本章主要让读者了解在使用 Internet之前 如何把计算机接入 Internet。通过对本章 的学习,读者应该掌握以下主要内容:

《专业导论》课程教学大纲. 1 《C 语言程序设计》课程教学大纲. 8 《离散数学》课程教学大纲. 18 《数字电子技术》课程教学大纲.31 《面向对象程序设计》课程教学大纲.38 《数据结构》课程教学大纲. 46 《数字通信》课程教学大纲. 55 《计算机组成与结构》课程教学大纲.61 《计算机网络原理》课程教学大纲.70 《路由与交换技术》课程教学大纲.83 《计算机网络安全》课程教学大纲.91 《网络工程与网络管理》课程教学大纲.100 《Web 开发技术》课程教学大纲.109 《现代操作系统》课程教学大纲. 118 《数据库系统原理》课程教学大纲.128 《软件工程》课程教学大纲.141 《算法设计与分析》课程教学大纲.154 《计算机英语》课程教学大纲.164 《学科前沿》课程教学大纲.171 《Linux 系统与编程》课程教学大纲. 179 《云计算与虚拟化技术》课程教学大纲.187 《工程伦理》课程教学大纲.196 《汇编语言程序设计》课程教学大纲.205 《互联网协议分析与设计》课程教学大纲.213 《Python 程序设计》课程教学大纲.222 《高性能框架》课程教学大纲.231 《计算机接口技术与应用》课程教学大纲.239 《网络攻击与防御》课程教学大纲.246 《计算机网络编程》课程教学大纲.253 《人工智能导论》课程教学大纲.260 《智能算法及应用》课程教学大纲.269 《移动应用开发技术》课程教学大纲.276 《Web 前端开发技术》课程教学大纲.288 《嵌入式系统设计》课程教学大纲.303 《网络性能测试与分析》课程教学大纲.312 《软件定义网络原理与应用》课程教学大纲.320 《机器学习》课程教学大纲.328 《大数据技术原理与应用》课程教学大纲.338 《数字媒体技术》课程教学大纲.348 《并行分布式计算》课程教学大纲.356 《IT 项目管理》课程教学大纲. 366

简要介绍了“功能基因组系统学”和“系统生物学”的基本含义，学习网络及网络比较的基本方法。详细学习了包括基因表达水平关联、基因保守近邻法、基因融合法、种系轮廓发生法等预测蛋白质-蛋白质相互作用的理论方法，并对这些方法的优缺点作了介绍和比较

针对如何识别无人机的问题，提出了一种基于卷积神经网络的声音识别无人机的方法。首先，对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值，将其特征参数作为卷积神经网络学习和识别的数据集；然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明，运用支持向量机识别无人机的准确率为91.9%，卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力，在部分UrbanSound8K数据集上进行测试，准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性，且识别性能优于支持向量机

针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题，从血管形状拓扑关系利用的角度出发，探索多任务卷积神经网络设计，提出骨架图引导的级联视网膜血管分割网络框架。该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体。骨架提取辅助任务用于提取血管中心线，能够最大限度地保留血管拓扑结构特征；自适应特征融合结构体嵌入在两个模块的特征层间。该结构体通过学习像素级的融合权重，有效地将血管拓扑结构特征与血管局部特征相融合，加强血管特征的结构信息响应。为了获得更完整的骨架图，骨架图提取网络还引入了基于图的正则化损失函数用于训练。与最新的血管分割方法相比，该方法在3个公共视网膜图像数据集上均获得第一名，在DRIVE，STARE和CHASEDB1中其F1值分别为83.1%，85.8%和82.0%。消融实验表明骨架图引导的视网膜血管分割效果更好，并且，基于图的正则化损失也能进一步提高血管分割准确性。通过将骨架提取模块和血管分割模块替换成不同的卷积网络验证了框架的普适性

竞争学习和Kohonen自组织网络 竞争学习根据输入模式来更新权值，输入单元i与所有输 出单元j 用wij 连接。输入的数目即为输入的维数，输出的 数目即为输入数据要聚类的数目

竞争学习和Kohonen自组织网络 竞争学习根据输入模式来更新权值，输入单元i与所有输 出单元j 用wij 连接。输入的数目即为输入的维数，输出的 数目即为输入数据要聚类的数目

本章学习目标 通过对本章的学习,读者应该掌握以下主要内容: 一、计算机网络安全的基本概念及 Linux系统安全 二、防火墙技术基本知识 三、用 iptales实现包过滤型防火墙

• 深度学习基础 – 深度学习的发展过程 – 深度学习常用技术框架 – 常用深度学习算法 • 音频质量评价 – 音频样本及特征预处理 – 音频特征选择 – 卷积神经网络模型训练 • 模型参数调优 • 性能验证

基于 Web 的工程制图协同学习系统采用先进的网络技术实现远程交互式教学；它既支 持单个学习者也支持多个学习者。应用数据库将学生的信息保存起来，通过智能化模块，对 一些共性的问题系统将统一指导，消除个性间的差异，使学生能较好的掌握所学知识。系统 的主要功能有： 交互性 通过网络及时的了解学生的情况和演示教学内容，并加以指导