§2.1 性质与使用性能 1. 基础概念 2. 性质与性能的区别与关系 3. 材料的失效分析 4. 材料（产品）使用性能的设计 5. 材料性能数据库 6. 其它问题 §2.2 成分与结构 1. 材料的结构 2. 成分结构检测技术 3.与其它要素的关系 4.材料的成分.结构数据库 5.新的机遇 §2.3 合成与加工 1.定义 2.合成与加工的主要内容 3.与其它要素的关系 4.发展方向 §2.4 仪器与设备 1. 成分、结构表征仪器 2.材料性能的检测仪器 2.合成与加工过程中使用的设备 3.过程控制的探测元件及装置 §2.5 分析与建模（材料设计） 1. 引言 2. 材料设计的基本内容 3. 材料设计计算机基础

计算机科学与技术专业 《计算机导论》 《程序设计基础(C 语言)》 《离散数学(1)》 《面向对象技术(C++)》 《面向对象技术（JAVA）》 《程序设计实践(C++)》 《程序设计实践(JAVA)》 《IT 工程师职业道德与素养》 《人机交互设计》 《PYTHON 编程》 《专业发展概论》 《数据结构(C)》 《数据结构(JAVA)》 《数据结构(C)（英文）》 《开源软件开发技术》 《离散数学(2)》 《C++程序设计》 《JAVA 程序设计》 《计算机组成原理》 《数据库原理与应用》 《算法设计与分析》 《计算机网络》 《LINUX 系统实践》 《人工智能》 《高级 JAVA 程序设计》 《专业英语》 《数字媒体艺术与技术》 《数据结构综合设计(C)》 《数据结构综合设计(JAVA)》 《科研开发类项目实践(1)》 《软件工程》 《操作系统》 《汇编语言与微机接口技术》 《WEB 应用系统实践》 《CPU 设计》 《移动应用系统》 《数字系统 EDA 技术》 《云计算导论》 《现代密码学》 《CUDA 并行编程》 《多媒体技术》 《嵌入式操作系统》 《中文信息处理》 《计算机图形学》 《科研开发类项目实践(2)》 《信息安全》 《编译原理》 《计算机体系结构》 《嵌入式系统》 《信息检索与搜索引擎》 《数据挖掘技术》 《计算机视觉》 《企业级计算基础》 《科研开发类项目实践(3)》 《大数据技术实践》 《单片机原理及应用》 《ORACLE 数据库》 《计算机系统项目综合实践》 《专业实习》 《企业工作实践》 《计算机新技术讲座》 《并行计算》 《大学生科技创新训练项目》 《毕业设计》 软件工程专业 《面向对象技术(JAVA)》 《数据结构(C)(英文)》 《模型驱动程序设计方法学》 《JAVA WEB 技术》 《XML 与 WEB 前端开发技术》 《移动应用开发实践》 《交互式软件系统设计》 《UML 及其应用》 《非关系型数据处理技术》 《软件测试实践》 《软件测试技术》 《高级软件工程》 《软件项目管理》 《软件开发实践》 《软件设计模式》 《软件项目综合实践》 网络工程专业(卓越计划) 《网络应用开发技术》 《数据通信基础》 《汇编语言》 《无线网络技术》 《路由与交换技术》 《网络管理》 《计算机组成原理综合实践》 《网络管理综合实践》 《网络应用系

一、专业课程 1《中国古代史》 2《中国古代史》 3《中国近代史》 4《中国现代史》 5《中国当代史》 6《世界上古史》 7《世界中古史》 8《世界近代史》 9《世界现代史》 10《世界当代史》 11《中国史学史》 12《西方史学史》 13《史学概论》 14《中国历史文选》 15《专业英语》 16《历史文献学》 17《中国历史地理》 18《史学论文写作》 19《考古学通论》 20《西方政治制度史》 21《中国政治制度史》 二、个性化发展课程 1《中国古代思想史》 2《中国近代思想史》 3《中国社会史专题》 4《中国现代化史》 5《世界现代化进程》 6《文化人类学》 7《大连地方史》 8《西方古典文明》 9《世界三大宗教》 10《英国史》 11《美国史》 12《日本史》 13《先秦秦汉史专题》 14《魏晋南北朝史专题》 15《抗日战争史专题》 16《中外交流史专题》 17《中国婚姻史专题》 18《东北文化史专题》 19《基督教与近代中国》 20《民国人物专题》 21《古代东方文明》 22《英国贵族研究》 23《中日关系史专题》 24《冷战史研究》 25《国际关系理论与方法》 26《史学前沿》 27《史学数据库使用》 28《中国史研究名著选读》 29《世界史研究名著选读》 30《口述史实践》 31《公众史学写作》 三、实践环节 1《毕业论文》 2《专业考察》 3《学年论文》 4《毕业实习》

1、学科基础课平台必修课 《概率论与数理统计 B》 《高等数学 B1》 《高等数学 B2》 《线性代数》 《市场营销学 A》 《管理统计与 SPSS 应用》 《市场营销专业导论》 《管理学 A》 《基础会计学 B》 《微观经济学 B》 《宏观经济学 C》 ２、 学科基础课平台选修课 《经济写作》 《ERP 沙盘模拟》 《财务管理学 B》 《公共关系学》 《计算机办公自动化 (中高级应用)》 《数据库原理与应用 B》 《管理信息系统》 《国际商法 B》 《跨境电子商务》 《计量经济学 B》 《管理研究方法》 《管理沟通》 《企业伦理学基础》 《网页设计与制作》 《创新创业创意实训》实习大纲 《领导科学与艺术》 《运筹学 B》 《组织行为学 B》 《组织行为学》B 3、专业课平台必修课 《市场调查与分析》 《消费者行为学》 《国际市场营销学》 《数据挖掘与商务智能》 《营销专业英语》 《营销策划》 《营销策划实习》 《供应链与物流管理 A》 《营销认知实习》 《营销专业实习》 《营销毕业设计（论文）1、2》 《营销毕业实习》 4、专业课平台选修课 《产品摄影》 《产品创新与研发设计》 《产品创新与研发》 《电子商务与网络营销 A》 《电子商务网站建设》 《客户关系管理》 《营销渠道管理》 《品牌管理》 《销售管理》 《服务市场营销学》 《广告学》 《广告学》实习 《零售管理》 《商务谈判》 《商务谈判》实践 《营销专题讲座》 《定价管理》 《现代医院营销》 《创业营销》

提出了一种联合多种边缘检测算子的无参考质量评价算法，同时考虑一阶和二阶边缘算子，避免了单一算子的局限性.该方法首先将彩色图像转换为灰度图像，然后计算灰度图像的梯度，相对梯度以及LOG特征.本文所使用的特征分为两部分，一部分提取相对梯度方向的标准差，另一部分利用条件熵来量化不同特征之间的相似性和相互关系，并且考虑到人眼特性进行多尺度计算，最后使用自适应增强（AdaBoost）神经网络进行训练和预测.在公共数据库LIVE和TID2008上进行实验，结果表明新方法对失真图像的预测评分与主观评分有较高的一致性，能很好地反映图像质量的视觉感知效果，仅使用10维特征，性能优于现有的主流无参考质量评价算法

在生物学的研究中,有一个常用的方法,就是通过比较分析获取有用的信息和知识。达尔文正 是研究比较了 gal pagos finches同其它一些物种的形态学特征,从而提出了自然选择学说 今天,我们对基因和蛋白质序列进行比较,从本质上来讲是同达尔文一样,进行同样的分 析,只不过更加精细,更加详尽。在这个意义上,我们从核酸以及氨基酸的层次去分析序列 的相同点和不同点,以期能够推测它们的结构、功能以及进化上的联系。最常用的比较方法 是序列比对,它为两个或更多个序列的残基之间的相互关系提供了一个非常明确的图谱

 大数据处理的基本流程  大数据处理模型  大数据关键技术  大数据处理工具  大数据时代面临的新挑战 WordCount 关联规则基本模型 聚类 本章内容首先介绍了大数据处理的基本流程和大数据处理模型，接着介绍了大数据的关键技术，其中，云计算是大数据的基础平台和支撑技术，本章以Google 的相关技术为主线，详细介绍Google 以及其他众多学者和研究机构在大数据技术方面已有的一些工作，包括文件系统、数据库系统、索引和查询技术、数据分析技术等；接下来，介绍了大数据处理平台和工具，就目前技术发展现状而言，Hadoop 已经成为了大数据处理工具事实上的标准。最后，介绍大数据时代面临的新挑战，包括大数据集成、大数据分析、大数据隐私问题、大数据能耗问题、大数据处理与硬件的协同、大数据管理易用性问题以及性能测试基准。 大数据采集架构 预测模型

从外部获取 Access2 2003数据库所需数据有两个不同 的概念。 1.从外部导入数据 即从外部获取数据后形成自己数据库中的数据表对象, 并与外部数据源断绝联结,这意味着当导入操作完成 以后,即使外部数据源的数据发生了变化,也不会再 影响已经导入的数据。 2.从外部链入数据 即在自己的数据库中形成一个链接表对象,这意味着 链入的数据将随时随着外部数据源数据的变动而变动 何时该应用何种获取外部数据的方式,需根据具体应 用的实际需求而定

8.1 数据中心与数据中心网络概述 8.1.1 数据中心 8.1.2 数据中心网络 8.1.3 数据中心网络体系结构 8.2 电交换数据中心网络架构 8.2.1 以交换机为中心的 DCN 架构 8.2.2 以服务器为中心的 DCN 架构 8.3 光电混合交换数据中心网络架构 8.4 光交换与光互连数据中心网络架构 8.4.1 基于光电路交换的全光数据中心网络 8.4.2 基于光分组交换的全光数据中心网络 8.4.3 数据中心机架内光互连架构 8.5 数据中心网络的路由技术 8.5.1 数据中心的流量特征分析 8.5.2 分布式路由机制 8.5.3 集中式路由机制 8.6 数据中心网络的传送技术 8.6.1 TCP 拥塞控制机制 8.6.2 多租户场景的带宽分配算法 8.7 软件定义数据中心网络 8.7.1 软件定义网络 8.7.2 软件定义数据中心网络

传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度