考研数学 - 初数基础整理03

考研数学一的考点内容你了解了嘛? 考研数学一是众多考研学子需要攻克的重要科目之一,对考生的数学素养和综合能力要求较高。每部分内容的比例大致为高等数学占56%,线性代数占22%,概率论与数理统计占22%。下面将对每一部分内容进行详细介绍。总之,考研数学一具有一定的难度和挑战性,考生需充分了解其查看内容,制定科学合理的备考计划,持之以恒地努力,才能在考试中取得理想成绩。考研数学一的考点内容你了解了嘛? 阅读详情

代数式的分类

整式的定义 :

在有理式中,没有除法运算或有除法运算但除式中不含字母的式子叫整式。
整式包含单项式和多项式,其和、差、积、商仍为整式。

加减运算 :

几个整式相加减,有括号的先去括号,然后合并同类项。整式加法满足交换律、结合律、对乘法的分配率

整式加减法的运算步骤:
1)去括号
2)合并同类项

乘法运算 :

乘法的运算步骤:
1) 一个因式的每一项乘以另一个因式的每一项
2) 合并同类项

举例说明:



基本公式整理 :

举例说明:



相关例题 :

03-04:ΔABC的三边a,b,c满足a^2+b^2+c^2=ab+ac+bc,则ΔABC为?

举例说明:



除法运算 :

多项式除法:



余式定理的使用范围 :



因式定理的使用范围 :


相关例题 :

例03-08 若x^3+x^2+ax^2+b能被x^2-3x+2整除,则a,b各是多少 :

分析如下:



例03-09 若多项式f(x)=x^3 + a^2*x^2+x-3a能被x-1整除,求实数a

分析如下:



因式分解 :

就是把一个多项式分解成几个整式乘积的形式。

常见的因式分解:



因式分解中的十字相乘法 :

十字相乘法分析:



求根法 :

关于求根法:

待定系数法 :

关于待定系数法:

分式及运算 :

图解说明:

LAP-D协议概述 Q.921协议由称为LAPD(链路访问协议-D通道),与HDLC的关系密切,它是在ISDN D通道上使用的数据链路协议。 注:http://www.freesoft.org/CIE/Topics/125.htm LAP-D的帧格式 标志、位填充技术和FCS校验计算与HDLC一致。 16位的地址包括C/R字段、SAPI(服务访问点标识)和TEI(端点标识)。TEI用于区分使用相同ISDN... 阅读详情

相关推荐

DMA+Timer 生成 PWM 波形错位问题分析与解决

本文深入分析了DMA与Timer协同生成PWM波形时出现的错位问题,揭示了DMA传输启动时机与定时器溢出中断的微妙关系。通过占空比强制清零法和预装载值调校技巧,提供了有效的解决方案,并总结了PWM+DMA配置的最佳实践,帮助开发者避免类似问题。

weixin_29191081的博客 352

考研数学 - 初数基础整理02

相关习题训练例02-01:p = mq + 1 为质数 (1) m为正整数,q为质数 (2) m,q均为质数 解析过程如下图: 例02-02:设a,b,c是小于12的三个不同质数(素数). 且 |a-b| + |b-c| + |c-a| = 8, 则a+b+c=多少 A. 10 B.12 C.14 D.15 E.19 解析过程如下

Wang的专栏 2951

【STM32实战】利用STM32CubeMX配置PWM互补输出驱动电机

本文详细介绍了如何利用STM32CubeMX配置STM32高级定时器的PWM互补输出功能,以驱动电机等需要半桥/全桥电路的应用。通过图形化界面设置定时器参数、使能互补通道并配置关键的死区时间,结合代码示例演示了如何启动PWM输出和动态调整占空比,确保输出安全、精确的互补信号,避免MOS管直通风险,提升驱动可靠性。

weixin_29161785的博客 536

考研数学笔记26~30

考研数学笔记26~30

一角残叶的博客 1002

DDS器件原理与应用(AD9833 AD9834)

是DDS的核心组成部分,用于实现相位的累加,并输出相应的幅值。相位累加器由M位宽加法器和M位宽寄存器组成,通过时钟控制,将上一次累加结果反馈到加法器输入端实现累加功能,从而使每个时钟周期内的相位递增数为,并取相位累加结果作为地址输出给ROM查找表部分。DDS的相位信息被存放在累加寄存器中,虽然幅值和相位不是线性关系,但寄存器累加值和相位可以是线性关系,很容易用寄存器的累加值表达相位信息。

m0_49968063的博客 6454

实战游戏项目管理1-规划篇

1、前言 做研发管理10多年,进游戏行业8年,经验下来项目管理就是一门技术,结合不同行业不同项目加以不同管理方法,但原理基本一样,这里总结下游戏项目的管理一些实操方法 一般游戏确定立项前都需要做,项目预研产出一个游戏Demo,通过公司的立项评审,这个过程的项目管理相对简单一般由制作人或其他项目经理兼任,只有控制好总体时间与成本就好,这里按立项后开始讲。 2、游戏项目规划 ...

pengdali的专栏 2万+

2016考研全程规划之基础阶段

还有七八个月考研了,是时候该行动,给自己一个规划了。 考研全程规划分为:基础阶段、提高阶段、冲刺阶段。 我现在只规划基础阶段,后两个阶段待到基础阶段的基础巩固好再做打算,这样也更科学。 1、目的:基础阶段的目的就是打好基础、打好地基!对考研科目有一个整体的理解和概括! 2、必要性:基础阶段利用好了,基础打好了,自己可以有信心继续提高阶段,可以有条不紊的进行下一阶段的学习。 3、时

u011173628的专栏 580

DBeaver连接IoTDB避坑指南:手动配置JDBC驱动的完整流程(附问题排查)

本文提供了在DBeaver中手动配置Apache IoTDB JDBC驱动的完整流程与避坑指南。详细解析了从驱动创建、库文件添加(关键是指向整个lib目录)到连接测试的每一步,并重点针对常见的ClassNotFoundException、连接拒绝等错误提供了深度排查方案,帮助用户高效建立图形化管理连接。

weixin_28327051的博客 396

数学管理联考-前十个数的整除

整除(商数和余数的表示) 设整数n 被整数 m 整除,即存在整数 s ,使得 n  ms ,称 n能被 m 整除 . 能被2 整除的数:个位为0,2,4,6,8 能被3 整除的数:各位数字之和必能被3 整除。 能被4 整除的数:末两位(个位和十位)数字必能被4 整除。 能被5 整除的数:个位为0 或5. 能被6 整除的数:同时满足能被2 和3 整除的条件。 能被8 整除的数:末三位(个位、十位和...

天使之翼 433

SAP VC 可配置物料超级BOM简介

在有些业务中比如:汽车、笔记本、电脑、电梯等产品中,其中组成产品的型号个框架是确认的 ,但是框架内部的BOM是可变的,在客户下销售订单的时候,选取对应的组件 ,让后通过MRP的计算优生产线对这样的销售订单提供生产。这个时候我们需要选择我们需要的内存和硬盘的型号,还记得我们前面创建的特征值对应的吗,A对应的8G、B对应16G、X对应1T硬盘、Y对应2T硬盘,这里我们填写对应的值,我们这里选择16G的内存和2T的硬盘,B和Y。3、当我们选择了可配置物料的生产模式时,基本上就选择了按单生产的生产模式了。

我小时候很黑的博客 1万+

车载以太网测试-3【Wireshark介绍】

数据包捕获支持从多种网络接口(如以太网、Wi-Fi、蓝牙等)捕获数据包。可以实时捕获或从文件中读取已捕获的数据包。协议解析支持解析数百种网络协议(如 TCP/IP、HTTP、DNS、FTP 等)。能够深入解析协议头部和负载,帮助用户理解网络通信的细节。过滤功能提供强大的显示过滤器和捕获过滤器,帮助用户快速定位和分析感兴趣的数据包。支持基于协议、IP地址、端口号等多种条件的过滤。统计和分析提供多种统计工具,如流量图、会话统计、协议分层统计等。

车载网络测试工程师的博客 1994

2019年考研篇(2020毕业)

2019年考研汇总这干啥的? 这干啥的? 大二下学期以及大三上学期荒废了将近一年之后,重新开始写文章了,好久没来都没看到一些黑粉的评论,实在是可惜。 本人目前准备9102年的考研(本人2020年毕业),跨考计算机专业,今天先开个贴,日后会把一些考研相关的东西写上来供分享,包括学习、生活以及心态方面的内容,希望大家持续关注哦。 ...

增强哥哥的BLOG 1302

RH850从0搭建Autosar开发环境【3X】- Davinci Configurator之Port模块配置详解(MCAL配置)

RH850从0搭建Autosar开发环境【3X】- Davinci Configurator之Port模块配置详解(MCAL配置)

weixin_42412049的博客 2279

【考研数学】张宇基础 30 讲和 18 讲的区别是什么?推荐做嘛?

在备考过程中,我们要根据自己的实际情况,合理选择和使用这两本资料,制定科学的备考计划,坚持不懈地努力学习。18 讲的题目难度明显提升,更注重对知识点的综合运用和拓展,需要我们在有一定基础的前提下进行深入学习。例如,可以参考一些其他名师的高等数学辅导资料,或者做一些历年真题中的高等数学部分,拓宽自己的解题思路和视野。定期进行模拟考试,模拟真实的考试环境和时间限制,提高自己的应试能力和心理素质。18 讲的学习需要有一定的基础,因此在使用之前,要确保自己已经对高等数学的基础知识有了较好的掌握。

zhanger0807的博客 4019

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

考研经验总结——数学篇

考研经验总结——数学篇

河海大学研究生在读的学习笔记 1193

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")

随笔03 笔记整理

这篇博文主要是博主更新的。

2401_84301352的博客 2043

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

矩阵转置相关公式_「周一考研」考研数学必背公式/知识点如何整理?(高数+线代+概率)...

嗨大家晚上好,我是小R,今天是2019年9月16日,相信大多数同学已经在训练数学真题了,建议大家做真题时,每天一套,每套控制2个小时,尽量不做满3个小时,这样可以训练自己的做题专注度和速度,另外,在做题期间肯定会发现很多记不住的公式,大家可以根据自己的复习内容或者做题情况整理一份公式和知识点,方便不断翻阅和考前复习。今天就和大家以我考研期间整理公式的笔记为例,如何整理说一下考研数学必背公式/知识点...

weixin_39568172的博客 454

【全面解读】考研数学三考些什么呢?

数学三试卷满分为 150 分。其中高等数学约占 56%,即 84 分左右;线性代数约占 22%,即 33 分左右;概率论与数理统计约占 22%,即 33 分左右。考研数学三的考纲每年都会有一定的变化,但总体来说,考试的重点和难点基本保持不变。考生在备考过程中,要密切关注考纲的变化,及时调整自己的备考计划。总之,备考数学三需要考生具备扎实的基础知识、较强的解题能力和良好的心态。只有通过系统的学习和训练,才能在考试中取得优异的成绩。数学三作为考研的重要科目之一,对于众多学子的未来发展有着关键影响。

zhanger0807的博客 2190

【考研数学】怎么选合适自己的习题集?推荐跟谁?

这一轮的训练不单是简单地完成题目,还包括仔细对照答案解析去理解每一道题的解题思路,以及进行一定数量的错题整理和总结,以此来巩固所学到的知识。此外,它还包含了近 10 年的考研数学真题,并且按照考点和题型进行了细致的分类,让大家可以根据自己的需求,有针对性地进行真题精炼。在接下来的学习过程中,我们要坚持不懈,积极主动地学习,相信自己一定能够在考研数学中取得优异的成绩,实现自己的梦想。在线代方面,李永乐的相关习题集是当之无愧的首选,一定要认真钻研其中的题目,掌握线代的核心知识。

zhanger0807的博客 1281

矩阵转置相关公式_考研数学必背公式/知识点如何整理?送18页数学公式PDF!(高数+线代+概率)...

嗨晚上好呀,八月的第一个周一,你的数学收获大嘛?相信大多数同学已经开始二轮了,这个时候是大家去主动思考的最佳时机,包括对一些公式的记忆和运用。在做题期间肯定会发现很多记不住的公式,大家可以根据自己的复习内容或者做题情况整理属于自己的公式和知识点,方便不断翻阅和考前复习。今天和大家分享一下我考研期间整理公式的笔记,以我为例,讲一讲如何整理自我定制版考研数学必背公式/知识点,同时,会赠送大家我当时整理...

weixin_39611161的博客 573

数学分析习题集+历年考研真题解析相关书籍(2026.07.17)

数学分析习题集+历年考研真题解析(2024.04.06)

青少年趣味编程 3344

考研数学 - 初数基础整理06

应用题复习例题:06-01 例题:06-02 例题:06-03 例题:06-04 例题:06-05 例题:06-06 例题:06-07 例题:06-08 例题:06-09 例题:06-10 例题:06-11 例题:06-12 例题:06-13

Wang的专栏 694

考研计划 东南大学

考研计划-东南(数一、英一、专业课935) 数一:高数、线代、概率论与数理统计 使用参考资料: 1.《同济高数、浙大概率论与数理统计 》2.《李永乐基础强化系列材料》 3.武忠祥教学视频 4.《李林冲刺6套卷,李林预测4套卷》 复习策略: 1.3月初~6月底 第一轮打基础,以武忠祥视频【教材(查阅相关知识点)】为主,深刻理解书上知识点,配套练习李永乐基础练习材料 2.7月初~9月底 第二轮配套李永乐强化练习材料,张宇高数、线代、概率论18讲题目 3.10月初~考前 第三轮冲刺,按考场时间按做往年全真试题 注

weixin_44111507的博客 4085

考研数学 - 初数基础整理05

指数函数 指数函数比较大小05-02:比较大小相关例题 05-03:比较大小相关例题 对数函数05-04:引入对数函数 05-05:对数函数的研究范围: 05-06:对数函数相关例题: 05-07:对数函数的换底运算: 05-08:对数函数相关例题: 05-09:对数函数的比较大小: 方程05-10:一元一次方程和二元一次方程组: 05-11:解二元一次方程组分析:

Wang的专栏 850

2022考研:数学考研备考规划

原文链接:https://tm.qiaoqiaoxue.cn/article/120 2021考研国家线已揭晓,2022考研的同学已踏上备战之路。 结合历届辅导班直系学长学姐考研备考规划,特分享一波,小伙伴可根据自己的实际情况进行调整哦 一、试卷结构 考研数学分数学(一)、数学(二)和数学(三),各卷种试卷满分均为 150 分,考试时间的180分钟。 各卷种试卷题型结构均为:选择题10小题,每小题5分,共50分。填空题6小题,每小题5分,共30分。解答题(包括证明题)6小题,共70分。 各卷种试卷内容结构如

nibabna的博客 474

不用再找了,python爬虫为您获取知乎有关·【考研数学】·的高赞文章

首先要感谢知乎的不封之恩~ 如果想了解爬虫详情、查看源代码的朋友们可移步:python爬虫为您获取知乎有关考研话题的高赞文章(详解+代码) 我的初衷 ———————————咱不生产经验贴,咱只是经验贴的搬运工———————————— 不久前本人立志加入考研大军,在逛知乎过程中,苦于好的文章过的繁多,令人炫目,于是想尽可能多的汇总有关考研经验的高赞回答,以下便是python爬取的点赞数大于1500的考研数学话题下的文章,欢迎各位享用~ "topic:考研数学,url=‘https://www.z

shuangwei0102的博客 390
上一篇: 考研英语 - word-list-37
下一篇: 考研数学 - 初数基础整理04
Wang's Blog
博客等级 码龄12年 7438粉丝 2422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

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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