考试攻略
文章平均质量分 89
嘿哈哈哈
人生就像一场演出,不到谢幕永远不知道自己有多精彩。
展开
-
编程笔试笔记 - Java/C++篇
一、语言选择备选语言C++:STL 好用但是不熟练啊Java:数据结构丰富但是不常用Python:很灵活但是不会用Go:没什么数据结构,只有map和list,只是很常用首选语言 Java输入和输出Scanner scan = new Scanner(System.in);scan.hasNext(); scan.next();scan.hasNextLine(); scan.nextLine();scan.hasNextInt(); scan.nextIn.原创 2022-03-15 18:47:08 · 2292 阅读 · 0 评论 -
初级会计资格-经济法基础-知识点总结大全
经济法文章目录经济法一、总论(7)1.1 法律基础1.2 平等主体经济纠纷的解决途径1.3 不平等主体经济纠纷的解决途径二、会计法律制度(8)三、支付结算法律制度(16)3.1 支付结算、结算纪律及法律责任3.2 银行结算账户3.3 票据结算方式3.4 非票据结算方式四、劳动合同与社会保险法律制度(14)4.1 劳动合同法律制度4.2 社会保险法律制度五、增值税、消费税法律制度(20)5.1 税法基础5.2 增值税5.3 消费税六、企业所得税、个人所得税法律制度(16)6.1 企业所得税6.2 个人所得税原创 2021-05-14 16:55:01 · 661 阅读 · 0 评论 -
初级会计资格-初级会计实务-知识点总结大全
会计文章目录会计基础会计一、会计概述(6~8)1.1 会计概念、职能和目标会计概念会计职能(两个)会计目标1.2 会计基本假设、基础和信息质量要求(四个)会计基本假设(两个)会计基础(八个)会计信息质量要求1.3 会计要素及其确认与计量(六个)会计要素(五个)会计计量属性会计等式1.4 会计科目、账户和借贷记账法会计科目会计账户借贷记账法1.5 会计凭证、账簿与账务处理程序原始凭证记账凭证会计账簿会计账簿的登记要求和登记方法对账和结账(三种)错账更正(三种)账务处理程序1.6 财产清查1.7 财务报告财务原创 2021-05-11 17:28:25 · 2808 阅读 · 0 评论 -
数理统计:鸢尾花数据的聚类分析和判别分析
鸢尾花数据的聚类分析和判别分析摘要:本文基于鸢尾花数据的公开数据集,根据鸢尾花的萼片长度和宽度,花瓣的长度和宽度,对鸢尾花的类别归属进行聚类分析和判别分析。本文使用 R 语言,对鸢尾花的种类进行了聚类分析,并分别使用三种判别分析方法,距离判别法、Bayes 判别法和 Fisher 判别法对鸢尾花的种类归属进行了判别分析。在讨论中,对三个判别模型的判别效果进行了评价,最后使用三个判别模型根据鸢尾花的属性对其类别归属进行了预测。关键字:聚类分析,距离判别,Bayes 判别,Fisher 判别,分类引言原创 2021-01-11 11:44:08 · 12791 阅读 · 2 评论 -
数理统计:波士顿房地产业的多元线性回归分析
波士顿房地产业的多元线性回归分析摘要:本文基于波士顿房价的公开数据集,寻找影响波士顿房价的因素,统计数据包括城镇人均犯罪率、占地面积超过2.5万平方英尺的住宅用地比例、城镇非零售业务地区的比例以及查尔斯河虚拟变量等十三个因素。本文使用 R 语言,对各个影响因素的相关性进行了筛选分析,并采用逐步回归法得到了最优的多元线性回归模型。在讨论中,对线性回归模型的回归显著性以及拟合优度进行了检验,最后使用最优的多元线性回归模型对波士顿的房价进行预测。关键字:多元线性回归,逐步回归,回归显著性,拟合优度,回归预测原创 2021-01-11 11:37:28 · 4500 阅读 · 0 评论 -
算法考试复习
理论知识分治、减治、变治分治:将原始问题(难以解决的大问题)分解为若干个规模较小的相同的子问题,在逐个解决各个子问题的基础上,得到原始问题的解。MAXMIN 问题二分搜索合并排序寻找第K小的元素大整数的乘法矩阵相乘减治:一个问题给定实例的解和同样问题较小实例的解之间的关系。(利用了解之间的关系,也就是说可以减少相应的计算,也可以说是一种时空平衡)分治法是分解的部分需要进行分开的单独计算(需要计算两遍),而减治法则利用了"一个问题给定实例的解和同样问题较小实例的解之间的关系"从原创 2021-01-10 21:59:14 · 7627 阅读 · 11 评论 -
当我学数理统计时,我学到了什么?
learning why, thinking what, then forgetting how.随着时间的流逝,知识总会被遗忘和被沉淀,我们无法选择去遗忘那一部分,但是我们可以选择去沉淀那一部分。教材为:《数理统计(孙海燕等)》第一章 基础知识第二章 参数估计第三章 假设检验第五章 方差分析与正交试验设计第八章 相关分析...原创 2020-12-29 23:02:16 · 881 阅读 · 0 评论 -
数理统计:假设检验
learning why, thinking what, then forgetting how.随着时间的流逝,知识总会被遗忘和被沉淀,我们无法选择去遗忘那一部分,但是我们可以选择去沉淀那一部分。教材为:《数理统计(孙海燕等)》第三章 假设检验统计推断主要分为参数估计和假设检验。假设检验是先假设总体的分布形式或总体的参数具有某种特征,然后利用样本提供的信息来推断所提出的假设的正确性。3.1 基本概念参数假设检验问题:总体分布形式已知,对总体的分布中的参数所提出的假设检验问题。非.原创 2020-12-29 22:58:57 · 2306 阅读 · 0 评论 -
数理统计:参数估计
learning why, thinking what, then forgetting how.随着时间的流逝,知识总会被遗忘和被沉淀,我们无法选择去遗忘那一部分,但是我们可以选择去沉淀那一部分。教材为:《数理统计(孙海燕等)》第二章 参数估计在解决实际问题中,当确定了总体的分布族后,我们要从样本来推断总体的具体分布或感兴趣的总体特征数。例如,总体的数学期望和方差等。统计推断主要分为参数估计和假设检验,参数估计又分为点估计和区间估计。2.1 参数的点估计首先提出参数和参数的估计量的.原创 2020-12-29 22:57:30 · 4512 阅读 · 1 评论 -
数理统计:基础知识
learning why, thinking what, then forgetting how.随着时间的流逝,知识总会被遗忘和被沉淀,我们无法选择去遗忘那一部分,但是我们可以选择去沉淀那一部分。教材为:《数理统计(孙海燕等)》第一章 基础知识基础概念概率论需要事先知道概率分布,统计学从样本中推断总体的概率分布。总体:研究对象的全体个体:总体中的每个对象样本:样本的实现称为样本的一组观察值样本空间:样本所有可能的取值构成的空间在统计中,对总体的推断,实际上是推断总体的分布,即.原创 2020-12-26 17:14:09 · 1669 阅读 · 0 评论 -
当我学数值分析时,我学到了什么?
当我学数值分析时,我学到了什么?learning why, thinking what, then forgetting how.随着时间的流逝,知识总会被遗忘和被沉淀,我们无法选择去遗忘那一部分,但是我们可以选择去沉淀那一部分。本人配套开发的,基于 Go 的线性代数库 Singular 已开源,实现了基础的数值分析算法。教材为:《数值分析 第4版(颜庆津 编著)》第一章 绪论研究对象科学计算:通过建立数学模型把科学技术问题转化为数学问题,然后对数学问题进行离散化,将其转化为数值问题原创 2020-12-26 11:22:34 · 1474 阅读 · 3 评论 -
数理统计:方差分析与正交试验设计
learning why, thinking what, then forgetting how.随着时间的流逝,知识总会被遗忘和被沉淀,我们无法选择去遗忘那一部分,但是我们可以选择去沉淀那一部分。教材为:《数理统计(孙海燕等)》第五章 方差分析与正交试验设计在科研和生产中,影响一个事物的因素有很多个。有些因素影响大,有些因素影响小。为了保证优质、高产、低消耗,就必须找出对产品质量与产量有显著影响的那些因素。本章介绍如何充分利用试验诗句进行分析、推断因素影响显著性的方差分析方法。其主要任.原创 2020-12-25 20:21:09 · 8123 阅读 · 1 评论 -
数理统计:相关分析
learning why, thinking what, then forgetting how.随着时间的流逝,知识总会被遗忘和被沉淀,我们无法选择去遗忘那一部分,但是我们可以选择去沉淀那一部分。教材为:《数理统计(孙海燕等)》第八章 相关分析一元统计学的核心是建立在对总体均值和**方差的的统计推断基础之上的,而面对多元总体时,各个指标之间存在着相互关联,因此,仅仅对各单项指标的统计特征进行推断是远远不够的。多元统计分析更加注重揭示多元变量的各项指标之间的相关关系,协方差矩阵和相关矩阵.原创 2020-12-24 20:18:19 · 748 阅读 · 1 评论 -
当我学矩阵论时,我学到了什么?
当我学矩阵论时,我学到了什么?learning why, thinking what, then forget how.随着时间的流逝,知识总会被遗忘和被沉淀,我们无法选择去遗忘那一部分,但是我们可以选择去沉淀那一部分。一、线性代数引论1.1 线性空间引出加群和数域的概念。加群和数域共同组成线性空间或向量空间。加群中为向量,数域中为标量。某加群在某数域下构成线性空间。提出了零空间或核作为方程组 AX=0 的解空间的概念。提出了线性无关和维数的概念。提出了基底和在其下表示的坐标的原创 2020-12-21 16:13:41 · 2379 阅读 · 0 评论 -
ARM 指令集的基础指令
ARM 和汇编语言基础ARM 基础位、字节、字是计算机数据存储的单位。 位是最小的存储单位,每一个位存储一个1位的二进制码,一个字节由8位组成。 而字通常为16、32或64个位组成。ARM 处理器是 32 位设计的。ATPCS 规则ATPCS即ARM-THUMB procedure call standard(ARM-Thumb过程调用标准)的简称。PCS规定了应用程序的函数可以如何分开地写,分开地编译,最后将它们连接在一起,所以它实际上定义了一套有关过程(函数)调用者与被调用者之间的协议。在原创 2020-11-25 17:05:27 · 1905 阅读 · 0 评论 -
北航计算机网络实验总结
对网络一窍不通的小白在考试前的吐血复习一、网络实验入门路由表的更新和维护对于路由器至关重要。主要有静态路由和动态路由两种方式:静态路由通常手动配置,不能对网络的改变做出及时的反应,无法适应规模较大的网络。动态路由能够自动维护、发现和更新路由信息,常见的动态路由协议有:距离矢量路由选择协议(RIP)链路状态路由选择协议(OSPF)边界网关协议(BGP)等。交换机是工作在数据链路层的网络连接设备。它的基本功能是在多个计算机或者网段之间交换数据。并且基于 MAC 地址的数据转发。基础原创 2020-11-09 23:35:01 · 16034 阅读 · 11 评论 -
北航新版选课系统科学选课教程
显示网页源代码打开Network监控请求找一门想上的课复制请求打开postman,导入请求测试请求创建抢课任务设置参数坐享其成原创 2020-09-21 16:03:15 · 2173 阅读 · 2 评论 -
N5介词用法总结
文章目录は表示主题在后面表示对比に・で・へ・から・まで・と+は → 复合か表示疑问表示确认表示或者しませんか・しましょうか何・いつ・どこ・だれか → 某小句+かどうか小句+かが表示强调在前面何がどんなです何が分かります・できます何が・・・ → 委婉说一半何が、何 → 转折・铺垫何が欲しいですの表示从属この・その・あの・どの -> これ・それ・あれ・どれ修饰名词もは → もも+ません → 全面...原创 2020-04-17 20:52:03 · 740 阅读 · 0 评论 -
N5问法总结
文章目录一般疑问句何々は何々ですか何々は何々ですか、何々ですか何々しますかしてくださいませんかしませんか(何)陈述句变形特殊疑问句特殊疑问句(誰)誰々は誰ですか(誰の)何々は誰のですか(何方)誰々は何方どなたですか(何)何々は何なんですか(どれ)何々はどれですか(どの)何々はどの何々ですか(何歳)誰々は何歳ですか(おいくつ)誰々はおいくつですか(どこ)何々はどこですか(どちら)何々はどちらですか(...原创 2020-04-16 22:01:45 · 241 阅读 · 0 评论 -
N5词汇变形总结
文章目录动词形容词&名词动词一类动:何々う二类动:いる、える三类动:くる、するcategory tag词汇ます・ません・ました・ませんでしたてない・なかったたcomment原型/肯定简肯定、否定、过去肯定、过去否定使役动词否定、过去否定简过去肯定简1何々く何々きます何々いて何々かない何々いた1何々ぐ何々ぎます何...原创 2020-04-15 21:28:29 · 557 阅读 · 0 评论 -
N5知识点总结
文章目录固定句式文法词汇名词叹词副词连词特殊疑问词形容词一类形二类形动词一类动二类动三类动固定句式固定句式n tagchap tagはい、そうですn51.1.1いいえ、違ちがいますn51.1.1どうぞよろしくお願ねがいしますn51.1.1初はじめましてn51.1.1こんにちはn51.1.1すみませんn51.1.1...原创 2020-04-15 12:20:49 · 656 阅读 · 0 评论 -
操作系统:进程死锁
资源资源:软件、硬件、信息,我们把这类需要排他性使用的对象称为资源。当某个资源有多个实例时,其中任何一个都可以用来满足对资源的请求。简单来说,资源就是随着时间的推移,必须能获得、使用以及释放的任何东西。资源分为两类:可抢占的和不可抢占的。可抢占资源可以从拥有它的进程中抢占而不会产生任何副作用,存储器就是一类可抢占的资源。不可抢占资源是指在不引起相关的计算失败的情况下,无法把它从占有它的进程...原创 2019-01-05 10:31:05 · 542 阅读 · 0 评论 -
机器学习:集成学习
BoostingAdaBoostBaggingStackingReferences:adaboost、bagging、boosting的区别集成学习系列(七)-Stacking原理及Python实现详解stacking过程原创 2019-06-13 11:32:27 · 388 阅读 · 0 评论 -
机器学习:非负矩阵分解(NMF)
原创 2019-06-13 11:10:16 · 2310 阅读 · 7 评论 -
机器学习:PageRank
PageRank核心思想PageRank算法PageRank算法总的来说就是预先给每个网页一个PR值(下面用PR值指代PageRank值),由于PR值物理意义上为一个网页被访问概率,所以一般是1N\frac{1}{N}N1,其中N为网页总数。另外,一般情况下,所有网页的PR值的总和为1。如果不为1的话也不是不行,最后算出来的不同网页之间PR值的大小关系仍然是正确的,只是不能直接地反映概率...原创 2019-06-13 10:59:53 · 2388 阅读 · 2 评论 -
机器学习:降维
降维目标数据压缩可视化主成分分析(PCA)PCA(Principal Component Analysis),即主成分分析方法,是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上,这k维是全新的正交特征也被称为主成分,是在原有n维特征的基础上重新构造出来的k维特征。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴,新的坐标轴的选择与数据本身是密切相...原创 2019-06-12 22:34:21 · 1105 阅读 · 0 评论 -
机器学习:贝叶斯学习
朴素贝叶斯分类器(Naive Bayesian Classifier)原创 2019-06-13 17:50:06 · 461 阅读 · 0 评论 -
计算机视觉:图像处理
图像处理点算子图像处理中最基本的运算就是点运算,就是针对每个像素点进行计算。特征提取与图像处(三) 直方图 点算子伽马压缩在传输过程中引入的噪声在黑暗区域被压扁,这与视觉系统的噪声敏感区域相对应。伽马矫正伽马校正可以用来调整图像的亮度,公式为 I = I^gamma。当gamma>1,高光部分动态范围被压缩,低光部分动态范围被扩展(使低光部分的细节可以看清),图像整体变...原创 2019-06-13 20:55:37 · 7572 阅读 · 0 评论 -
软件工程:电梯控制问题
解决方案原创 2019-06-14 19:44:27 · 1878 阅读 · 2 评论 -
机器学习:总结(周某华)
绪论基本术语机器学习(machine learning):致力于研究如何通过计算的手段,利用经验来改善系统自身的性能。机器学习所研究的主要内容,是关于在计算机上从数据中产生"模型"的算法,即"学习算法"(learning algorithm)。模型(model):泛指从数据中学得的结果。有文献用"模型"指全局性结 果(例如一棵决策树),而用"模式"指局部性结果(例如一条规则)。数据集(d...原创 2019-06-15 23:32:46 · 10697 阅读 · 0 评论 -
机器学习:考试总结
绪论机器学习能做什么?手写字符识别汽车自动驾驶下棋(Deep Blue)判断你的年龄如何实现,存在的问题:用何种形式来表示经验。如何从历史数据中提取经验。什么是机器学习?定义一:A computer program is said to learn from experience E with respect to some class of tasks T an...原创 2019-06-18 08:15:08 · 5757 阅读 · 0 评论 -
计算机面试题目总结
操作系统文件系统和数据库系统的区别文件系统把数据组织成相互独立的数据文件,实现了记录内的结构性,但整体无结构;而数据库系统实现整体数据的结构化,这是数据库的主要特征之一,也是数据库系统与文件系统的本质区别。在文件系统中,数据冗余度大,浪费存储空间,容易造成数据的不一致;数据库系统中,数据是面向整个系统,数据可以被多个用户、多个应用共享使用,减少了数据冗余。文件系统中的文件是为某一特定应用服...原创 2019-10-05 20:48:37 · 702 阅读 · 0 评论 -
机器学习:聚类
聚类监督学习和无监督学习聚类算法优化目标随机初始化选取聚类数量肘部方法其他聚类算法基于密度的聚类算法:DBSCAN基于层次的聚类算法:AGNES高斯混合聚类算法:GMM网络数据聚类算法:Mincut...原创 2019-06-12 22:00:02 · 372 阅读 · 0 评论 -
机器学习:机器学习评估和统计学习理论
机器学习评估交叉验证与训练集、验证集、测试集使用验证集来选择假设模型。使用测试集来衡量假设模型的泛化误差。如果给定的样本数据充足,我们通常使用均匀随机抽样的方式将数据集划分成3个部分——训练集、验证集和测试集,这三个集合不能有交集,常见的比例是8:1:1。需要注意的是,通常都会给定训练集和测试集,而不会给验证集。这时候验证集该从哪里得到呢?一般的做法是,从训练集中均匀随机抽...原创 2019-06-12 20:56:17 · 1076 阅读 · 0 评论 -
机器学习:线性方法
线性回归任务和模型获取样本数据的一些特征,看作特征空间中的点,然后寻找线去拟合样本分布。模型表示训练集->学习算法->假设函数(h:是从 X 到 Y 的一个关系映射,可以是线性的,也可以是非线性的)任务的损失函数优化(梯度下降)多元线性回归特征缩放Make sure features are on a similar scale.better:(-1,1)...原创 2019-06-12 16:57:07 · 1320 阅读 · 0 评论 -
软件测试:考点总结
引言 ⭐⭐软件软件是计算机系统中与硬件相互依存的另一部分。包括程序、数据及其文档的完整集合。程序:按实现设计的功能和性能要求执行的指令序列。数据:使程序能正常操纵信息的数据结构。文档:与程序开发、维护和使用有关的图文材料。软件的分类(按系统功能划分):系统软件:Unix、Windows支撑软件:数据库,驱动,文件系统应用软件测试用任何一种可能采取的方法进行的直接实际实...原创 2019-01-14 15:36:43 · 9774 阅读 · 0 评论 -
Python:考点总结+示例程序
考试题型:判断15,选择20,填空10,简答3,分析4(代码写结果,4*5),程序2基础作者,Guido van Rossum 圣诞节 荷兰大小写敏感换行和缩进保留字(35)import keywordprint(len(keyword.kwlist))print(keyword.kwlist)'''['False', 'None', 'True', 'and', 'as...原创 2019-01-12 09:27:24 · 1763 阅读 · 0 评论 -
计算机图形学:考题预测
绘图工具窗口到视口的变换,(x,y)→(sx,sy)(Wl,Wr,Wb,Wt)→(Vl,Vr,Vb,Vt)sx=Ax+C,sy=By+D,Vl=AWl+C,Vr=AWr+C,A=(Vr-Vl)/(Wr-Wl),C=Vl-AWl=(WrVl-WlVr)/(Wr-Wl)宽高比:if world aspect ratio R>W/H,viewport(0,W,0,W/R)else viewp...原创 2019-01-07 10:25:24 · 4353 阅读 · 0 评论 -
计算机图形学:考点总结
原创 2019-01-06 18:38:24 · 933 阅读 · 0 评论 -
编译原理:课程重点
编译器概述编译器的核心功能是把源代码翻译成目标代码。编译器结构一个典型的编译程序通常由哪些部分组成?画出编译程序的总体结构图。各部分的主要功能是什么?每个阶段将源程序从一种表示转换成另一种表示:词法分析器:字符流->单词流语法分析器:单词流->语法树语义分析器:收集标识符的属性信息:类型(Type)种属(Kind)存储位置、长度值作用域参数.原创 2019-01-06 08:51:22 · 3889 阅读 · 1 评论