12门课100分,直博清华的学霸火了!“造假都不敢这么写”

使用cartographer纯定位替换amcl定位 经过实际使用,发现cartographer定位对于重定位的表现比amcl好。如果机器人的起始位置离原点较远,amcl很难自行重定位到正确的位置,只能手动修改初始位置。然而cartographer定位的表现则很好,在行驶一段距离或原地旋转一段时间后能够正确重定位。 阅读详情

近日,一位数学系学霸的成绩单引发关注

>>>>

就是这份

12门课100分

还有多门99分98分的成绩单

各科成绩都很优秀

被网友称为“造假都不敢这么写的牛”

这份成绩单的主人公叫宋震

北京科技大学数学与应用数学专业

2017级学生

现保送至清华大学数学科学系

数学专业基础数学方向攻读博士学位

他的笔记 ↓

他的获奖证书 ↓ 

但是你知道吗

他其实是位逆袭的学霸

刚入学时一门课的模考

他曾考过25分

“刚上大学的时候,我其实不喜欢数学专业”,宋震第一次数学分析模考只考了25分。作为一名高考成绩635分的高分考生,这次考试让宋震开始思考自己的定位和方向。

大一上学年结束,宋震的各门专业课均高于90分,1/3的课程超过95分。慢慢地,宋震开始喜欢上数学。经过不断努力,他三年综合加权成绩98.5分,期间12门课程获满分,专业排名第一。

大二他选择参加了许多竞赛。他表示,不只是为了获得某项荣誉,更多地是想借此开阔自己的眼界,也能够对自己的专业有更深刻的认识与理解。

数学学习对于宋震来说,绝不意味着题海战术。“学习要注重思维的培养,理解才是关键所在。”因此,宋震说他用得最多的“辅导书”就是他的教材。“我会经常翻一翻目录,想着如果我是编书人,要怎样理清这门课的脉络。”对定理的滚瓜烂熟,对定义的清晰理解,是他掌握学习内容的关键。

“要学会举一反三,不急于求成。”遇到难题时,宋震不急着去寻求题目的答案,而是用头脑不停地思考,努力让自己找到问题的思路也是宋震的习惯之一。对于他来说,能通过一道题举一反三才最有成就感。由于科研的熏陶和自身兴趣,宋震最终决定未来成为一名教师,从事数学的研究。

看了学霸的经历

不少网友感慨

“自己就是来人间凑数的”

除了文化课的100分

有人注意到他的网球也是满分

还有人关注起了学霸的发量

不仅学习好

学生工作也做得很好

大学期间,宋震一直担任班长一职。“我是通过压缩自己的娱乐时间去完成比别人多出来的工作,因此我也经常戏称当班长是‘痛苦’的,但是接近四年的班长经历给我带来的精神财富是无可估计的。”

四年来,宋震所在的班级获评北京科技大学先进班集体、优秀团支部标兵以及首都大学、中职院校“先锋杯”优秀团支部等荣誉称号,他也因此获评北京科技大学十佳班长的称号。

此外,他还担任过数理学院学业辅导中心高等代数讲师、数理学院学生会副主席、数理学院学业辅导中心主任,“我喜欢给别人讲题,或者说,我想把我自己的经验尽可能多地教给别人。”

“我也很喜欢做志愿活动”,他觉得志愿活动是对心灵的一种洗礼,能深刻感受到帮助别人带来的快乐。“每年的迎新志愿活动我都积极参与,可以深入地与新生进行交流,帮助他们搬运行李,顺利完成开学报到,使每位新生能够在入学时便得到帮助与善意。”

这可能就是

—版权声明—

来源:北京科技大学官微、中国青年报,编辑

仅用于学术分享,版权属于原作者。


推荐阅读:
知识星球: 菜鸟学投资,星球来了!
入门: 最全的零基础学Python的问题  | 零基础学了8个月的Python  | 实战项目 |学Python就是这条捷径
干货:爬取豆瓣短评,电影《后来的我们》 | 38年NBA最佳球员分析 |   从万众期待到口碑扑街!唐探3令人失望  | 笑看新倚天屠龙记 | 灯谜答题王 |用Python做个海量小姐姐素描图 |碟中谍这么火,我用机器学习做个迷你推荐系统电影
趣味:弹球游戏  | 九宫格  | 漂亮的花 | 两百行Python《天天酷跑》游戏!
AI: 会做诗的机器人 | 给图片上色 | 预测收入 | 碟中谍这么火,我用机器学习做个迷你推荐系统电影
小工具: Pdf转Word,轻松搞定表格和水印! | 一键把html网页保存为pdf!|  再见PDF提取收费! | 用90行代码打造最强PDF转换器,word、PPT、excel、markdown、html一键转换 | 制作一款钉钉低价机票提示器! |60行代码做了一个语音壁纸切换器天天看小姐姐!|

年度爆款文案

点阅读原文,领AI全套视频资料!
java项目反编译工具记录,共计6个工具 阅读详情

相关推荐

可微编程:当深度学习遇见物理定律,重塑科学计算新范式

本文探讨了可微编程如何将深度学习与物理定律相结合,重塑科学计算范式。通过自动微分技术,它将物理方程融入可微计算图,使模型在数据驱动的同时遵守物理约束。文章以神经常微分方程为例,阐述了其在连续系统建模、科学模拟器优化等领域的应用,并分析了当前面临的挑战与最佳实践路径。

weixin_29056145的博客 135

动力节点的课堂笔记_清华学霸神仙笔记曝光,学习笔记怎么记才最有效率?

宅家上课,笔耕不辍。今天的你认真听课了吗?记笔记了吗?说到笔记,清华大学等高校最近又放出了一波学霸“神仙笔记”!看完之后,只有一个感觉:极度舒适!看来看看吧。01清华大学环境学院 孙若水逻辑学基础理论虽然看不懂,但真的感觉条理好清晰。而且,宁真的不是在用印刷体骗我吗?这个字也太太太太优秀了吧!02清华大学医学院 林盼盼神经科学及神经工程基础麻麻问我为什么跪着玩手机!知识点有多...

weixin_42365604的博客 351

【故障排查】telnet连接失败:端口23不可达的深度分析与解决方案

本文深度解析telnet连接失败时端口23不可达的常见原因与解决方案。从快速自查目标地址、端口到服务端排查,涵盖服务状态检查、防火墙配置及安全组设置,并提供进阶诊断工具与抓包分析方法。文章强调telnet协议的安全风险,建议在生产环境中改用SSH等加密协议进行远程管理。

weixin_28323057的博客 397

清北学霸的笔记方法

现在才知道什么叫笔记这些有逻辑的笔记法一、康奈尔笔记法二、麦肯锡笔记法善用工具让你的笔记更好看 转载自网络,如有版权请联系博主。 你会不会时常在想:为什么你下载了那么多笔记应用,仍然做不好笔记。 如果你的笔记毫无重点、没有结论,只是流水账式的记录发生的事或者知识点。如果你想找回某一个关键笔记,但是却一直翻不到。如果你重新看回一个星期或者一个月之前的笔记,但是毫无印象,甚至脑海里很难再现当时的内容。...

今天你学习了吗? 2609

从淬火实验到仿真验证:用ANSYS APDL复现钢球冷却温度变化(含动画生成教程)

本文详细介绍了如何利用ANSYS APDL进行淬火过程的瞬态热分析仿真,以复现钢球冷却温度变化。内容涵盖从实验数据校准材料参数、构建高保真模型、设置非线性瞬态求解,到提取节点温度曲线和生成温度云图动画的全流程。通过APDL命令流实现自动化,为工程研发和学术研究提供高效、可靠的仿真验证方法。

pz8901234的博客 791

微信小程序 - 实现嵌套H5页面唤起微信支付的实现方案+完整流程源码,微信小程序webview(H5页面)调用微信小程序支付,嵌套h5页面怎么实现小程序支付(Vue2/3移动端H5网页、公众号网页等)

h5嵌入微信小程序微信支付,H5网页嵌入到微信小程序内如何支付,微信小程序webview组件交互,内联h5页面并网页实现微信支付,微信H5页面实现微信小程序支付,微信小程序嵌套webview实现小程序微信支付,小程序中内嵌H5网页支付怎么办,用网页的支付还是小程序的支付?支付没反应,支付报错怎么办,微信小程序内嵌h5,h5调用小程序支付功能解决方案,H5网页cors跨域,真机测试无法唤起支付,无法唤起支付,uniapp微信小程序,h5小程序调用微信支付,微信小程序内嵌H5页面,如何实现微信支付功能,微信小程

🏆 前端领域优质创作者 1万+

动力节点的课堂笔记_清华学霸“神仙笔记”曝光,学习笔记怎么记才最高效?...

听说,有很多人上课特别容易走神,不是想抠手,就是想抠脚。总之,只要不是学习,他们什么都可以干。霸霸在经过一番灵魂思考后,想说:那些上课总走神的小伙伴,真的不要考虑一下记笔记吗?什么?不想记?不知道怎么记?不要慌!先来看一波清华大学等高校学霸的“神仙笔记”吧!注意:前方高能!1清华大学医学院 林盼盼神经科学及神经工程基础麻麻问我为什么跪着玩手机!知识点有多少,笔记颜色就可以有多少!电子版...

weixin_34404671的博客 870

华为OD机试真题 新系统 2026-08-16 Python&JS【智能家居模式调度优化】

智能家居系统中有多个自动化联动模式,每个模式 modes[i]=[start_time,end_time,power],表示它在左闭右开区间 [start_time,end_time) 内持续消耗固定功率 power。

MISAYAONE的博客 86

霸气!这份清华学霸整理的Java线程池笔记,2小时从入门到入坟

Hello,今天给各位童鞋们分享Java线程池,赶紧拿出小本子记下来吧! ​1.为什么使用线程池 1.频繁创建和销毁单个线程,浪费资源,并且还会出现频繁GC 2.缺乏统一管理,各线程相互竞争 2.ThreadPoolExecutor ThreadPoolExecutor有四个重载的构造方法,我们这里来说说参数最多的那一个重载的构造方法,这样大家就知道其他方法参数的含义了,如下: public ThreadPoolExecutor(int corePoolSize,

doubututou的博客 159

uni-app - 文本展开 / 收起折叠功能,支持自定义样式(当文本内容超出规定行数后,展开收起折叠的功能)兼容 H5 / App / 小程序且易用更容易修改的插件组件源码,超详细的示例代码及注释

uniapp实现文本的展开与收起功能,uniapp展开全部和收起,uniapp里文本的展开与收起,uniapp中文本内容超出规定行数后展开收起的处理,UNIAPP兼容h5、微信小程序多行文本展开或收起,uni-app中,文字超出隐藏并显示省略号(实现展开、收起全文),uni-app中文本过长-实现折叠与展开效果,中文本内容超出规定行数(字数)后展开收起的处理,超出部分...显示,uniapp适用于uniapp多行文本溢出显示...,多行文本展开或收起,uni-app-文本展开/收起折叠功能,支

🏆 前端领域优质创作者 5644

【数据集6】全球人工不透水面积GAIA(清华数据)

全球人工不透水面GAIA简介及其应用

WW、forever的博客 3810

12门课100分直博清华!这份成绩单冲上热搜,但学霸小伙也曾考过25分

点击上方“视学算法”,选择加"星标"或“置顶”重磅干货,第一时间送达金磊 明敏 发自 凹非寺 量子位 报道 | 公众号 QbitAI一份成绩单,缘何能冲上热搜?只因太惊艳!...

zandaoguang的博客 380

专转本-信息通信技术-笔记

专转本-信息通信技术-笔记

大今野 1367

12门课均100分!直博清华!这份成绩单冲上热搜...人民日报点赞

点击下方卡片,关注“CVer”公众号AI/CV重磅干货,第一时间送达金磊 明敏 发自 凹非寺 来源:量子位(QbitAI)一份成绩单,缘何能冲上热搜?只因太惊艳!来看看这画风:12门课10...

阿木寺的博客 180

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")

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

计算机 保研 直博,【推TA上头条】 | 两人直博清华,四人全部保研,但这个学霸宿舍,厉害的可不仅仅是成绩...

原标题:【推TA上头条】 | 两人直博清华,四人全部保研,但这个学霸宿舍,厉害的可不仅仅是成绩一转眼已是四月,离毕业的日子越来越近了,空气中离别的味道也俞渐俞浓。而河海大学大禹学院同寝室的四位女生:港航专业的李敏慧、水文专业的庞欣欣、水工专业的周雨奇、力学专业的崔丽,凭借她们的努力,在河海大学的舞台上演奏了一曲悠扬的大学之歌。她们均以优秀的成绩获得了保研资格,其中李敏慧、庞欣欣直博清华,周雨奇、崔...

weixin_35891825的博客 683

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

清华现超级“学霸” 15门课程100分4门99分(图)

http://learning.sohu.com/20141104/n405749097.shtml

salutlu的专栏 1986

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

人美声甜!这个“清华AI新生”火了,网友直呼惊艳

这两天,一名清华女学生火了。 来源:视频截图 9月28日,清华大学首位AI虚拟学生“华智冰”正面出镜唱歌,首次正脸亮相,并带来一首歌曲《男孩》。视频中,华智冰是一名眉目清秀的女孩。她盘腿而坐,抱着吉他忘情地唱着“忘不了你的爱,但结局难更改,我没能把你留下来,更不像他能给你一个期待的未来,幼稚的男孩……”表情动作也十分真实。 官方介绍,她的歌声、人类生物学特征全部由人工智能完成,肢体则由团队成员进行训练完成。 视频一经发出,引来众多网友围观、评论,有网友指出“这一看就是真人啊,而且华智冰没有实体”

m0_46163918的博客 7854

清华计算机系出了哪些牛人,清华大学16位学霸PK 简历吓坏网友

原标题:清华大学16位学霸PK 简历吓坏网友原标题:秒杀99%大学生!中国最牛高校学霸PK,简历吓坏网友...导读中国最牛高校学霸什么样?昨天下午,2017年清华本科生特奖答辩会上,16位学霸现身PK,争夺清华授予在校学生的最高荣誉。中国最牛高校学霸PK还记得曾今轰动网络的这张成绩单吗? 15门课程100分、4门99分、1门98分!这是当时清华大学韩衍隽同学的成绩,据了解,该图出自2014年清华大...

weixin_29775479的博客 2934

热议 | 两位14岁清华最小本科生 「天才少年」直入清华丘成桐数学领军计划

初三毕业,14岁被保送清华,还是本硕博连读。两位清华大学2021级本科新生今天刷屏了!9月3日,清华大学举行2021年本科生新生开学典礼。在今年3800多名清华本科新生中,有2人格外引人关...

深度学习技术前沿 1270

高颜值!广西730分学霸杨晨煜被清华智班录取,学习人工智能,网友纷纷求开微博!

摘要:据清华招生公众号,2019在广西招生录取圆满结束,来自南宁二中的730分学霸杨晨煜最终花落清华,被清华大学人工智能班录取。杨晨煜将师从姚期智学习人工智能,本科专业为计算机科学与技术。 据清华招生公众号,2019在广西招生录取圆满结束,来自南宁二中的730分学霸杨晨煜最终花落清华,被清华大学人工智能班录取。杨晨煜将师从姚期智学习人工智能,本科专业为计算机科学与技术。 清华是我一心所向 人工...

小K的博客 3102

秒杀99.99%大学生!看看清华的学霸到底有多牛?

中国最牛高校学霸什么样?让我们来回一下2017年清华本科生特奖答辩会上,16位学霸现身PK,争夺清华授予在校学生的最高荣誉。中国最牛高校学霸PK还记得曾今轰动网络的这张成绩单吗?15门课程100分、4门99分、1门98分!这是当时清华大学韩衍隽同学的成绩,据了解,该图出自2014年清华大学本科生特等奖学金答辩会。清华大学特等奖学金于1989年设立,是学校授予在校学生的最高荣誉。该奖项每年奖励表现最...

a52654的博客 1964

清华「男神」沈天成,踢毽子踢成了2021学生年度人物

点击上方“AI遇见机器学习”,选择“星标”公众号 重磅干货,第一时间送达报道编辑:时光 拉燕【导读】近日,2021年清华大学学生年度人物评选落下帷幕,计算机系「男神」沈天成当选,他...

weixin_36896856的博客 431

过勇 清华计算机系,清华大学16位学霸为一事现身PK 简历吓坏网友

中国最牛高校学霸什么样?昨天下午,2017 年清华本科生特奖答辩会上,16 位学霸现身 PK,争夺清华授予在校学生的最高荣誉。中国最牛高校学霸 PK还记得曾经轰动网络的这张成绩单吗?15 门课程 100 分、4 门 99 分、1 门 98 分!这是当时清华大学韩衍隽同学的成绩,据了解,该图出自 2014 年清华大学本科生特等奖学金答辩会。清华大学特等奖学金于 1989 年设立,是学校授予在校学生的...

weixin_42277672的博客 439

计算机考研400分能上清华吗,考研考了400分是什么水平 能上清华吗

考研400分意味着,考研各个科目中英语得80分,政治80分,数学和专业课加起来得240分,再或者考研英语70分,考研政治70分,考研数学和专业课加起来总分得260分,这种难度对于全国考研学生而言都是十分巨大的。考研400分是什么水平研总分是500分,能达到400分的考研成绩可以说是非常高的水平了。但是有些考研招生院校是自主命题的出题方式,对于这部分考研院校来说,在分数线的设置上会低一些,因为其考研...

weixin_30328003的博客 3314
上一篇: 宅男福利!20行Python代码,一网打尽B站小姐姐的直播信号源!
下一篇: 用数据告诉你高考最难的省份是哪里!
菜鸟学Python
博客等级 码龄9年 8092粉丝 571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