我该怎么办呢？

mtzll 2006-03-07 09:59:57

我是刚毕业的学生今年22。你们也知道应届毕业生不好找工作。
今年过年来学校后在网上找了一家做软件的小公司就6个人。当时面试时给我出了到题，但是我没有做出来。后来经过老板说我人诚实就把我留下了，先学着最近公司没项目。但是经理总给我出一些我跟本不可能完成的任务。哎。现在让我做一个ASP。NET的公司管理系统。哎。对我来说太难了。我该怎么办呢？

...全文

132 5 打赏收藏转发到动态举报

写回复

5 条回复

切换为时间正序

请发表友善的回复…

发表回复

mtzll 2006-03-07

打赏
举报

回复

为什么非要给我那些任务呢？让我16号以前交真不知道该怎么好了。公司里面算我一工3个编程的。就一个有工作经验的哎。

xiaogueizi 2006-03-07

打赏
举报

回复

不要灰心,边学边做~~我的情况跟你一样~~~
这不,一转眼两年时间都过去了~~~

binny0532 2006-03-07

打赏
举报

回复

找本书先看看

binny0532 2006-03-07

打赏
举报

回复

一边学一边做吧，别灰心！

mtzll 2006-03-07

打赏
举报

回复

点登陆后出现的错误：

未将对象引用设置到对象的实例。
说明: 执行当前 Web 请求期间，出现未处理的异常。请检查堆栈跟踪信息，以了解有关该错误以及代码中导致错误的出处的详细信息。

异常详细信息: System.NullReferenceException: 未将对象引用设置到对象的实例。

内容概要：本文提出了一种在单向与双向V2G（Vehicle-to-Grid）并行环境下，对分布式电源与电动汽车充电站进行联合优化配置的方法，并提供了完整的Matlab代码实现。研究综合考虑了分布式光伏、储能系统以及电动汽车充放电行为对配电网的影响，构建了一个多目标优化模型，旨在实现电源、负荷与电网之间的协同规划，提升系统运行的经济性、稳定性和新能源消纳能力。该方法通过优化分布式电源的选址与定容、充电站布局及V2G调度策略，有效降低网络损耗、改善电压质量，并增强配电网对高渗透率电动汽车的承载能力。文中详细阐述了模型构建、求解算法设计、仿真验证流程及结果分析，适用于城市复杂用电场景下的能源基础设施规划与运行优化。; 适合人群：具备电力系统、可再生能源、智能电网等相关专业背景，熟悉Matlab编程与优化算法，从事科研或工程应用的研究生、高校教师及电力行业技术人员；特别适合从事电动汽车与电网互动、分布式能源规划、综合能源系统优化等方向的研究人员。; 使用场景及目标：①用于高校与科研机构开展V2G与分布式能源协同优化的课题研究与论文复现；②支撑电网公司、城市规划部门在充电基础设施布局与电网扩容改造中的科学决策；③为撰写高水平SCI/EI期刊论文提供可复现的技术路线、算法框架与仿真代码支持。; 其他说明：资源包含完整Matlab源代码与仿真案例，建议结合文中模型结构、参数设置与优化目标进行调试学习，可进一步拓展至不确定性建模、多时间尺度优化、鲁棒优化等高级场景，以提升方法的实际应用价值与学术深度。

内容概要：本文提出了一种基于贝叶斯网络的短期电能负荷预测方法，重点解决电力系统中负荷受天气、节假日等多种不确定性因素影响的问题。通过构建贝叶斯网络模型，融合历史负荷数据及相关外部变量，实现对负荷的概率化预测，有效刻画其随机波动特性与复杂依赖关系。该方法不仅能够量化预测不确定性，还能通过条件概率推理分析各因素对负荷的影响程度，提升预测的鲁棒性与实用性。文中配套提供了完整的Python代码实现，涵盖数据预处理、网络结构学习、参数训练及概率推理全过程，便于读者复现与拓展应用。该技术适用于现代智能电网中的调度决策、需求响应管理与能源规划等场景。; 适合人群：具备一定电力系统基础知识和Python编程能力的科研人员、研究生及从事能源预测、智能电网等相关工作的技术人员。; 使用场景及目标：①应用于短期电能负荷预测，特别是在存在显著不确定性和多源影响因素的实际场景中；②为电力系统运行调度、负荷管理、需求响应策略制定以及电网扩容规划提供高可信度的数据支持；③通过动手实践掌握贝叶斯网络在时序预测中的建模流程，深入理解其在处理不确定性问题上的优势与实现细节。; 阅读建议：建议读者结合提供的Python代码逐步实现模型构建过程，重点关注贝叶斯网络的结构设计原则、参数学习算法（如最大似然估计或贝叶斯估计）以及后验概率推理的实现方式，并尝试在不同数据集上进行敏感性分析与模型对比实验，以全面掌握该方法的应用精髓。

页面底部可查看数据集可视化效果；该数据集可直接接入YOLOv5s/v5m/v5l、YOLOv8n/v8s/v8m、YOLOv10n/v10s、yolo11等轻量级至中型骨干网络进行端到端训练，支持从零训练（from scratch）与迁移学习（fine-tuning）两种模式；包含voc格式和yolo格式标签可直接使用

内容概要：本文系统性地介绍了大语言模型（Large Language Model, LLM）的基本概念、核心技术、发展历程、工作原理及其在人工智能领域的广泛应用。文章首先明确了大语言模型的定义——基于深度神经网络、利用海量文本数据进行预训练的模型，具备数十亿至数万亿参数，能够完成文本理解、生成、知识推理和多轮对话等任务。不同于传统AI模型依赖人工规则或针对单一任务设计，大语言模型通过“预训练+微调”范式实现强大的泛化能力，可在不重新训练的情况下适应多种任务。文章进一步阐述了Token、上下文（Context）、Prompt工程、结构化输出、工具调用（Tool Calling）、RAG（检索增强生成）、Agent等关键技术概念，揭示了大模型如何通过概率预测机制逐Token生成内容，并结合外部系统实现复杂任务执行。此外，还梳理了大模型的发展脉络，从早期专家系统到深度学习兴起，再到Transformer架构的提出与ChatGPT的爆发，展示了其技术演进的关键节点。适合人群：对人工智能和大语言模型感兴趣的初学者、高校学生、初级开发者及希望了解AI技术原理的非技术背景从业者。使用场景及目标：①帮助读者建立对大语言模型的正确认知，区分其与搜索引擎、数据库等传统系统的本质差异；②理解大模型的核心工作机制，如Token处理、上下文管理、Prompt设计与推理过程；③掌握RAG、Agent、工具调用等前沿应用架构，为后续深入学习或开发AI应用打下基础。阅读建议：本文以科普为导向，侧重概念解释与逻辑梳理，而非底层算法推导，适合循序渐进阅读。建议结合实例思考每个技术点的实际意义，尤其是Token、Context与Prompt之间的关系，以及大模型在真实场景中的局限性（如幻觉问题），从而全面把握其能力边界与发展前景。

dos下的一些软件：tt4、dt1.0英文打字，明伦五笔打字练习1.2、1.4版和1.5版，中科院的五笔字型打字练习1.03版,wtt2000五笔打字，dos 6.22系统镜像，mario游戏两个版本

7,776

社区成员

63,111

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章