计算机导论课程教学大纲 离散数学课程教学大纲 电子技术基础课程教学大纲 数据结构课程教学大纲 计算机组成原理课程教学大纲 计算机网络课程教学大纲 操作系统课程教学大纲 数据库原理与技术课程教学大纲 算法设计与分析课程教学大纲 软件工程课程教学大纲 前端网页设计课程教学大纲 Web 项目开发课程教学大纲 单片机原理及应用课程教学大纲 嵌入式系统原理及应用课程教学大纲 网络安全技术课程教学大纲 Linux 操作系统课程教学大纲 微机原理与接口技术课程教学大纲 文献检索与科技写作课程教学大纲 Python 程序设计课程教学大纲 C++项目开发课程教学大纲 云计算技术教学大纲 网络工程技术课程教学大纲 编译原理课程教学大纲 IT 专业英语课程教学大纲 人工智能技术课程教学大纲 数字图像处理课程教学大纲 IT 行业创新创业专题课程大纲 C 语言程序设计-课程设计教学实习（实训）大纲 Java 语言程序设计-课程设计教学实习（实训）大纲 认知实习教学实习（实训）大纲 数据结构-课程设计教学实习（实训）大纲 项目综合实训 1 教学实习（实训）大纲 项目综合实训 2 教学实习（实训）大纲 项目综合实训 3 教学实习（实训）大纲 专业劳动实践教学实习（实训）大纲 企业实训教学实习（实训）大纲 生产实习教学实习（实训）大纲 毕业设计教学实习（实训）大纲

《多源信息融合技术》课程教学大纲.1 《非线性控制理论》课程教学大纲.5 《高动态导航技术》课程教学大纲.10 《机器人动力学与仿生控制》课程教学大纲.14 《机器视觉》课程教学大纲.18 《机器学习与数据挖掘》课程教学大纲.23 《模式识别》课程教学大纲.27 《强化学习与博弈》课程教学大纲.31 《神经网络与深度学习》课程教学大纲.35 《数字图像处理》课程教学大纲.39 《先进驱动控制技术》课程教学大纲.43 《现代传感技术及应用》课程教学大纲.47 《现代电力电子学》课程教学大纲.51 《现代信号处理》课程教学大纲.55 《线性系统理论》课程教学大纲.59 《云控制技术》课程教学大纲.64 《运动体制导与控制》课程教学大纲.69 《智能计算课》程教学大纲.73 《智能控制》课程教学大纲.77 《智能滤波方法及其应用》课程教学大纲.83 《智能硬件与并行计算》课程教学大纲.86 《智能自主系统》课程教学大纲.93 《专业英语》课程教学大纲.97 《最优化与鲁棒控制》课程教学大纲.101

一、结构化生命周期方法 二、快速原型方法 三、面向对象设计方法 四、客户/服务器应用规划综述

第6章面向过程程序设计 6.1应用程序基本操作 6.2应用程序中的常用命令 6.3顺序结构程序设计 6.4分支结构程序设计 6.5循环结构程序设计 6.6过程结构程序设计 6.7数组变量的应用 6.8结构化程序设计举例

介绍有关视图的建立、运 行方法,利用视图更新数据以 及用查询、视图操作多个数据 表

➢ NoteExpress安装与主界面介绍 ➢ 参考文献数据库的建立和文献导入 ➢ 数据库管理及应用 ➢ NoteExpress在Word文档中的应用 ➢ NoteExpress总结

介绍有关数据导入导出方 法以及ⅴFP数据在 Internet上发 布方法

第一部分 学科（专业类）教育课程 I 《C 语言程序设计 A》 《数据结构》 《计算机网络》 《操作系统原理》 《计算机组成原理》 《数据库原理及应用 A》 第二部分 专业教育课程 《网络空间安全导论》 《面向对象程序设计》 《信息安全数学基础》 《Linux 原理与应用》 《应用密码学》 《数字取证技术》 《防火墙技术》 《入侵检测与防御》 《网络攻防技术》 《计算机病毒原理》 《网络安全编程》 《渗透测试技术》 《网络空间安全专业文献检索与论文写作》 《Python 程序设计》 《网络安全法律法规》 《人工智能基础》 《动态网页设计基础》 《网络路由与交换》 《PHP 程序设计》 《网络爬取技术》 《代码审计》 《无线网络安全技术》 《信息安全工程师》 第三部分 应用创新实践环节课程 《C 语言程序设计课程设计》 《数据结构课程设计》 《面向对象程序课程设计》 《计算机网络课程设计》 《Linux 原理与应用课程设计》 《数据库原理与应用课程设计》 《数字取证技术课程设计》 《防火墙技术课程设计》 《入侵检测与防御课程设计》 《网络攻防技术课程设计》 《计算机病毒原理课程设计》 《网络安全编程课程设计》 《渗透测试技术课程设计》 《网络协议分析》 《安全攻防演练》 《网络安全管理》 《网络空间安全专业毕业实习》 《网络空间安全专业毕业论文》

1 概率密度估计 2 最大似然估计 例 1 均值和方差的无偏与有偏估计 什么是高斯分布 ML 的全局最优？ 二元函数局部最优条件 例 2 3 最大后验概率估计 例 3 4 贝叶斯估计 例 4 5 期望最大化 EM EM 在高斯混合模型中的应用

导出了随机-模糊线性回归模型参数的估计量,证明了参数的估计量为无偏估计,同时推导了参数估计量数字特征和回归方程相关系数的计算公式。将该模型应用于岩石样本抗剪强度实验数据处理中,通过与传统的随机一元线性回归对比分析,表明使用该方法得到的力学参数更具代表性