又逃课了

电影票购票小程序搭建(源码部署) 答:为用户提供便捷的购票方式,包括授权登录、个性化推荐、在线选座、订单管理等功能,同时在界面设计上注重用户友好性,简化用户的购票流程。答:通过展示电影院的优惠活动和票价信息,同时提供电影推荐功能,根据用户的历史购票记录和电影评分推荐个性化的电影列表,吸引用户购票。编写页面逻辑代码:使用JavaScript编写小程序页面的逻辑代码,实现电影列表的获取、电影详情的展示、座位选择的逻辑等。设计小程序界面:使用WXML和WXSS编写小程序的界面代码,实现电影列表的展示、电影详情的样式、座位选择页面的布局等。 阅读详情

这周是第四周了吧,不记得这是第几次逃课了。

上午是随机过程,听不懂,老师又只喜欢照着书讲,而且很少讲例题;下午是矩阵理论,老师还不错,上课也算生动,不过课程好像比较简单,自己看书应该是看得懂的。

于是,总结了一个逃课理论:听不懂的课不想上,听得懂的课不必上。

当然这只是说说而已。

最近对自己的印象是,总是一个皱着眉头、苦着脸的大龄男青年。

英语课本上的第一篇是讲态度的。所谓态度决定一切。乐观的人在遇到事情不顺利的时候,会主动去寻找出路,制定计划;而悲观的人却什么也不做,因为他们认为事情已无法改变。回想起来,好像我就是一直在扮演悲观的角色。

不应该啊,这样的话,别说成功,就是做个普通人也不会幸福啊。

希望自己能成为这么一个人:乐观,真诚,主动——乐观对待生活,真诚对待朋友,主动寻找成功。

微信在线购买电影票小程序.rar 微信在线购买电影票小程序,是一个运行于微信小程序环境下的电影售票小程序,本程序主要从远端服务器获取电影售票信息,形成列表,并提供购票接口,让用户可以在微信里订购某个电影的电影票,并且程序提供电影院查询功能,用户可指定电影院购票。对于编写方面的更多实现细节,请您下载本源码学习研究。 立即下载

相关推荐

微信小程序_微信电影票预订源代码

功能包括:已上映电影列表,搜索附近电影院,电影评分等功能 这个不错,UI设计标准,代码比较规范,很好的学习范例

电影票分销系统搭建--源码部署、全开源

它主要服务于电影院、观众、片方等各方参与者,通过互联网技术实现线上购票、选座等功能,为观众提供便捷、高效的观影体验。常用的开发语言包括Java、Python、PHP等,开发框架有Spring、Django、ThinkPHP等。同时,要不断进行测试和调试,确保系统的稳定性和性能。参与社区贡献可以让更多的人了解你的项目,同时也可以获得更多的支持和帮助。根据项目的特点和需求选择一个合适的许可证,可以确保项目的开放性和自由度。需要定期发布新版本并进行更新和维护,同时也要关注用户的反馈和需求,不断改进和完善项目。

chend8966的博客 441

微信小程序-微信小程序:在线电影票网站(入门示例)

wechat-weapp-movie 微信小程序:在线电影票网站(入门示例) > 微信小程序,可以说是近半年来开发和运营者们讨论最多的话题之一。自己也尝试入坑玩了一把,感觉还挺有意思,非常适合生活服务和阅读类项目。 对于微信小程序的一些理解 : 小程序正如其名,小/轻。 是一套独立封闭程序。和以往开的发有2个最大不同:无法使用DOM,不基于window、document。所以等HTML标签,都需通过、等组件来实现,常用的jQuery、Zepto等JS框架也都无法使用。 好在小程序提供详细开发文档,理解起来并不费劲。并且借鉴了React、VUE的优秀设计,如果你对这他们有一定基础,接触起来会更显方便。 至于小程序和APP之间的好坏博弈,各有各的优缺点。可改编自当年HTML5和FLASH之间交战所讨论出的一句话:“用户才懒得管你什么小程序还是APP,用户关心的是应用、是体验、是便利。” 最后,因为基于微信生态系统,所以究竟走多远、多广,还得看“企鹅”在市场领域的掌控度和用户心理的走向。 项目功能 近期电影列表 底部加载更多 查看电影详情 查看电影剧照 组件的使用 项目截图

基于SSM的在线电影购票系统【源码开源】

功能: 分为管理员后台和普通用户前台电影购买 前台电影系统:首页、电影展示、大厅安排、支付模拟、电影院位置 管理员用户:包括电影类别管理、电影信息管理、放映大厅管理、订单管理等模块Jdk1.8 + Tomcat8.5 + mysql + Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)Spring + SpringMVC + MyBatis + html+ css + JavaScript + JQuery + Ajax + maven等等 Re

分享技术热点,看天下大事 6947

Python Opencv cv2提取图像中某种特定颜色区域(例如黑字白纸背景下的红色公章提取),并将纯色背景透明化

拜拜PHOTOSHOP- 领导突然让我帮他把公章从图片中抠出来,在确保了不是要做坏事的情况下,我打开了PHOTOSHOP,用魔棒工具一点一点抠,但由于魔棒工具的原理是对比临近区域像素差值,导致封闭字体中的区域无法剔除,而且一点一点抠非常麻烦,愤而PYTHON,使用CV2完美解决。 效果如下(马赛克是我添加的): 任务就是把蓝色的公章抠出来。 效果如上。 代码如下: import cv2 import numpy as np src = cv2.imread(r"imagepath")#这里填你的原图像路

qq_43670549的博客 1万+

RAG-Anything 实战指南:从零构建企业级多模态知识库

本文是RAG-Anything的实战指南,详细介绍了如何从零构建企业级多模态知识库。通过一体化框架,它能无差别解析文本、表格、图片、公式等多格式文档,并构建可深度理解和智能检索的知识图谱。指南涵盖了环境搭建、核心实战、智能查询及生产级部署优化,帮助企业将杂乱文档转化为智能知识大脑。

pandas7gardener的博客 243

计算机毕业设计|基于springboot+vue的摄影器材租赁回收系统(源码+数据库+文档)

本文介绍了基于SpringBoot+Vue的摄影器材租赁系统设计与实现。系统采用前后端分离架构,后端使用SpringBoot框架简化企业级开发,前端采用Vue.js实现响应式界面,数据库选用MySQL。文章详细阐述了系统设计原则、技术选型、功能演示及测试流程,并提供了代码示例和测试用例。系统具备用户管理、器材租赁、订单处理等功能模块,通过规范化设计和安全性测试确保系统稳定可靠。文末还推荐了相关计算机毕业设计选题,并提供了源码获取方式。该系统为校园摄影爱好者提供了便捷的器材租赁服务解决方案。

毕设辅导 1338

HFSS实战(二)——精准仿真高速PCB差分线的信号完整性

本文深入探讨了使用HFSS进行高速PCB差分线信号完整性仿真的关键技术与实战经验。从设计文件导入、模型裁剪到差分端口设置,详细解析了精准仿真的全流程,特别强调了材料特性和3D电磁场仿真在解决微带线损耗等问题中的重要性。文章还提供了常见问题排查指南和效率优化技巧,帮助工程师提升高速PCB设计的仿真精度与效率。

weixin_38170829的博客 580

基于SpringBoot+Vue的单位考勤系统的详细设计和实现

基于SpringBoot+Vue的单位考勤系统的详细设计和实现

weixin_bscoding 1328

2023东华大学机试OJ进阶版1-81题

先排序。每次找两个最小的数,把其中一个置为两数之和,并累加这个和值,另一个数置为-1,然后再排序,重复操作,直到只剩下一个数。105。

m0_49263811的博客 2798

stable-diffusion-webui的逐步部署教程

本文主要介绍了stable-diffusion-webui的逐步部署教程,希望能对使用Stable Diffusion的同学们有所帮助。 文章目录 1. 前言 2. 逐步部署教程 2.1 创建Python环境 2.2 安装依赖库 2.3 运行代码

weixin_43178406的博客 6万+

浅谈当今大学生逃课

当代,上大学的人没有不逃课的,逃课,已经与“谈恋爱”、“重修”、“醉酒”一起,被戏称为“大学必修”的另四个重要学分…我为什么而“逃” 逃课,是为了更好的学习 乍一听,这理由多么冠冕堂皇。逃课是为了更好的学习?这是哪门子逻辑?然而,他们解释得理直气壮。 “有一些课,像毛论、思修这样的公共课本来就枯燥无味,我是学计算机专业的,这些课对我来说一点用处都没有。而且,老师上课也就是照着书本念,无趣得不得了,

HuiSuccess的专栏 2183

V4L2框架概述

几乎所有的设备都有多个 IC 模块,它们可能是实体的(例如 USB 摄像头里面包含 ISP、sensor 等)、也可能是抽象的(如 USB 设备里面的抽象拓扑结构),它们在/dev目录下面生成了多个设备节点,并且这些 IC 模块还创建了一些非 v4l2 设备:DVB、ALSA、FB、I2C 和输入设备。正是由于硬件的复杂性,v4l2 的驱动也变得非常复杂。特别是 v4l2 驱动要支持 IC 模块来进行音/视频的混合/编解码操作,这就更加使得 v4l2 驱动变得异常复杂。

YellowMax 8万+

11.2 逃课是个需要严肃对待的问题——《逆袭大学》连载

返回到【全文目录】 目录 11.2 逃课是个需要严肃对待的问题 要逃课,请有尊严地逃课 这些理由站不住脚 给“小三”一些理解 11.2 逃课是个需要严肃对待的问题 我在当学生的时候,我承认我是个胆小鬼,是个乖学生,四年逃过的课伸出一个巴掌数得出来,这包括我在大三后频繁地到校外去搞推销和兼职。当时,我立下一个规矩:课外的任何事情都不能影响上课。四年的大学也就这样过来了。回想起给自己上课...

迂者-贺利坚的专栏 3508

国科大学习资料--高级软件工程-复习题概念解释答案

国科大学习资料–高级软件工程(罗铁坚 魏峻 刘丹)-复习题概念解释答案 1. 敏捷开发方法与Scrum方法 a.敏捷是一种强调轻量的过程方法论,它强调拥抱变化而不是与之对抗,通过有效的沟通发挥群体的智慧。敏捷方法采用迭代/增量开发的过程模型。敏捷宣言是:个体和交互高于流程和工具;工作的软件高于详尽的文档;客户合作高于合同谈判;响应变化高于遵循计划。 虽然右边的也有价值,但是认为左边的更有价值。 b.Scrum(Schwaber和Beedle)是管理两个披萨规模(4-9人)的软件开发团队的方法,它高频率的短会

无名何许人的博客 1444

作物生长模型Oryza V3实战2:下载、安装与使用

摘要:ORYZA 现在的应用范围已从单一水稻作物模拟扩展到多个水稻作物模拟。我在csdn站内也上传了“作物生长模型oryza v3大全(含所有参数模板和4个校准程序1个分析工具)”,可以说是全网最全的吧。网上搜索一般下载的v3只有一个a3主程序,不适合作全面与深入的研究,本版本从国外下载回来,一开始少了一个“SoilHydrau.exe”文件,说是有病毒被隔离了,后经历各种技术手段,并向国际水道研究所发送邮件,才得以补全所有的参数化及校准程序、分析工具,来之不易,有缘人得之。

506

学生逃课问题的系统分析

学生逃课问题的系统分析 1.背景分析: 结合最近校园学风建设,其中较为突出的一个问题是学生逃课。学生逃课是当今高校长久以来都普遍存在的一个问题,这影响着学校教学的进行以及管理,更加制约着学生对于专业知识的掌握以及综合能力的提高。 正如罗马不是一天建成的,大学生逃课也有着许多客观的、主观的原因。客观原因主要有:课程以及学校管理,例如:课程的陈旧,学校管理制度的落后。主观原因主要有:学生自身,例如:对于专业的不满意、惰性以及没有目标,精神进入“空虚期”等等。 为有效克服学生的逃课问题,我们找出了9个关键因素,并

Slcing的博客 2338

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

关于逃课

关于逃课         逃课现如今已是大学一个亘古不变的话题,为什么逃课,怎么逃课,逃什么课,逃课已经成为了一门艺术,一门必修课,        我第一次接触大学要逃课的这个思想,是从读大学,究竟读什么这本书中接触到的,书中说,大学中一课都不逃和每一课都逃,是一样的。作为一个普通的大学生,相信第一次听到这句话,是很难接受的,但仔细思

dcf_xyz的专栏 785

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

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")

逃课的五大法宝

逃课的五大法宝      虽然有一些课如果不逃则天理难容,但很多时候逃课的代价却是巨大的。如果因为逃课而被老师“额外照顾”,运气好一点还能及格,但本学期奖学金恐怕就成问题了,而且还可能影响到专项奖学金和保送研究生;运气不好就会被老师红牌罚下,要么取消期末考试资格,要么给个59分把你气个半死。这样一来损失可能就无法估量了,不但要交几百块钱并花上一段时间去重修,而且有一门课不及格很可能导致奖学

cheams的专栏 537

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

为逃课,八次 DDoS 攻击至学校网络崩溃?

来源:网络安全编程与黑客程序员 为了不上课,熊孩子们能有多拼,你可能想象不到! 回想我的学生时代,逃课也仅仅限于装病,半路逃跑,而现在的熊孩子们,为了逃课,直接黑掉了学校的网课平台。 这个操作真是惊掉了我的下巴… 据外媒报道,近日,一位来自佛罗里达州的 16 岁高中生策划了八次 DDoS 攻击,不仅让全校线上课程不得不终止了一段时间,还间接导致了地区级网络崩溃… 网友直呼:这招够狠,这位少年干了我多年想干不敢干的事,佩服佩服。 这样的做法虽然有点爽,但代价还是很严重的。 据悉,这名少年已经被抓获,正面临

hackzkaq的博客 4935

3368. 逃课吃鸡

单点时限: 2.0 sec 内存限制: 256 MB kblack 吃鸡成瘾。为此他决定逃课吃鸡! 但是学校有规定,旷课到一定次数,是不给予期末考的资格的。 因此 kblack 决定每门课最多逃两次。 现在告诉你,一个学期有 n 节课程,第 i 节课的科目是 si,时间为 ti。 你需要告诉 kblack 这个学期他逃课吃鸡的最大时间是多少。 输入格式 第一行给出一个整数 n (1≤n≤10 00...

Cuibaby的博客 304

为了实习逃课值吗?这篇文章告诉你真相!

大家好,我是程序员小白条,相信很多同学都会有这样的抉择,到底是去逃课实习,还是在学校里乖乖上课?我去实习了,万一逃课被抓了,处分了怎么办?会扣押毕业证吗?每天早上醒来都要面对灵魂拷问:是去教室听老师念PPT,还是去公司写代码?一边是辅导员“再不来上课就挂科”的警告,一边是leader“这个需求今天必须完成”的催促。这届大学生,简直在演《无间道》校园版。

qq_67358181的博客 570

重来之大学版|学习篇-大学逃课问题,逃学威龙低配版

第二了解老师点名规律,有的老师习惯第一节课点名,有的老师习惯下课前点名,有的则习惯中间时间节点点名,只要摸透规律,点完名就撤还是很容易的。也有的老师喜欢让学生们签字的方式检查出勤,这样的情况同样也可以分工合作,但一定要将同学的名字写对,我当时就出现过帮同学签名写错名字的情况。学习兴趣是学生们去努力的心理动机,是认知学习的最重要的必要条件中的一种。有的学生因为不能适应学校生活而焦虑,比如南方同学去北方上学,心理上有一点的不适应与自卑感,或者陷入各种人际交往的矛盾中,无法安心学习,因此通过翘课来排解不良情绪。

Bronze_Master的博客 531

逃课博弈

* 逃课博弈** 你应该逃课*** 博弈前提这是一个奇怪的想法,对老师对自己都不太尊重。但在发牢骚之前,不妨单纯的将其视作一个博弈来看待。考虑博弈论的三个前提:1. 参与者有充分的理智2. 参与者追求自身利益最大化3. 参与者能够做出最合理的选择在这三条约束下,思考这个问题:为什么要上课?*** 不上课的理由有各种各样的理由支持你应该上课,譬如你可以见到暗暗喜欢的同学,可以听幽默的老师谈天说地,也...

weixin_34341117的博客 254

逃课引发的感想......

上大学快两年了,也不知道为什么,我逃的课估计要比上的课还要多,想当年我在小学,初中时我还是老师眼中的好学生,也是老师的好帮手,同学们也都说我学习好,纪律又好,人缘又好,真是人才啊!也是在那时我还有很多美女朋友,整天在一起玩,我的日子真是怡然自得。      但是现在,大二快结束了,也没什么出息的,女朋友也没找到一个,女性朋友也几乎没有。当初刚来大学的时候,也是冲破了自己害羞的胆,去面试争取个学

nfs13nfs14的专栏 1006
上一篇: 第一次听写单词,惨败
下一篇: 北机印象
devonzzb
博客等级 码龄25年 7粉丝 20原创
评论 2
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