论文部分内容阅读
分析在计算机专业开展课程思政的紧迫性和并行程序设计课程的重要性,提出该课程线上线下混合的教学方式,梳理该课程的思政目标,最后论述两个教学设计案例,介绍线上方式和探究式教学法在可重入函数教学中的应用,以及线下方式和试错教学法在缓存一致性与伪共享教学中的应用.
基于混合式教学和课程思政的并行程序设计教学设计
【摘 要】
：
分析在计算机专业开展课程思政的紧迫性和并行程序设计课程的重要性,提出该课程线上线下混合的教学方式,梳理该课程的思政目标,最后论述两个教学设计案例,介绍线上方式和探究式教学法在可重入函数教学中的应用,以及线下方式和试错教学法在缓存一致性与伪共享教学中的应用.
【机 构】
：
汕头大学 计算机系,广东 汕头 515063;汕头大学 计算机系,广东 汕头 515063;汕头大学 教务处,广东 汕头 515063
【出 处】
：
计算机教育
【发表日期】
：
2021年11期
其他文献
针对社会对智能信息处理人才的迫切需求和目前自然语言处理课程教学过程中面临的困难,立足自然语言处理课程的特点与学生发展的内在需求,提出从转变教学理念、更新教学内容、丰富教学方法与手段、完善考核体系几个方面进行课程教学改革,介绍具体改革实践路径,最后说明改革效果并提出反馈与修正机制.
图神经网络(GNN)在多个领域的复杂任务中已经得到成功的应用,但研究表明其易受到对抗攻击而导致性能严重下降,这种脆弱性影响了包含节点分类、链路预测和社团探测在内的所有应用.图对抗攻击已经可以高效地实施,这带来了严重的安全隐患和隐私问题,图对抗防御致力于提高GNN的鲁棒性和泛化能力以抵御对抗攻击.综述了图对抗防御算法研究进展,首先,介绍了图对抗防御的背景和相关概念,并对图对抗防御研究发展脉络进行梳理和分析.然后,根据防御算法的不同防御策略将算法分为四类,包括攻击检测、对抗训练、可认证鲁棒性以及免疫防御,对每
针对目前C++程序设计教学中存在的问题,以金课建设为抓手,提出基于建构主义理论支架式教学模式的理论课程混合式教学设计方法,以及基于随机进入教学模式的实践课程混合式教学实施方案,给出相应的课程考核评价方法,并从考核结果和评价反馈方面说明实践效果.
针对深度神经网络教学中存在的问题,提出利用深度网络的有监督学习知识作为强化手段,以深度网络MNIST手写体识别案例为引导,在一个完整的模块学习中引入认知学习和高阶思维培养模式,分别从教学手段的改进、思维能力的培养等几方面介绍数据挖掘课程的教学改革设计,并指出基于MNIST数据的有监督学习中的潜在问题.
当前广为研究的在单个句子范围内的事件抽取方法,难以扩展到从分布在一篇文章里的多个句子中抽取同一事件的完整论元.对此,提出了一种基于深度学习的文档级事件抽取联合模型.首先,利用基于多头自注意力机制的实体识别模块逐句识别文档中的实体并输出其类型.然后,通过定义不同论元角色对事件类型的重要度训练事件类型检测模块,实现在无触发词条件下定位事件表述中心句并判断事件类型.最后,事件论元抽取模块通过在实体语义向量中嵌入实体的类型信息和实体到事件中心句的距离信息,并输入Transformer网络与上下文交换信息,实现在文
远控木马(RAT)是一类以窃取机密信息为主要目的的恶意程序,严重威胁着网络空间安全.现阶段基于网络的远控木马检测方法大多对数据流的完整性有较高的要求,其检测存在一定程度的滞后.在分析远控木马通信会话建立后初期流量的序列特性的基础上,提出了一种利用序列分析的远控木马早期检测方法.该方法以远控木马被控端和控制端交互中第一条TCP流为分析对象,重点关注流中由内部主机向外部网络发送且数据包传输层负载大于α字节的第一个数据包(上线包)及其后续数个数据包,从中提取包含传输负载大小序列、传输字节数和时间间隔在内的三维特
针对计算机组成课程中如何保证远程线上考试公正的问题,提出采用一人一卷的方式,介绍组卷策略和不同题型的题目设计方法以及远程线上考试中的实践情况,对一人一卷的远程线上考试优势和不足进行探讨.
针对专业综合实验教学的问题和特点,提出一种解耦思维的教学理念及方法,以低耦合为导向进行软件模块的设计,阐述解耦系统的3类组件,应用于专业综合实验的教学过程中,最后通过对比数据说明教学效果,分析解耦思维对提升软件开发能力和软件工程素养的指导意义.
大多数集成聚类算法使用K-means算法生成基聚类,得到的基聚类效果不太理想.通常在使用共协矩阵对基聚类进行集成时,忽视了基聚类多样性的不同,平等地对待基聚类,且以样本为操作单元生成共协矩阵.当样本数目或集成规模较大时,计算负担显著增加.针对上述问题,提出超簇加权的集成聚类算法(ECWSC).该算法使用随机选点与K-means选点相结合来获取地标点,对地标点使用谱聚类算法得到其聚类结果,再将样本点映射到与之最近邻的地标点上生成基聚类.在此基础上,以信息熵为依据计算基聚类的不确定性,并对基聚类赋予相应权重,
随着移动设备的日益普及,积累了大量的用户签到兴趣点数据,用户签到的信息使下一兴趣点推荐成为近年来研究的热点问题.下一兴趣点推荐的准确性主要受到两方面的制约:一方面,签到数据稀疏性问题.当前研究者通过引入兴趣点的地理相关性或社交网络中的朋友评价信息来改善数据稀疏问题,但并不是所有兴趣点之间都存在强地理相关性,且社交网络中只存在少量用户对签到的兴趣点发表评论.另一方面,基于深度学习训练兴趣点签到序列存在梯度消失的问题.针对这些问题,提出融合区域与朋友影响的用户下一兴趣点推荐模型.首先,将兴趣点区域信息融入用户