来跟上时代前沿。
最后：对于懂试错学习的专业人士可以进行留言简单交流，对于其他人，不喜勿喷哈。
看自己的长处，是以产品规划 制胜，还是以 思想深度制胜。有些公司和产品只所以取得巨大成功，主要因素不是技术突破，而是产品规划，比如长视频网站，因内容获取成本太高，大多数没有盈利，而搞短视频的有几家发展很快，长视频和短视频 从技术上来说，没有什么重大差别，差别就在产品规划，抓住用户的心理。如果个人发展计划，以后以产品规划为主，那就应该以技术为重，尽早熟悉一些开发工具，比如android app 开发，或前端开发，或web 后台开发，然后推出个人产品，比如android app,个人网站 等。获得相关用户反馈经验。如果个人规划是以思想深度致胜，想做类似于 deepmind 开发 alphago 或 波士顿动力 开发机器人，那就应该以 算法和数据结构为主。熟悉了 本科相关 数据结构和算法内容以后，尽早熟悉 人工智能 领域的 前沿算法 比如 神经网络，蒙特卡洛数搜索等。以及自己感兴趣领域的 研究方法。
首先数据结构和算法也是技术，我猜提问的说的技术可能是一些框架的使用啊，或者一些实操做系统的能力。
计算机学生如果你是网络安全专业，以后工作倾向以公司网络安全为主的话，你应该关注安全方面的，比如一些协议啊，防火墙规则策略啊之类的，当然，还是建议数据结构和算法了解一些。
如果是工作后主要想从事程序相关，那数据结构和算法绝对是重中之重的，是基础中的基础。如果还想往更高处走，数学是更重要的，离散数学重逻辑，概率统计重分析，运筹学、数学建模重解决实力问题，更有现在火热的人工智能，都和数学分不开的。
大学毕业只能做基本技术，写写代码。因此，技术重要。
#量子计算机#百度推出 10-Qubit 量子计算机
百度推出了第一台名为“乾始”的超导量子计算机，据称这是世界上第一个“全平台量子软硬件集成解决方案”，并且已经可供公众使用。
10-qubit 量子计算机在北京的量子创造 2022 大会上被披露，它结合了百度的硬件、软件堆栈（量羲），以及一些“实用的量子应用”。该公司还指出，其他商用量子计算机目前只能提供高达 7 个量子比特的性能。
百度可能以其搜索引擎而闻名，但相信其量子计算机可以帮助人工智能、计算生物学、材料模拟和金融技术的快速发展。已经存在的应用包括用于新型锂电池开发和蛋白质折叠模拟的量子算法。
目前，该领域的其他参与者正在研究功能更强大的量子计算机。富士通将在 2023 年开始销售 64 量子比特的机器，然后在 2027 年 3 月之后销售 1000 量子比特的机器。谷歌的实验室已经拥有一台 53 量子比特的量子计算机，IBM 去年展示了一台 127 量子比特的机器。然而，IBM 的目标是到2025 年实现超过 4,000 个量子比特。与此同时，百度目前正在研发一款 36 量子比特的量子芯片。
基础非常重要，这可不是两行普通业务代码的事，如果未来有机会进入关键技术领域，你就知道你不仅要懂编译、指令集设计、流水线架构、底层库开发、系统驱动，还要有足够的理论知识发表重大论文、专著，脱口成章，博览众长。一个人的能力和精神中学时代就决定了大半，大学四年也是非常关键
技术和数据结构算法那个重要，我觉的都重要，也都不重要，没那么绝对。
这两个学习也不矛盾，大学里学的技术和数据结构和算法都是基础理论，也没有多深？
两者是可以兼顾一起学习的。除非你再大学想好了，以后只干算法或者只干技术，我这边说的放弃不是让你彻底放弃，只是不付出太大精力在上面。
说说工作以后吧，以我为例，10年老Java程序员啊。java技术掌握好足够混饭吃了，以及后面向上发展还有深入研究某些技术，
有算法的基础知识支撑足够了，何况工作以后工作中也可以学习，学习是一个不断持续的过程。
关注我私信我回复21套分享你4000Gjava视频资料，以及各种电子书，老赵每天会分享技术和经验。
数据结构和算法也是属于技术呀，建议重理论、原理。实践以后去企业有得是时间。
基础就是技术，技术就是基础的再创造。
数据结构和算法是基础，肯定不是唯一的基础。高数，线代，汇编，计算机原理等等，该有的课程一个都不能少。不然将来，你就发现有的地方会断层。
当然如果你有明显的侧重方向，就可以有的放矢。
点石成金
2022-09-23大学好好夯实基础就可以了，如果准备读研就以算法为主，如果准备直接工作要以你说的技术为主。