如何获得创业投资(图)

STM32的GPS数据提取程序设计说明——基于NMEA0183协议 一、硬软件平台 本次程序实现效果为对GPS信号穿送来的数据进行筛选,并将筛选后的信息通过上位机显示出来,所以此次设计所需硬件包括STM32F407、RS232转TTL、CH340USB转串口模块,注意该模块在使用前,对应的系统需要安装驱动,否则串口调试助手无法识别,另外还包括JLink下载器。 本次代码设计软件为KEIL5并结合F4固件包,上位机系统为WIN7,主机系统为WIN10。 二、算法总体思路设计 由于GPS通过RS232将数据传送给板子,因此使用两个串口资源(串口1和串口2),其中一个用来 阅读详情
创业投资的获得取决于创业企业的素质外,还需要一定的融资技巧。也就是说,获取创业资本支持的过程就是展示创业企业投资价值和发展创业企业家融资技巧的过程。

  首先在准备和创业投资人洽谈融资事宜之前,应该准备4份主要文件,提前递交《业务计划书》,并争取得到创业投资人外延网络(network)的推荐,这通常是使本企业的《业务计划书》得到认真考虑的重要一步。在大多数情况下,能够承担这种推荐任务的可以是律师、会计师或其它网络成员,因为创业投资人最容易相信这些人对业务的判断能力。

  这4份文件是:

  一《投资建议书》(BusinessProposal),对风险企业的管理状况、利润情况、战略地位等作出概要描述;

  二《业务计划书》(BusinessPlan),对风险企业的业务发展战略、市场推广计划、财务状况和竞争地位等作出详细描述;

  三《尽职调查报告》,即对风险企业的背景情况和财务稳健程度、管理队伍和行业作出深入细致调研后形成的书面文件;

  三《营销材料》,这是任何直接或间接与风险企业产品或服务销售有关的文件材料。正式和创业投资人接触之前,一般需要提前向创业投资人递交《业务计划书》,及其《行动纲要》(ExecutiveSummary)。其次在和创业投资人正式讨论投资计划之前,创业企业家还需做好4个方面的心理准备。

  (1)准备应对一大堆提问题以考查投资项目潜在的收益和风险。

  一般来说,创业投资人所提的大多数问题都应该在一份详尽而又精心准备的业务计划书中已经有了答案。值得提醒的是,一些小业主通常会认为自己对所从事的业务非常清楚并认为自己的资历很好,这样的错误务必要避免,否则会让你非常失望。企业家可以请一名无需担心伤害自己的专业顾问来模拟这种提问过程,虽然请这样一名顾问的费用并不低,但和有可能吸引到的投资额相比,付出一点代价通常是值得的,毕竟给创业投资人留下好的第一印象的机会只有一次。

  (2)准备应对创业投资人对管理的查验。

  企业家千万不要认为这种查验是对管理层或个人的侮辱。比如:虽然您10年以来所取得的成就让你自豪,创业投资基金的经理依然可能会问你:你既没进过商学院,又不是律师或会计师,也没有毕业文凭,你凭什么认为你可以将这项业务开展得合乎我们所设想的目标?对这样的提问,大多数人可能会非常气愤并反应过激,而作为一个企业家,在面对创业投资人时,这样的提问确实很有可能会碰到,因为这已构成了创业投资人对创业企业的管理进行查验的一部分,因此需要提前作好准备。

  (3)准备放弃部分业务。

  在某些情况下,创业投资人可能会要求企业家放弃一部分原有业务以使其投资目标得以实现。放弃部分业务对那些业务分散的风险企业来说既很现实又很必要,因为在投入资本有限的情况下,企业只有集中资源才能在竞争中立于不败之地。

  (4)准备作妥协。

  从一开始,企业家就应该明白,你自己的目标和创业投资人的目标不可能完全相同。因此,在正式谈判前,企业家要做的第一个也是最重要的一个决策就是:为了满足创业投资人的要求,企业家自身能作出多大的妥协。一般来说,由于创业资本不愁找不到项目来投资,寄望于创业投资人来作出这种妥协是不大现实的。

  第三,企业家还应该掌握必要的应对技巧。引资谈判通常需要通过若干次会议才能完成。在大部分会议上,创业投资人和企业家就企业家先前递交的《业务计划书》进行探讨、询证和分析。这里有两点需要注意:一是要尽可能让创业投资人认识、了解本企业的产品或服务。如果能提供一种产品的样品或半成品的话,这种认识和了解就会变得更加直观并且印象深刻;二是要始终把注意力放在《业务计划书》上。有时候会议往往会延续数小时之久,这时企业家有可能会变得非常健谈,从而自觉不自觉地就可能会谈到一些关于未来的宏伟计划,并提到某些在《业务计划书》中并未提及的产品。这一点千万要避免,因为这样的谈话会使创业投资人认为你是一个幻想者或是一个急于求成的人。

  所以事前了解所谓“六要”和“六不要”两类行为准则,有利于企业家顺利地进行引资谈判。

YOLOv11改进 | 添加注意力篇 | 结合2024最新Mamba注意力机制MLLA助力yolov11有效涨点含二次创新C2PSA(全网独家首发改进) 本文给大家带来的改进机制是结合号称超越Transformer架构的Mamba架构的最新注意力机制MLLA,本文将其和我们YOLOv11进行结合,的原理是通过将Mamba模型的一些核心设计融入线性注意力机制,从而提升模型的性能。具体来说,MLLA主要整合了Mamba中的“忘记门”(forget gate)和模块设计(block design)这两个关键因素,同时MLLA通过使用位置编码(RoPE)来替代忘记门,从而在保持并行计算和快速推理速度的同时,提供必要的位置信息。 阅读详情

相关推荐

QMT vs Ptrade:量化交易新手如何根据需求选择券商系统(附实战案例)

本文对比了QMT和Ptrade两大券商量化交易系统的核心差异,帮助量化交易新手根据需求选择合适的平台。QMT适合技术面策略开发,执行效率高;Ptrade则提供全面的财务数据和复杂策略支持。通过实战案例,展示了如何结合两平台优势实现高效量化交易。

weixin_42683394的博客 527

8-企业案例分析-1-2-3-4

8.1进入时,透过一些技术上的领先,对这个行业当时的一些产品进行了升级换代,以此迅速站稳脚跟。 过去若干年,主要举措: 1.迅速扩大规模:自身投资和兼并收购; 2.开拓国际市场; 3.拓展产品线; 4.拓宽原材料来源,建设原材料生产基地; 8.2成本分析: 决定投资回报的因素:效率和效益; 资金密集型:规模经济性,有成本优势; 财务费用:规模扩张,出现有息融资,影响企

噌胥苑——行思驿站 1087

TLF35584 窗口看门狗_理论篇

1)看门狗的结果(有效或无效触发)由相关的看门狗故障计数器独立监控。2)窗口看门狗的状态是WWO,它可能有“有效WWD触发”或“无效WWD触发”值。

舊梦的博客 2523

清华EMBA课程系列思考之十七(1) -- 新企业的孵化与创业投资

新企业的孵化与创业投资- 高建 最后一次课程了, 马上就要从清华课堂上结束全部2年的学习历程了,进入到论文阶段了,大家尤其珍惜这次课程,不仅上课的人数明显增加,打瞌睡的人也减少了不少,这不赶紧进入本期的思考时间吧。 第一部分 新机会中国的创业与创新与其他国家的表现是不一样的,中国是创业多、创新少,而西方重在创新。 创业发展的5个趋势:从数量活跃到质量为重、区域差异难以缩小、创新创业中心兴起、创业环

Jackxin Xu IT技术专栏 2337

Unity3D Lua与C#的相互调用与性能剖析详解

在游戏开发中,经常会遇到Lua与C#之间的相互调用的情况。本文将详细介绍Unity3D中Lua与C#的相互调用的方式,并对其性能进行剖析。对惹,这里有一个游戏开发交流小组,希望大家可以点击进来一起交流一下开发经验呀!一、Lua与C#的相互调用方式Lua调用C#在Unity3D中,可以通过Lua调用C#的方式来实现Lua与C#的相互调用。具体步骤如下:(1)首先需要在Unity3D项目中导入Lua的相关库,例如tolua或者xlua。

weixin_49669470的博客 1212

AI驱动的研发流程:定义高度专业和系统化的规划基准

在人工智能(AI)浪潮席卷全球的今天,软件研发的范式正经历着一场深刻而迅速的变革。AI技术的渗透,从最初的辅助工具角色,正逐步演变为驱动整个研发流程的核心引擎。传统的研发流程和项目管理方法论,在面对AI带来的高效率、高智能以及高复杂性挑战时,显得力不从心。企业对快速交付高质量软件产品、有效控制风险、并保证全流程可追溯性的需求日益迫切。

形上得其象,形下合于数;阴阳自济,玄理自明。 2181

私募股权投资、创业投资与早期创业投资:全解析与学习指南

私募股权投资机构(PE)、创业投资机构(VC)和早期创业投资机构(天使投资)在投资阶段、风险偏好和运作方式上各有特点。PE专注于成熟期企业的规模化和资本化,VC聚焦成长期企业的市场化,而早期创业投资则赌“从0到1”的创新潜力。通过学习上述权威资源,你可以系统性地掌握股权投资的知识,并紧跟行业最新动态。无论是希望深入了解行业趋势,还是寻找投资机会,这些资源都将为你提供有力支持。

weixin_47958619的博客 2627

硬件之光实战篇--Boost

当开关管处于关闭状态时,由于电感中的电流在短时间内不能瞬间消失,因此它会产生一个电感电动势,在电容器上加上一个高电压,从而使输出电压变高。--------------------------------------------------------分割线----------------------------------------------------------------在应用中,升压芯片需要根据负载电路的需求,选择合适的电感和电容等元器件,以达到所需要的升压倍数和输出电压。

m0_58664890的博客 2100

中国最佳创业投资机构TOP10

投中2019年度中国最佳创业投资机构TOP10 前言 今天看了看投中研究院的投中2019年度中国最佳创业投资机构TOP100,我不懂这些。那就用穷举法以及抓大放小,看一看前十的投资机构。借此了解金融体系。 文章目录投中2019年度中国最佳创业投资机构TOP10前言投资结构简介红杉中国深创投IDG资本君联资本启明创投同创伟业经纬中国毅达资本达晨财智GGV纪源资本思绪胡润研究院金融学总结 投资结构简介 投中2019年度中国最佳创业投资机构TOP10 红杉中国 官网 以前看小说,经常看到红杉中国 介绍:红

wsdchong的博客 2738

Halcon VariableInspect (变量检查拓展)安装指南

网址2;

T 960

RK3568点不亮EK79007 MIPI屏?别急着改时序,先检查这个初始化命令

本文深入解析RK3568开发板调试EK79007 MIPI屏幕时初始化命令的关键作用,揭示80%的时序问题实际源于命令配置不当。通过典型故障案例,详细拆解初始化命令的调试方法、寄存器映射及系统化排查流程,帮助工程师快速定位和解决屏幕点亮问题。

weixin_33657090的博客 349

如何获得创业投资

创业投资的获得取决于创业企业的素质外,还需要一定的融资技巧。也就是说,获取创业资本支持的过程就是展示创业企业投资价值和发展创业企业家融资技巧的过程。      首先在准备和创业投资人洽谈融资事宜之前,应该准备四份主要文件,提前递交《业务计划书》,并争取得到创业投资人外延网络(network)的推荐,这通常是使本企业的《业务计划书》得到认真考虑的重要一步。在大多数情况下,能够承担这种推荐任务的可

非语 1807

MindIE与vLLM-Ascend性能对决:Qwen3在昇腾910B上的推理效率实测

本文深度对比了昇腾910B平台上两大推理框架MindIE与vLLM-Ascend的性能表现。通过实测Qwen3系列模型,详细分析了二者在单卡、多卡场景下的推理效率、扩展性及生产环境适用性,为AI算力基础设施选型提供关键参考。

weixin_29214335的博客 1181

创业投资的魅力与挑战:探索未来财富之路

创业投资的魅力与挑战:探索未来财富之路》

JiYan_yellow的博客 584

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

创业投资分析

创业投资过程中的风险 逆向选择风险 含义:基于错误的或虚假的信息,做出的错误的选择所带来的风险 原因:事前信息不对称 后果:好的风险企业未被选中,较差的风险企业被选中 道德风险 含义:从事经济活动的人在最大限度地增进自身效用时作出的不利于他人的行为。 产生原因:合同不完全 事后信息不对称:风险企业管理者的努力方向和风险投资商的预期目标产生极大的偏差 技术风险 含义:是指在风险投资过程中

AirCloud 2018

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

【整理】关于创业投资VC

感谢icxo.com版主manager提供什么是创业投资华尔街电讯(wswire.com)认为, 创业投资(venture capital investment)是以权益资本(equity capital)的方式存在的一种私募股权投资(private equity investment)形式,其投资运作方式是投资公司(investor)投资于创业企业(venture companies)或高成长型...

weixin_33970449的博客 627

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

2013年中国互联网创业投资盘点

2013年中国互联网创业投资盘点 (内容转载于blog.itjuzi.com)           过去的一年,互联网行业都经历了些什么?移动互联网会怎样继续改变我们的生活?互联网创业的前景和未来怎样?BAT巨头在众多互联网领域都有怎样的卡位和布局?这份由IT桔子盘点的互联网报告,将以图文并茂的形式,带我们享用一次科技的饕餮盛宴。     对移动互联网,互联网创业,O2O

活到老,学到老! 2566

关于加快建设高质量创业投资集聚区的若干措施

创业投资是创新创业生态系统的关键要素,是加快建设国际科技创新中心、完善金融支持创新体系、促进首都高质量发展的重要力量。为进一步优化本市创业投资发展环境,支持朝阳区建设高质量创业投资集聚区,加强对创投机构的专业化、精准化、人性化服务,更好赋能全市科创企业发展,助力本市打造国际科技创新中心,制定以下措施。 (一)加大区域生态要素聚集。以东湖国际中心为基础,朝阳园功能区为核心,CBD功能区、奥运功能区等区域为重点区,进一步拓展集聚区范围,打造特色区域和楼宇群,吸引聚集国际知名创投机构及其投资企业,以及法律信用、

安迪夫的博客 5349

创业观察:湖南省大学生创业投资基金2025.4.17

一.基金概况一.基金概况湖南省设立5.05亿元大学生创业投资基金的背后,是一系列深入的政策考量和社会需求分析。这一举措不仅体现了政府对大学生创业的高度重视,也反映了湖南在推动创新驱动发展战略中的积极探索。

sinat_34897952的博客 1320

创业投资

开放分类: 社会、科学、人物、生活、历史创业投资(venture capital investment)是以权益资本(equity capital)的方式存在的一种私募股权投资(private equity investment)形式,其投资运作方式是投资公司(investor)投资于创业企业(venture companies)或高成长型企业(growth orientated enterp

南三方---网站设计开发录 653

创业投资:探索未来财富的无穷潜力与风险挑战

创业投资:探索未来财富的无穷潜力与风险挑战。

JiYan_blue的博客 644

创业投资:争议、机遇与挑战

创业投资:争议、机遇与挑战。

JiYan_Strategic的博客 435

听“中国创业投资的历史与现状”有感

<!-- @page { margin: 0.79in } P { margin-bottom: 0.08in } --> 刘廷儒老师1985年毕业于北京大学计算机系,美国斯坦福大学高级访问学者。如今已经是盈富泰克总经理。盈富泰克是一家主要从事电子信息产业的基金管理、

北京大学职业规划与领导力发展一组 2276

IT桔2013年度创业投资盘点

http://blog.itjuzi.com/?s=2013年度创业投资盘点&submit=搜索 IT桔子2013年度创业投资盘点(8): 天使和早期投资的火热,光环还是虚像 发表于2014/01/19 1  前言:IT桔子(itjuzi.com)是一家关注中国IT互联网创业投资的数据库 … 继续阅读 → 发表在行业盘点报告 | 标签有IT桔子、年度盘点

呆萌院长 1660

创业投资热点揭秘:揭示潜在价值与创新力引爆点

创业投资热点揭秘:揭示潜在价值与创新力引爆点。

JiYan_yellow的博客 609

创业投资引领新时代:挑战与机遇共存的新领域洞察

创业投资引领新时代:挑战与机遇共存的新领域洞察。

JiYan_purple的博客 472
上一篇: TIOBE2月最新程序语言使用排行榜
下一篇: qmail Vpopmail And sqwebmail HOWTO
Deligent
博客等级 码龄22年 15粉丝 37原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值