对实验演示系统的系统架构、系统设计、体系结构进行了论述，创新性的采用RIA技术作为系统的表现层。首先论述了RIA技术的特点及优势，系统架构采用浏览器/服务器结构，系统设计中分析了系统模块的组成、系统安全性等。在体系结构中论述了系统的分层设计以及数据交换的方式。通过系统的实际使用，提高了学生自主学习能力，同时也提高了学习兴趣，减少了教师的工作量。对学生自主学习以及数字化教学方法改革做了关键的一步

分析了实验演示系统中使用服务器推技术的必要性，在此基础上，首先比较了服务器推送信息与传统拉取信息技术，然后介绍了服务器推技术的发展现状以及实现的不同方案，接着论述了服务器推技术实现过程中的难点与关键点，给出了服务器推技术使用的数据结构和程序流程。最后，经过系统测试，表明实验演示系统采用服务器推技术，工作性能良好，能够达到功能与性能要求

指针的概念 指针运算与数组 指针作为函数参数和返回值 动态内存分配 字符串再讨论 指针数组与多级指针 指向多维数组的指针 指向函数的指针

回顾 1、Java最新的事件处理方法是基于授权事件模型。 2、事件是描述事件源状态变化的对象。用户与GUI组件交互就会生成事件。 3、事件源是一个生成事件的对象。当这个对象的内部状态改变时,事件就会发生。 4、在发生事件时,事件源将调用监听器定义的相应方法

函数 自己编写函数 函数的使用 引用参数 带默认值的函数 内联函数 重载函数 函数模版 变量的作用域 变量的存储类别 递归函数 模块化的设计

一般，程序中的语句是按书写的顺序逐条执行。这种执行方式称为顺序执行。但是，程序设计语言也允许程序员自己指定接下去要执行的语句，该语句也许不是顺序的下一条。这种执行方式称为控制转移。C++提供两种控制转移结构：分支程序设计、循环程序设计； 关系表达式 逻辑表达式 If语句 Switch语句

背景 MDPs 强化学习问题 蒙特卡洛方法 (Monte Carlo Methods) 蒙特卡洛预测（Monte Carlo Prediction） 蒙特卡洛控制（Monte Carlo Control） 时序差分学习 (Temporal-Difference Learning) 时序差分预测（TD Prediction） 时序差分控制（TD Control） Sarsa：on-policy Q-learning : off-policy 策略梯度 (Policy Gradient) Monte-Carlo Policy Gradient Actor-Critic Policy Gradient 深度强化学习 Deep Q-Networks (DQN) Policy Gradients for Deep Reinforcement Learning

深度学习简介 Neural Network Goodness of Function Pick the Best Function 前馈神经网络 Tips for Deep Learning 卷积神经网络（Convolutional Neural Network, CNN） 循环神经网络（Recurrent Neural Network, RNN） Keras CNN in Keras RNN in Keras

自动规划概述 经典规划 (Classical Planning) 规划问题 状态空间规划 (State-Space Planning) 规划空间规划 (Plan-Space Planning) 新经典规划 (Neoclassical Planning) 规划图技术 (Planning-Graph Techniques) Planning as {SAT, CSP, ILP, …} 经典规划的扩展 分层任务网规划 不确定规划 非确定规划 概率规划

First-Order Logic Why FOL? Syntax and semantics of FOL Using FOL Knowledge engineering in FOL Inference in FOL Reducing first-order inference to propositional inference Unification (合一) Generalized Modus Ponens（一般化分离规则） Forward and backward chaining Resolution