- 综合排序
- 最热优先
- 最新优先
- 来自专栏刷题笔记
7-6 A-B
点这里 7-6 A-B 本题要求你计算A−B。不过麻烦的是，A和B都是字符串 —— 即从字符串A中把字符串B所包含的字符全删掉，剩下的字符组成的就是字符串A−B。
72420发布于 2019-11-08 - 来自专栏Java
7-6 连续因子
7-6 连续因子 题目 7-6 连续因子 (20 分) 一个正整数 N 的因子中可能存在若干连续的数字。例如 630 可以分解为 3×5×6×7，其中 5、6、7 就是 3 个连续的数字。
32310编辑于 2025-01-21 - 来自专栏刷题笔记
7-6 列车调度 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/98481886 7-6 列车调度 (25 分) 火车站的列车调度铁轨的结构如下图所示。 7-6 列车调度 (25 分) - mumu - CSDN博客 这个问题分析起来挺简单的。我想的是整一个数组，比前面大的小，就把大的换成这个小的，比前面的大就存到下一个。
1.2K10发布于 2019-11-08 - 来自专栏刷题笔记
7-6 出生年 (15 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/99697104 7-6 出生年 (15 分) ?
97630发布于 2019-11-08 - 来自专栏刷题笔记
7-6 部分排序 (15 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101473028 7-6 部分排序 (15 分) 对于一组数据，我们可以只对原先处在中间位置的那些元素进行排序
1.1K20发布于 2019-11-08 - 来自专栏刷题笔记
7-6 统计字符出现次数 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/97867095 7-6 统计字符出现次数 (20 分) 本题要求编写程序，统计并输出某给定字符在给定字符串中出现的次数
4.4K30发布于 2019-11-08 - 来自专栏皮皮鲁的AI星球
漫谈 | 同是北大的学生，考研进北大和高考进北大，差距很大吗？
同是“北京大学”的学生，考研进北大和高考进北大，差距很大吗？我的答案是，差距确实很大！ 我本科非北大，研究生保送进入北大的，我从自己身边的几个案例来跟大家分享一下被那些”高考进北大“的学神碾压是什么感觉。本文涉及人物均为真实案例。 到了大学，听说J选修了北大的经济学双学位，后来研究生来了北大才知道，经济学双学位在北大尽人皆知，号称三俗之一，几乎所有人都会选修，每年招收近千人。 W和L是我来到北大后认识的朋友，也都选修了“经双”，W本科是北大物理专业，本科毕业是本专业前几，研究生直接保送到了北大光华管理学院。 同在北大 差距很大 同是北大的学生，考研进北大和高考进北大，差距很大吗？我个人感觉确实有一些差距。这些高考进北大的尖子生，不只会高考，也经常不务正业，结果玩着玩着，就玩出了一些名堂。
1K10发布于 2019-12-26 - 来自专栏刷题笔记
【2020HBU天梯赛训练】7-6 整除光棍
7-6 整除光棍 这里所谓的“光棍”，并不是指单身汪啦~ 说的是全部由1组成的数字，比如1、11、111、1111等。传说任何一个光棍都能被一个不以5结尾的奇数整除。
53410发布于 2020-06-23 - 来自专栏HyperAI超神经
跨界教授林宙辰：从北大来，回北大去
在北大，林宙辰老师开始接触 AI，初步学习了图像处理和模式识别，也参与了若干实际项目，其中一个项目就是搭建地理信息系统，把手绘地图或印刷地图数字化并进行管理。 1995 年，林宙辰老师从北大数学系硕士毕业后，远赴香港，在香港理工大学应用数学系，又进行了为期两年的硕士学习，掌握了计算数学的基础。 林宙辰老师回到北大数学学院后，深入地学习了图像处理、机器视觉和模式识别的课程。立志成为数学家的林宙辰老师，开始全面转向 AI 领域。 招生看「四好」，理论优于编程 林宙辰老师回到北大后，在智能科学系任教授，主要研究机器学习和计算机视觉。 12 年微软亚洲研究院履职， 40 岁的林宙辰老师，在职业发展上做出了一个重大转变：放弃微软亚洲研究院的丰厚待遇，回归北大教书育人，继续人工智能理论方面的研究。
1.4K50发布于 2021-08-25 - 来自专栏沉默王二
北大，竟然这样上！
废话不多说，今天抽出一个小时给大家分享一份北大学长的《CS 指南》，在 GitHub 上已经星标 5.6k 了——原来，北大可以这样上！ 这份指南规划的内容有： 学习工具：IDE、Stack Overflow、Git、GitHub、Vim 等等 国外高质量的 CS 课程汇总 经典书籍推荐，类似 CSAPP 这样的硬核书籍 比较令我想不到的是，这位北大的同学也一度怀疑自己是不是不适合计算机 ，也许是对北大的课程不是很满意吧？
60130编辑于 2022-04-14 - 来自专栏AI机器学习与深度学习算法
机器学习入门 7-6 scikit-learn中的PCA
sklearn封装的PCA与前几个小节我们自己封装的PCA，虽然他们大体流程基本一致，但是他们之间还是有很多不同的地方。
1.2K30发布于 2019-11-13 - 来自专栏刷题笔记
【PAT520 钻石争霸赛】7-6 随机输一次 (20分)
现要求你编写一个控制赢面的程序，根据对方的出招，给出对应的赢招。但是！为了不让对方意识到你在控制结果，你需要隔 K 次输一次，其中 K 是系统设定的随机数。
56110发布于 2020-06-23 - 来自专栏ReganYue's Blog
【PTA】7-6 求最大公约数 (40point(s))
求两个整数的最大公约数。 输入格式: 输入两个整数，以空格分隔。 输出格式: 输出最大公约数。 输入样例: 9 18 输出样例: 9 # include # include int gys(int a,int b){ if(a<b){ int temp=a; a=b; b=temp; } while(b!=0){ int i=a%b; a=b; b=i; } return a; } int main(){ int a,b; scanf("%d %d",&a,&b
82330发布于 2021-09-16 - 来自专栏深度学习自然语言处理
县城再无清华北大
有种观点很有趣，意思是说“从落后地区考入清华北大的学生天赋上自有其过人之处，所以……”。 而且我发现，尽管清华北大在北京招生名额很多，但是父母教育程度不高的北京土著家庭却很少有孩子考上清华北大。 而且近年来的趋势是北京最优秀的学生选择直接出国，而不是上清华北大。 我再补充三点： 1.我只是在陈述事实，我并没有表达“北京人考清华北大更容易是合理的”这样的观点。 以陕西为例，曾经考上清华北大的学生在各个城市、县城是比较平均的。但是这些年，清华北大在陕西的招生名额日趋被几所超级中学垄断，而周边的小县城，年级第一能考个西安交大就谢天谢地了。
80010编辑于 2022-09-02 - 来自专栏入门小站
Linux性能优化指北大全
性能问题的本质就是系统资源已经到达瓶颈，但请求的处理还不够快，无法支撑更多的请求。性能分析实际上就是找出应用或系统的瓶颈，设法去避免或缓解它们。
1.5K20编辑于 2022-06-03 - 来自专栏Java研发军团
解析北大招生数学考题。
先看一道号称是北大招生题： ?
1.2K30发布于 2019-06-05 - 来自专栏FREE SOLO
北大Hadoop实践教程精要笔记
Hadoop目前是Apache旗下的顶级项目之一， 是Google在2004年提出的“MapReduce”分布式计算框架的一个Java实现。
93720发布于 2019-04-28 - 来自专栏云微的一点分享
数据结构与算法题目集（中文）7-6 列出连通集 (25分)题解
给定一个有N个顶点和E条边的无向图，请用DFS和BFS分别列出其所有的连通集。假设顶点从0到N−1编号。进行搜索时，假设我们总是从编号最小的顶点出发，按编号递增的顺序访问邻接点。
36330编辑于 2023-02-11 - 来自专栏Python编程与实战
北大法律大模型ChatLaw火了！！
语言大模型不断向垂直行业领域拓展，这次出圈的是北大法律大模型。 大模型又「爆了」。 昨晚，一个法律大模型 ChatLaw 登上了知乎热搜榜榜首。热度最高时达到了 2000 万左右。 这个 ChatLaw 由北大团队发布，致力于提供普惠的法律服务。一方面当前全国执业律师不足，供给远远小于法律需求；另一方面普通人对法律知识和条文存在天然鸿沟，无法运用法律武器保护自己。 其实最近发布法律大模型的不只有北大一家。上个月底，幂律智能联合智谱 AI 发布了千亿参数级法律垂直大模型 PowerLawGLM。据悉该模型针对中文法律场景的应用效果展现出了独特优势。 同时，通过与北大国际法学院、行业知名律师事务所进行合作，ChatLaw 团队能够确保知识库能及时更新，同时保证数据的专业性和可靠性。下面我们看看具体示例。
1.6K50编辑于 2023-09-02 - 来自专栏图与推荐
北大@KDD | GAT v.s. MLP?
作者| 刘 旋 审核 | 李梦露 分享一篇北京大学崔斌教授团队发表在KDD 2022上关于图神经网络的文章:《Graph Attention Multi-Layer Perceptron》。图神经网络GNN在许多基于图的应用中取得了巨大成功。然而，大规模图的高稀疏性阻碍了它们在工业场景中的应用。虽然针对大规模图提出了一些可扩展的GNN，但它们对每个节点采用固定的𝐾-hop邻域，导致GNN模型在训练过程中对实际感知域不敏感，因此在稀疏区域内对节点采用大传播深度时,会面临过平滑问题。为了解决上述问
64950编辑于 2023-03-01
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号