课程文献中心 更多>>

关键词： 教育信息化   云班课平台   数据结构   翻转课堂   教学模式  

摘要： 在教育信息化技术的加持下翻转课堂得以在课堂教学中流行。翻转课堂的本质在于激发学生学习的主动性，在于生成交互式的课堂教学环境。当前翻转课堂被称之为“水课”利器的原因在于教学主体、客体与环境都存在着与之不相配套的因素。以“数据结构”课程为例的翻转课堂教学改革经验值得肯定，但其模式的完善任务而道远。

关键词： 思想教育   数据结构   案例驱动   学设计  

摘要： 思想教育在高校教书育人中发挥了重要作用。教书育人，不仅要教会学生知识，还要做到会育人，老师必须要明确培养什么样的人，为谁培养人，只有这样才能真正地帮助学生树立正确的人生观和价值观，端正学习态度，树立优良学风，明确学习的任务和目的。高校思想教育，既应该有任课教师将思想教育案例深度融入到专业课的教学中，同时也应该有学生主动搜集思想教育案例，老师学生同步进行思想教育，可以更好地完成专业课的教学目标，进而实现为社会主义建设培养接班人的任务。

摘要： 对于我国高等院校的计算机专业学生而言，《数据结构》是计算机专业的核心课程之一。该课程要求学生拥有与数据结构相关的基础知识储备，掌握常用的基本数据结构，能够对算法进行时间空间复杂度的分析，最终达到在实际开发过程中可以针对具体需求来进行数据结构的应用和算法设计的能力。而栈和队列是本课程中尤为重要的知识点，专业性强，对于刚接触这类知识点的学生来说难以掌握其核心内容，传统的教学方式不能很好地满足学生个性需求。近年来随着信息技术和网络应用的高速发展，微课在中小学教学中得到普及和应用，但对于高校教学还没有得到广泛的发展应用。

关键词： 形式化验证   复杂数据结构   内存模型   程序逻辑   归纳性质谓词  

摘要： 在信息系统与社会生产生活日益紧密的新时代,软件正成为各行各业的新型基础设施,构建高可信的软件系统已然成为重大研究课题。操作系统和编译器等安全攸关软件运行的正确性和安全性,是建立在其上的信息系统可信赖的重要保障。形式化验证是保障软件正确性的有力方法,对软件的行为和性质进行规范化描述,并通过公式化的推导和证明,达到验证系统正确性的目标。复杂数据结构作为操作系统内核管理和调度的对象,其性质的正确性验证是领域内研究的重点和难点。 操作系统中存在的复杂数据结构,可能包含多个嵌套的结构体或者指针类型的对象,基于普通程序逻辑的推理方法,无法准确描述操作复杂数据结构程序的性质;借用复杂逻辑的表达形式,则会造成规范描述繁杂,自动定理证明器无法及时给出验证结果,使得自动化验证方法的效率有所降低。一方面,现有工作针对复杂数据结构的验证,或采取需求建模的方法,能够对高层全局性质进行机械式的验证;或进行语义拆分,借用程序逻辑对复杂结构进行性质定义和验证,可以处理较复杂形式的数据结构的描述和验证。另一方面,对于特定复杂结构在抽象层的描述表达能力不够,不能验证具体程序所期望的性质,且在不做语义拆分的情况下,难以开展对复杂数据结构的形式化描述和验证。本文的研究重点在于,对复杂数据结构具体程序验证和规范描述方法的改进,使得验证工作能够对复杂结构程序行为和特征进行描述,满足形式化规范的性质表达要求,同时能够顺利进行自动化验证。本文引入经过扩展的内存模型,将内存操作融入到复杂数据结构程序的验证中,并在程序规范的描述中对复杂数据结构归纳性质进行了描述和定义。本文的主要贡献如下: 1.基于类C语言内存模型,首先将内存块的操作抽象为函数的形式,并通过定义函数的语义操作说明内存块对象的相关性质;其次,针对抽象程序层,定义符合复杂结构描述的文法和语义,并通过内存操作的一致性,建立数据结构对象和具体内存对象之间的映射关系,通过符号化的程序逻辑进行推理。该方法将程序层面对于复杂数据结构的操作放在低层进行验证,将高层程序信息携带至抽象的内存模型,使得验证不再关注复杂程序性质的抽取和处理,重点关注数据结构对象之间的性质描述。 2.提出了一种构造归纳性质谓词的直观方法,验证人员可以将这些归纳定义作为参考编写规范,在保证自动定理证明器的证明能力的前提下,丰富归纳谓词的表达能力,使得程序迭代操作复杂数据结构的归纳性质,可以通过构造的归纳谓词来表达。同时,对于更复杂的归纳谓词,引入自动构造谓词的算法,该算法为复杂数据结构构造相应的归纳性质谓词,减少验证人员的工作量,提高验证的自动化程度。

摘要： The FM-index is used in many bioinformatics applications; however, it cannot handle large text collections. This is of particular concern due to reference bias; references fail to capture the required genetic diversity. A recently successful solution has been FM-indexes using the RLBWT and many references, but these traditionally rely on worst case logarithmic time rank operations. Nishimoto and Tabei improved this result to answer queries by computing last-to-first (LF) steps in constant-time. We show that this result can be made practical for LF using "table-lookup" on permutations. We show how to compress columns of the table to support count queries, competitive in time/space with the best existing implementations. Matching statistics describe exact matching substrings of a pattern, and computing them relies on LF, thresholds, and LCE queries. We show how storing additional LCE information alongside thresholds allows us to improve the speed of computing matching statistic for pan-genomic datasets.

关键词： 工程认证   课程评价   评价指标  

摘要： 工程认证背景下，课程评价是课程教学持续改进的关键。针对数据结构课程现有课程评价不能及时反馈教学及不能有效评价课程目标达成等问题，依据课程团队构建的课程目标为导向，设计全面、科学的课程考核形成性评价和终结性评价指标，通过对学生课程考核成绩以及问卷调查数据统计分析课程目标的达成情况，分析课程教学中存在的问题，提出持续改进的措施，构建了基于工程认证的课程评价体系。实现课程评价的调整和优化，充分发挥课程评价在教学中的导向作用，为深化课程评价体系改革提供借鉴和参考。

关键词： 数据结构   Java语言  

ISBN: (纸本)9787302634409

摘要： 本书全面、系统地介绍了数据结构相关内容，包括各种数据结构的逻辑关系、存储结构及基本运算，通过丰富的案例讲解了算法的多种实现，所有算法程序均采用Java语言实现。本书共8章，主要内容包括数据结构基础，线性表，栈和队列，串、数组和广义表，树和二叉树，图，查找，排序。本书内容全面，理论与实践并重，通过大量图表和案例讲解算法实现过程，方便读者理解、掌握。

关键词： 无监督域适应   流形   主动学习   统计信息  

摘要： 域适应作为迁移学习的一个子方向,其利用标记域学习到的知识处理未知域上的任务,已经在很多实际场景中广泛应用。深度神经网络的发展使得域适应方法可以更好地提取特征,但是对特征的利用并不充分,例如现有方法难以兼顾特征的判别性和域不变性,这可能会导致源域学习到的知识无法完整地应用到目标域的任务上;此外现有大多数域适应方法仅对低阶统计信息进行利用,而忽略了更加复杂的高阶的统计信息,然而高阶统计信息可以更好地刻画数据的结构,帮助模型更好地减小域差异,提取域不变特征;最后现有方法缺少对异常样本的处理,这些异常样本很容易被模型错误分类,从而学习到错误的特征分布和标签分布,破坏原有的数据结构。为了解决现有研究方法存在的这些问题,本文主要从数据结构挖掘的角度出发,针对特征的域不变性和判别性、高阶统计信息的引入、异常样本的处理展开研究。本文主要的工作内容如下:(1)基于相关性分析的无监督域适应方法。本文利用相关性分析方法挖掘样本在流形中的数据结构,首先将样本投影到流形上,结合改进后的相关性分析方法挖掘源域和目标域在流形上的结构特点。其次,为了求解最优的投影矩阵,将相关学习的目标函数转换成凸函数形式,结合域适应模型,提出了UDA-DCLMP方法。该方法通过流形上相关性分析方法挖掘源域和目标域之间的关联,减小域差异,提取域不变特征,使得源域知识更好地应用在目标域中。通过和相关分析方法及域适应方法进行对比实验,验证了本章所提方法的有效性和优越性。(2)基于高阶张量匹配的无监督域适应方法。本文利用低维流形学习联合高阶张量匹配准则学习特征的域不变结构,更好地对齐源域和目标域的数据分布,结合概率分布信息中的数据结构信息,挖掘特征的判别性结构,提出了UDA-HOTDML方法。该方法首先利用特征中的多种高阶张量信息对源域和目标域进行细粒度对齐,再通过流形对神经网络提取出的高维特征进行降维,减少冗余信息,挖掘流形上特征的判别性和域不变性,增强特征可迁移性的同时也增强了模型的泛化性。通过大量的实验验证本章所提方法的优越性。(3)基于不确定性采样的主动域适应方法。本文利用主动学习,筛选不确定性较高的样本,学习样本数据中的多样性结构,帮助模型从中学习丰富的样本信息,从样本不确定性的角度提出UDA-SU方法。该方法从特征和标签两个层面计算样本的不确定性,寻找信息量丰富同时不确定性较高的样本,利用Oracle进行人工标注,再利用这些标注样本对模型进行训练。该方法可以有效减少不确定性样本对模型带来的影响,提高模型的分类精度。通过实验证明了该样本筛选策略的有效性和优越性。

关键词： 关系分类   少样本   知识图谱   数据结构   注意力机制  

摘要： 随着信息技术与教育的深度融合,数字化工具和平台正逐渐成为教育的重要组成部分。由于如今教育教学资源的逐渐增多,知识与知识之间的关系错综复杂,因此如何从海量信息中获取有效信息以提高教学质量和学习效果受到了教育领域的广泛关注。近年来,机器学习在关系分类方面表现出了优越的性能。基于机器学习的关系分类通常需要大量的数据进行训练,在教育领域里一些学科的数据集由于存在缺乏足够的样本等问题,难以使用传统机器学习方法实现相关资源的关系分类。知识图谱是一种结构化的知识表示方式,它将复杂的事物、概念、事件及其之间的关系以图的形式展现出来,可以将某一学科的知识点、概念、理论、实践等不同的教学资源进行有效的关联和整合。数据结构课程在科学教育中占据着重要的地位,所以如何更有效地提取并利用该领域的数据资源显得至关重要。为此,本文从少样本学习的角度出发,对数据结构知识的关系分类任务展开研究,主要研究内容如下:(1)构建一个用于关系分类任务的数据结构数据集。首先采取一种半自动化的数据集构建方法,结合基于词典的实体抽取、基于机器学习的实体抽取和人工标注等多个步骤,降低数据集构建成本,提高实体标注的效率。然后通过文本筛选和关系标注,构建具有明确实体关系的三元组。最后在数据预处理阶段,通过预训练模型获取实体的词嵌入,并采用过滤、格式调整和分词处理等技术,形成较完善的数据结构数据集。(2)构建基于注意力机制与掩码模块的少样本中文关系分类模型。为了建立一个适用于中文教育领域的少样本关系分类模型,进行了一系列策略研究,具体如下:首先,本文构建一个专门用于中文文本的预训练模型,以捕捉中文词语和句子的语义信息。其次,将知识增强网络内嵌到原型网络中,处理句子信息并通过注意力机制有效地融合实体词嵌入以及概念词汇的知识表示。此外,关系元学习网络通过关系元学习器和关系元更新器,有效地捕获实体与概念词的词嵌入与语义信息,同时借助掩码机制提升模型的鲁棒性。最后,采用加权处理和关系分类总损失函数来计算各模块输出,高效地完成少样本关系分类任务。该模型在中文《数据结构》课程数据集关系分类任务的准确率上达到了97.54%,该模型在进行关系分类任务时表现出了卓越的性能和准确性,能够准确地识别和分类各种不同的数据结构之间的关系。

摘要： The purpose of this thesis is to propose an intensional semantics forpurely functional first-order lazy data structures. On the theoretical side, our goal is to formally define such a semantics in the context of afirst-order functional language with data structures, and prove thatit is equivalent to the usual extensional semantics, both to studythe properties of lazy functional data structures and to provide arobust theoretical foundation and guide for possible *** a practical point of view, we describe a non-trivial implementationof our semantics that is integrated with the intensional semantics forfunctions. Finally, we discuss how our semantics can be formally incorporated intothe intensional semantics for functions to obtain a fully intensionalsemantics for first-order functional languages with data structures,and how it can be extended to support higher-order functions.