大学计算机基础课程混合式教学改革与实践——以呼伦贝尔学院为例

针对学校非计算机专业《大学计算机基础》课程课时少、教学内容多、实践要求高的特点,提出基于网络教学平台的课程混合式教学改革。改变传统授课方式,建设教学资源、优化教学设计、改革考核方式、引入翻转课堂与分组教学,开展基于网络教学平台线上线下相结合的教学改革实践,通过课堂教学效率和学生成绩对比分析,说明了混合式教学模式行之有效,取得了较好的教学效果。

基于Python语言的人工智能课程教学设计--以呼伦贝尔学院选修课为例

通过在呼伦贝尔学院开设人工智能有关的选修课是非计算机专业学生获得系统编程训练和进行人工智能学习的有效途径,依托顶级大学的MOOC资源平台,笔者采用Python语言程序设计+人工智能基础相融合的方式开展教学,探索人工智能系列课程教学的新途径。

应用型高校《C语言程序设计》的教学改革与实践——以呼伦贝尔学院为例

本文以呼伦贝尔学院《C语言程序设计》课程中一维数组的教学过程改革为例,分析传统教学方法下教学过程存在的问题,为了进一步加强课堂教学效果,提出相应的教学改革策略,主要采用案例式教学和任务驱动式教学方法,通过课前测试、课堂教学和课后巩固三个方面进行教学改革。在教学设计中注重学生的程序设计能力培养,逐步分解教学内容,强化实践操作,增强学生的学习意识,提升教学效果。

基于成果导向的工程应用型人才培养探索——以呼伦贝尔学院网络工程专业为例

社会产业升级需要大量的应用型人才,而培养应用型人才是地方高校转型发展的客观要求,成果导向教育是以预期学习产出为中心来组织、实施和评价人才培养。呼伦贝尔学院网络工程专业基于成果导向教育理念来设计应用型人才培养目标和标准,以学习产出结果为衡量依据,以核心能力为主轴,对人才培养模式、课程体系、课程教学策略、学习产出成果评价进行精心设计,在实施过程中,利用三级项目驱动的方式对课程体系进行模块化设计,利用三位一体的评价机制开展学习产出成果评价。实践表明,基于OBE理念的工程应用型人才培养模式可有效提高学生工程实践与创新能力,为培养高水平工程应用型人才提供可操作的理论指导和经验参考。

基于“竞赛内容+成果导向”的创新型人才培养探索——以呼伦贝尔学院为例

通过分析2019年呼伦贝尔学院学生参加各级各类学科竞赛的相关数据,研究了基于“竞赛内容+成果导向”的课程体系;并以“C语言程序设计”课程为例,对比了常规教学中竞赛生和非竞赛生教学设计异同;提出成果导向的教学、实训体系,为地方本科院校培养创新型人才提供参考。

大学生网络成瘾的原因分析及对策研究——以呼伦贝尔学院为例

当今社会网络应用已成为日常生活中不可或缺的部分。大学生这一年轻而又活跃的群体对网络的依赖程度空前突出,大学生沉迷于网络的现象越来越普遍,受到了家庭、社会、学校的广泛关注,成为了大学生教育研究的一个重要课题。本文通过对呼伦贝尔学院大学生网络使用情况进行调查研究,分析大学生的网瘾成因、危害等,探索了戒除网瘾的有效方式和方法。

“新工科”教育视角下计算机网络课程教学改革研究

“新工科”指明了我国工科教育改革的方向,对计算机网络课程的教学提出了新的要求和挑战。在“新工科”背景下,计算机网络课程旨在培养工程实践和创新能力强的复合型人才。本文基于计算机网络课程现存的问题,分别从优化教学方法、提升教师技能、激发学生主动性、创新实验设计、完善考核方式以及开展课程思政等六个角度提出改进策略,为“新工科”人才培养实践起到积极的推动作用。

基于应用型培养目标的计算机专业实践教学探索

针对目前计算机专业毕业生就业现状,深入分析了计算机专业教育实践教学环节中存在的问题。文章以培养应用型人才为目的,提出了切实可行的相应实践教学改革的措施与策略,提出改革计算机专业实践教学环节的教学内容与教学方以及开展校企联合办学、强化实践师资队伍建设等方面的思路。

《计算机网络应用》课程的教学改革研究

《计算机网络应用》课程是一门面向非计算机专业的计算机公共必修课程,自开展该课题研究工作以来,笔者以课堂为载体,围绕"教学内容、教学方法、平台建设、考核方式"等方面的教学问题,扎实开展课题研究活动,该文针对研究工作进行总结。

基于“MOOC+SPOC”的“计算机基础”翻转课堂实践研究

MOOC以其开放、共享特性,更利于学生自主学习,按需学习;SPOC是一种有效管理学生的手段。其具有小范围、限制性、互动性等特点,更易于激发学生的学习热情。本文结合MOOC、SPOC翻转课堂优势,着重优化计算机基础课程教学设计,构建以资源为中心的混合教学模式,提高课程有效性和课堂教学效果,为翻转课堂实践积累经验,以达到学生个性化学习之目的。

非计算机专业学生计算思维的培养——以Python语言为例

本文分析了目前一些大学的公共计算机基础课程存在偏重技能训练的问题,提出了培养大学生计算思维的重要性,并结合Python语言的特点和应用前景,给出了非计算机专业开设程序设计课程的一种初步方案。

《大学计算机基础》课程混合式教学改革研究

混合式教学在高校公共计算机课程中有良好的教学效果,通过“学习通”在线学习软件使得师生互动更加灵活自然,激发学生学习兴趣,让学生利用碎片时间学习、做活动、看视频、做作业等。与传统教学相比灵活、有趣味且与时俱进。鉴于此,本文阐述了混合式教学方法的优越性,提出了混合式教学中出现的困难及优化措施和达到的效果。

“大学计算机基础”课程中思政教学资源智能推荐方法

为提升“大学计算机基础”课程中思政教学资源推荐效果,提出了一种“大学计算机基础”课程中思政教学资源智能推荐方法。首先,构建“大学计算机基础”课程学习者模型,确定学习者学习偏好。其次,计算学习者属性与教学资源主题相似度,得到目标资源推荐数据集。最后,细化思政教学资源类别,设计思政教学资源智能推荐算法,完成思政教学资源的智能推荐。实验结果表明,此方法可保证教学资源推荐准确性,最高可达到98.83%,具有一定应用价值。

新工科背景下计算机人才培养方法的教学革新探究

文章以呼伦贝尔学院计算机学院的 C 语言程序设计课程为例,探讨新工科背景下计算机人才培养的教学方法,经过多年的反复教改实践教学,不断总结教学经验,逐渐探索出一种适应本校学生层次的教学改革模式,这有利于激发学生对计算机程序设计课程的兴趣,培养学生知识创新和技术创新的能力。

高校计算机程序设计课程的教学实践与探索

高校是培养实践性人才的院校,而计算机程序设计课程作为教育的重点课程,应当受到教师的重点关注。如今,高校程序设计课程无法跟随时代的发展,其具有诸多缺陷,由此,本文介绍了高校计算机程序设计课程的问题,并提出解决对策,以期提高教学质量。

云计算技术在大数据平台分析中的应用研究

在云计算中,数据存储是非常重要的一部分。基于云计算技术,数据存储可以分散到多台服务器中,对数据进行存储和管理。但不同服务器的数据管理方式不同,会导致不同的数据处理效果,在实际工作中有较大差异。因此,根据数据存储类型以及应用环境等,对多台服务器进行合理分配和使用才能更好地发挥云计算技术的作用。基于云服务商提供的分布式存储方式主要有两种:第一,是通过虚拟文件系统(Virtual File System)对各种文件进行分块操作;第二,是通过分布式文件系统(Distributed File System)对不同服务器上的多个文件进行分布式操作。通常情况,这两种方式相互配合使用,才能更好地发挥云计算技术在数据存储中的作用。虽然,不同数据库应用环境和类型各不相同,但最终实现的效果很相似。对于一个特定数据库而言,在每个节点都设置一个存储空间和一个单独的磁盘作为数据集,这是一种典型的基于云服务商提供的分布式存储方式。

大数据平台网络数据库云计算技术优化与平台搭建研究

借助于云计算等创新技术优化网络数据库,以云计算等技术为基础,重新开发为大数据运用提供支持的网络数据库,可支持平台化设计,数据预处理与整合,集群模块搭建等。以云计算等技术为基础完成网络数据库优化,从而提升网络数据库存储容量,对大数据时代下的数据库并发性进行有效优化,同时亦能基于海量数据增加网络数据库利用率,这些都是关键性的举措。

云计算任务数据节能存储模型仿真

云计算因具有资源利用率高,节约成本的特点,其任务数据存储量较大,已经得以广泛应用。但云计算任务之间的差异性导致数据存储过程能量消耗过大,网络容量占用率偏高。为此,提出差异性云计算任务数据节能式存储算法。通过局部特征分析方法获取差异性云计算下任务数据节能式存储主要特征,采用一对一的分类方式转换为二分类数据,根据分类结果删除冗余数据。在此基础上,分析云计算任务数据的差异性特征,构建任务数据节能式存储模型,完成差异性云计算任务数据节能式存储算法的设计。仿真结果表明,所提算法不仅能够将响应时间控制在80ms之内,系统利用率平均可达89.056%,且研究算法应用下网络剩余能量更高,说明上述算法具有理想的节能效果。

基于证据理论的三向密度峰值聚类

为避免聚类标签错误传播,并且充分挖掘邻域信息,提出一种基于证据理论的三向密度峰聚类方法。在分配非分组点时考虑到K近邻的聚类信息,有利于提升聚类精度;用证据理论来描述和合并这些近邻信息,使建立的三向聚类模型能够将它们分配到最可能的聚类中,从而有效地避免了密度峰值聚类算法中错误标签的传播。在多个数据集上的实验对比结果表明,提出的方法能够有效避免聚类标签错误传播,并且实现了较高的聚类精度。

基于云计算技术的大规模数据聚类分析

考虑到传统大规模数据聚类分析算法收敛速度较慢的问题,提出一种基于云计算技术的大规模数据聚类分析算法。定义云空间内的数据变量,计算数据点密度,以计算出的密度数据为基准,整合为两个不同的数据集合,不断循环删除集合内局部密度低于平均密度的离群点,得出聚类中心。筛选远离聚类中心的点,计算数据点与聚类中心的相似系数,将保留下来的数据点划分为聚类区域,采用层次分配方法将聚类数据点分配到聚类区域中,完成大规模数据的聚类分析。实验结果表明,与传统聚类分析方法相比,所提聚类分析算法的收敛速度最高可达10 mm/s,收敛速度更快,说明该算法的收敛效果较好。