网红的根源是屌丝逆袭

断点回归(regression discontinuity design)学习笔记 本篇博文主要是对断点回归的一些学习和总结~ 学习材料如下: 1 断点回归设计RDD分类与操作案例 2 RDD断点回归, Stata程序百科全书式的宝典 3 断点回归设计的前沿研究现状, RDD 4 让“跳跃”更有意义:断点回归设计(RDD) 5 Stata: 断点回归 (RDD) 教程 6 怎么用通俗的语言解释断点回归?它与DID的区别是什么 7 Watering Down Environmental Regulation in China,Guojun He, Shaoda Wang, Bing Zhan 阅读详情
最近才知道Papi酱。和很多网络新词一样,习惯性的忽略了。但我每周都会听罗辑思维。罗胖策划了一个风投活动,想从这个网红上切一个蛋糕。
想切的更多,就需要切之前把蛋糕做的更大。罗胖专门用一期节目介绍Papi酱。说实话,那期比较无聊,我都没有听完。但经过罗胖一拱,似乎也需要去
看看Papi酱的视频了。百度了一下。一个稍有姿色的女子用飞快的语速模拟两个人进行有矛盾的调侃。这就是2016以来最大的网红。
想想前辈芙蓉姐姐,凤姐。都已经功成名就。似乎此类网红都必须具备一对共同矛盾:扮丑,自恋。
特征距离化。当一个人身上的两个特征有明显距离,这样就有了成为网红的潜质。当一个人刻意的夸大这种距离,就是制作网红了。
那为什么特征差异大的人会受到大众热捧呢。想说不能说,想做不能做。这种束缚感让人们乐于看到某些敢说敢做的人或事。
每天走在大街上,停留在地铁中。每个人都像一个活动的机器。没有表情,行色匆匆。也希望大家可以逆袭成功。
AI在智能制造中的落地:从预测维护到自适应生产调度 从最新的研究与实践来看,“预测维护”和“自适应生产调度”正在成为智能制造中最先跑通闭环的两个核心场景:前者通过对设备健康的前瞻性预测,帮助企业减少非计划停机、优化备件与维护资源;后者通过对复杂生产系统的实时决策优化,使工厂能够更好地应对订单波动、设备故障和多目标约束。更重要的是,越来越多的研究与项目不再将二者视为孤立模块,而是尝试构建“设备健康—生产调度—供应链”三者联动的一体化架构。Nature在技术层面,深度学习、强化学习、多智能体系统、图神经网络和注意力机制等方法,为建模复杂工业系统提供了强大工具; 阅读详情

相关推荐

NE5532A与JRC4580在低噪声音频电路设计中的关键应用

本文深入探讨了经典运算放大器NE5532A与JRC4580在低噪声音频电路设计中的核心应用。文章从噪声模型分析入手,阐述了针对低阻抗信号源时,如何利用这两款BJT输入运放的低电流噪声特性进行优化设计。通过对比两者参数与实战守则,为设计高保真音频前级、耳机放大等电路提供了从原理图到PCB布局的完整低噪声解决方案。

weixin_29295541的博客 333

这个网站可以搜索过期的域名:http://www.dotcenter.com/

 这个网站可以搜索过期的域名:http://www.dotcenter.com/ 

kastolo的专栏 5万+

Vben Admin权限管理全解析:从动态菜单到按钮级控制(附代码示例)

本文全面解析Vben Admin框架的权限管理系统,从动态菜单生成到按钮级细粒度控制,提供完整的实现方案和代码示例。深入探讨基于角色-权限模型的架构设计,分享前后端协作的最佳实践,帮助开发者快速构建安全高效的企业级后台系统。

weixin_30919429的博客 488

屌丝网,上线了 哈哈,

www.disosi123.cn 屌丝网,如果你没有前,更没有特权,但是有理想。那么 这里 就是你想要的地方。提供给有志向的励志贫民,展示自我的舞台,让全世界听见我们的声音~! 转载于:https://www.cnblogs.com/lianqianxue/archive/2013/03/17/2964848.html...

weixin_30549657的博客 4万+

从IR Drop到EM分析:数字IC电源规划中那些没人明说的细节(以MTCMOS配置为例)

本文深入探讨数字IC后端设计中电源规划的关键细节,特别关注MTCMOS配置、电源网络电阻最小化和level shifter供电等实战技巧。通过分析IR Drop和EM问题,提供优化floorplan和powerplan的具体策略,帮助工程师避免常见陷阱,提升芯片设计的稳定性和可靠性。

q9w8e7r6t5的博客 514

高效与灵活相结合:Verilog编写的跨时钟域循环缓冲控制器解析

循环缓冲区,也被称作循环队列、环形缓冲区,是一种数据结构,其主要特性是使用一个固定大小的缓冲区作为数据的存储空间,这个缓冲区在逻辑上被视作是首尾相接的。虽然Verilog是一种常用的硬件描述语言,被广泛应用在FPGA和ASIC设计中,但是在描述循环缓冲区时,它并没有提供一种直接且灵活的方式来指定循环缓冲区的参数,如字长、缓冲区深度、缓冲区数量等。这给硬件设计带来了一定的不便。同时,该控制器的设计也充分考虑了硬件资源的利用率,通过优化的算法和数据结构,使得在实现高性能的同时,也能够有效地节省硬件资源。

qq_38334677的博客 1223

张子阳-屌丝的出路

屌丝的出路 (http://www.cnblogs.com/JimmyZhang/archive/2012/06/26/2563000.html) 婚礼 端午节,我最好的一个朋友,也就是常说的死党,结婚了。我从深圳专程飞回西安参加他的婚礼。虽然比不上开着跑车的富二代,但朋友家庭条件也算不错,婚礼举办得很隆重: 花车,宝马760Li; 迎亲车队,30辆黑色奥迪A6;当然,朋友自己...

weixin_30455067的博客 626

硬件电路RS485通信EMC 设计

RS485通讯硬件设计与STM32实现要点 本文详细介绍了RS485通讯系统的硬件设计和STM32实现方案。硬件设计重点包括:采用总线型拓扑结构、120Ω终端电阻匹配、屏蔽双绞线布线、TVS管和自恢复保险丝保护等核心要素。EMC设计强调共模电感抑制干扰、屏蔽层单端接地、光电隔离等技术。软件实现方面,提供了基于STM32F103的完整程序框架,包括UART初始化、收发控制逻辑和中断处理机制,特别强调了收发切换时机、波特率精度等关键注意事项。文中还给出了工业传感器节点的实际应用案例,展示了一个完整的EMC防护电

qq_37999850的博客 1385

很色,非常色,十分色,格外色,异常色,特别色,相当色,太色了!

■■★●◆lightpink(浅粉红)■■★●◆pink(粉红)■■★●◆crimson(腥红)■■★●◆lavenderblush(苍白的紫罗兰红)■■★●◆palevioletred(脸红的淡紫红)■■★●◆hotpink(热情的粉红)■■★●◆mediumvioletred(适中的紫罗兰红)■■★●◆orchid(兰花紫)■■★●◆thistle(苍紫)■■★●◆plum(轻紫)■■★●◆v

coldwindflyrain的专栏 243万+

“华为杯”研究生数学建模竞赛2020年-【华为杯】D题:无人机集群协同对抗(附获奖论文和MATLAB代码实现)

1.问题重述摘 要:本文针对非线性约束条件下红蓝双方无人机集群协同对抗的最优规划问题,结合贪婪队形、非线性规划、内点法、蒙特卡洛方法和全联立正交配置有限元法,构建了无人机集群协同对抗推演模型。,构建了。我们综合考虑了,和。首先分析红方在集群约束下的贪婪队形和拦截策略,然后我们基于内点法联合MATLAB和AMPL编程求解蓝方突防的非线性规划解,最后基于蒙特卡洛法对整个蓝方突防过程进行推演,得到突防概率图。通过推演,我们提出了两块的区域作为所求区域,并对蓝方的最优突防策略进行分析。

getusushu的博客 1553

Altium Designer(AD24/25)PCB编辑的几种方法介绍

本文介绍了Altium Designer(AD24/25)软件中PCB编辑的四种操作方法:1)通过菜单栏"Place→Component"激活;2)点击工具栏元器件图标;3)右键快捷菜单选择;4)快捷键P+C组合操作。建议初学者先通过菜单栏和快捷菜单熟悉操作,熟练后转为工具栏和快捷键以提高效率。文章配有操作示意图,帮助用户快速掌握PCB元器件放置技巧。

fydar的博客 947

资源下载网站

本文转载自:https://blog.youkuaiyun.com/tianshanet/article/details/86545861 吾爱破解网:https://www.52pojie.cn/ 优快云:https://download.youkuaiyun.com/ 国外网站:http://p30download.me/ 行业软件:http://www.hyrjw.net ...

pptde的博客 2942

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》。

独孤思维:6天赚了5000+,赚钱攻心法

心力足够强大,应每天为自己当牛做马,重复操作至死方休,发布作品死里怼量,任劳任怨,坐等流量丰收,赚钱回血。不会就去学,不懂就去问,不明就百度,所有问题的根源,都是人为设想,一念地狱,再简单的项目也难上加难。只要心境透彻,心气不散,一样运筹帷幄,呼风唤雨,坐拥天下。只要心境透亮,心意不死,一样神挡杀神,佛挡杀佛,赚取收益。韩信,一个布衣屌丝,竟能坐拥天下兵力,实力分庭抗礼;刘备,一个卖鞋屌丝,竟能游说各路英豪,创立蜀汉之邦。心境盛,看透项目赚钱本质,唯我独尊,无坚不摧。人性懒惰,总幻想自己躺着就能赚钱;

weixin_52531702的博客 507

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

励志与鸡汤

现在网上“鸡汤”严重泛滥,各种正能量,励志语录,成功必备、情感领悟随处可见。“我有一个朋友系列”,“路边一位老者系列”、“街角那个乞丐系列”、“老农民比总裁幸福系列”......居多。那么这些东西究竟是谁在写?又是谁在读?这类鸡汤看似言之凿凿,有理有据,实则是逻辑混乱。根本不是来解决问题,仅仅是为了取得共鸣,让人从情感上去认同,写这些玩意的人为了达到这个目的不择手段的编造、意淫、扭曲.     

u012516914的专栏 1188

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")

不要在给自己不学习找借口了,否则…

不要在给自己不学习找借口了,否则你永远都是一个屌丝   1、我没有口才——错:没有人天生就很会说话,台上的演讲大师也不是一下子就能出口成章,那是他们背后演练了无数次的结果!你骂人的时候很擅长、抱怨的时候也很擅长、但这种口才是没有价值的口才,看别人争论的时候、自己满嘴评头论足、却不知反省自己,倘若你付出努力练习,你今天是否还说自己没口才?   2、我没有钱——错:不是没有钱,而是没有

齐凯的博客 1618

创客匠人:小人物也有大影响!揭秘中小企业创始人IP如何赢得人心

而这些独特性也将在情感、价值观等层面与粉丝建立起深度的连接,进而赢得人心,让你的IP能够占据特殊且不可替代的位置,最终实现IP的成功塑造和广泛传播,收获一群稳定且忠诚的粉丝。当你的视频或直播能把人吸引过来,你做IP就成功了一大步,但如果想把流量变现,你得留住粉丝,让粉丝信任你,愿意买你的产品,这就是得人心的一个过程。无论你是初涉IP领域的新人,还是摸爬滚打多年的知识IP、创始人IP,都能从这场3天2夜高密度高能量的高峰论坛中,汲取到前行的力量和灵感,也有机会在这个平台上找到新的机遇和可能。

xiaoerduo778的博客 778

怎么系统的给自己培养能力?

人跟人的工作结果,差别是什么?尤其是同岗位级别、同学历级别、同大环境里。也就是说,和你在一个经济环境里,学历差不多,职位级别也和你差不多,但是最后你们的工作成果却一定会产生差别。 有可能是你的工作成果更好,也有可能是别人的工作成果更好。有可能你是当前工作环境较好的,有可能你是当前工作环境里非常平庸的。 再放大一些视野,把你放在更多的地方做比较呢?放在学历比你更高的人群中比较呢?放在岗位级别比你高的人群中比较呢? 情况是不是不一样了?是不是更加不乐观了?本以为自己还不错,有些优越感。其实,真正的和“竞争对手”

zihaunshuo的博客 256

[转]勒贝格积分的框架与通俗理解

为什么会出现勒贝格积分 这个问题等价于勒贝格积分和黎曼积分有什么区别。其实这个区别没有那么玄,反而很好解释。问题的根源在于黎曼积分的定义上。黎曼积分:.黎曼积分是在轴上做的分割,虽然可以分割得很细,但只要被积函数在这个分割区间上的上界和下界的差不能被控制到很小时就有可能使得分割和不唯一。换言之,此时这种奇葩的函数在黎曼积分意义下不可积。这反过来也暗示了黎曼可积时被积函数不能变化...

dkyqe60682的专栏 2697

独孤思维:日入过万,赚钱顶级心法

后来,又付费报班,学习了更高级的玩法,开始矩阵操作小红薯,然后在其他平台投流,终于在上周,一天赚到了第一个万元。独孤说,当你的赚钱速度达到一定临界值,之前的满足感便会消失,如果没有新的赚钱点去刺激,就会陷入无趣,甚至迷茫。心力足够强大,应每天为自己当牛做马,重复操作至死方休,发布作品死里怼量,任劳任怨,坐等流量丰收,赚钱回血。不会就去学,不懂就去问,不明就链接,所有问题的根源,都是人为设想,一念地狱,再简单的问题,也难如登天。设计说,是的,一天赚了1000以后,再也提升不上去,遇到了瓶颈,感觉很迷茫。

weixin_52531702的博客 184

模块五:Redis 高可用

Redis高可用血泪史:从主从复制到集群实战 摘要:本文通过双十一主从切换失败的惨痛案例,剖析Redis高可用常见误区。详细讲解主从复制三阶段(连接建立/全量同步/增量同步)及潜在风险点(复制风暴、主从延迟),深入解读哨兵模式故障转移流程和选举机制。针对海量数据场景,解析Redis Cluster分片原理、数据路由规则及故障检测机制,对比主从、哨兵、Cluster三种方案的适用场景。最后总结5条实战经验:repl-backlog调优、哨兵防脑裂、延迟监控、Cluster的HashTag使用及灾备演练的重要性

qq_37878585的博客 380

普通人创业前,不如先开个滴滴或者送个外卖。

前段时间有个朋友私信问我,暑期打工去肯德基麦当劳什么的行不行? 我说:如果你只是想在假期里赚个零花钱什么的,完全没问题。 但如果你指望着靠快餐店里的暑期工去积攒工作经验,并且还指望着这种工作经验对你今后步入社会有所帮助,那基本上不可能。 和“事”打交道,是低起点的工作 由于是兼职,公司基本上不会给你安排什么长期的持续性的工作给你。 你每天需要处理应对的,也就是熟练地操作收银点单的机器,还...

huajin888的博客 343

【笔记】同人于野:《万万没想到 用理工科思维理解世界》

全书三个部分,PART 1主要讲概率,PART2讲读书、思考、创新的方法论,PART 3对我这么个文科生最新鲜,讲的是一些有意思的科普。前两个部分因为是自己较为熟悉的内容,里面有的也在博客上看过了,所以看起来很快,第三个部分的内容应该是作者自己偏好的领域写的一些科普文,包含的内容比较多,我在博客上看过一部分,一些内容比较喜欢,一些自己兴趣不是很大,总的来说第三部分还是蛮有意思的,看第三部分的时候感觉

吹泡泡的星星 1940

2-《解忧程序员》读后感

解忧程序员

起舞的日子 1129

聊聊GISer的职业发展

一、前言 去年写了一篇名为《GISer们还有机会屌丝逆袭吗?》的博文,希望能和广大GISer一起探讨地理信息产业留给小团队和个人的机会。文章发布后,很多GISer通过网络和我进行了交流,其中有高校相关专业的学生,有入职不满两年的新人,也有工作多年的同行(他们大多一直从事系统开发或做了几年项目经理,对行业前景不确定,对自己后续的职业发展感到疑惑)。通过与他们的交流,感觉虽然这几年搞GIS的人...

weixin_30876945的博客 337

屌丝的24个特征,看看自己中了几枪

1、身高。168已经非常高了,可以用吊丝极限来形容 2、体重。30KG-40KG(骨瘦如柴) 65-100KG(肥的流油,就0-168身高来说) 3、收入一线城市不超过2000,二线三线不超过1500 4.手机:华为,NOKIA5230,5233,金立,天宇,山寨机跑马灯 5.长相:2分-4分, 6.饮料:康师傅系列,脉动,鲜橙多,快活林 7.食品:康师傅系列,鸡蛋灌饼,豆浆,油条,包...

碌人乘凉, 黎硕 --> Aerchi.com 4926

好看的渐变色网址收藏

原文网址:http://aladd.net/archives/29245.html    

panzheng0920的专栏 2万+
上一篇: 让机器人模块 PyAIML 平滑处理中文
下一篇: Hive学习资料
脚踏实地靠鞋撑
博客等级 码龄19年 14粉丝 20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