加强实验设备管理 提高实验教学效率

2012年上半年，信息工程学院认真贯彻落实学院实验工作“比学赶帮超”的总体要求，注重将“比学赶帮超”工作与全体教师教学目标管理、“对标”管理、设备管理和绩效管理等工作相结合，全面推进，逐渐形成“实验方法多、实验目标明”的特点，形成全体实验教师参与、全过程控制、全方位落实的“比学赶帮超”工作机制，为持续改善实验教学效果，促进学院竞争力提升提供了保证。     

浅析高校实验设备管理的有效途径

本文通过分析对比论证的方法,对高校实验教学仪器设备从动态管理、静态管理以及设备的合理使用、流转、维修等方面进行了较为详细的论述,提出了实验设备管理的重点、难点,解决问题的论据,以及加强实验仪器设备管理的措施,对加强设备管理进行了较为有效的探索。以便最大限度地发挥教学仪器设备的使用效益,更好地为教学和科研服务。     

计算机网络实践教学研究与改革

分析了计算机网络课程实践教学中存在的问题;并以我校计算机专业的实际情况为例,讨论了如何进行时间资源、师资力量和软硬件资源的整合。提出了对教学内容进行适当的组织、规划和分类;优化整合各种软硬件资源;引导学生利用课余时间,根据需要向课外延伸教学;采取以强带弱,分组的实验教学方式等措施。     

程序设计类课程实训综合管理平台的设计与实现

实训教学管理的好坏直接影响着实训效果。为此,本文基于B/S模式,遵循软件开发控制过程,构建了一个能够同时辅助多门软件类课程进行课内和课外实训教学的综合管理平台。实际应用表明,使用该平台能够提高程序设计类课程的教学质量,同时降低实训教师的教学管理工作强度。     

文本分类中基于综合度量的特征选择方法

针对传统特征选择算法的不足, 提出一种新的特征选择算法. 该算法能综合度量一个特征在类内和类间的重要性, 并在3个不同的数据集上利用2个分类器与5个现有的特征选择方法进行了对比实验. 实验结果表明, 该算法进一步降低了特征向量空间的维度, 并有效提高了分类器的分类性能.     

MapReduce框架下基于抽样的分布式K-Means聚类算法

提出一种MapReduce框架下基于抽样的分布式K-Means聚类算法,解决海量数据环境下并行执行K-Means算法时,时间开销较大的问题.该算法使用抽样方法,在保证数据分布不变的前提下,对数据集的规模进行约减,并在MapReduce框架下对聚类算法进行优化.实验结果表明,该算法在保持良好聚类效果的同时,能有效缩短聚类时间,对大规模数据集具有较高的执行效率和较好的可扩展性.     

一种改进的代价敏感随机森林算法

随机森林在分类不平衡数据时,容易偏向多数类而忽略少数类,可以将代价敏感用于分类器的训练,但在传统代价敏感随机森林算法中,代价函数没有考虑样本集实际分布与特征权重,且在随机森林投票阶段,没有考虑基分类器的性能差异。本文提出一种改进的代价敏感随机森林算法ICSRF,该算法首先根据不平衡数据集的实际分布构造代价函数,并将权重距离引入代价函数,然后根据基分类器的性能采取权重投票,提高分类准确率。实验结果表明,ICSRF算法能有效提高少数类的分类性能,可以较好的处理不平衡数据。     

基于代价敏感的随机森林不平衡数据分类算法

随机森林在分类不平衡数据时,容易偏向多数类而忽略少数类。可以将代价敏感用于分类器的训练;但在传统代价敏感随机森林算法中,代价函数没有考虑样本集实际分布与特征权重,且在随机森林投票阶段,没有考虑基分类器的性能差异。提出一种改进的代价敏感随机森林算法ICSRF,该算法首先根据不平衡数据集的实际分布构造代价函数;并将权重距离引入代价函数,然后根据基分类器的性能采取权重投票,提高分类准确率。实验结果表明,ICSRF算法能有效提高少数类的分类性能,可以较好地处理不平衡数据。