产品详细介绍本平台是一个旨在为老师提供备课资源、引导学生自主学习国学经典的资源系统。以国学经典的原文为核心，向外拓展和延伸，建构一个包括文化知识、人物故事、经典诵读、游戏测评在内的文化系统；在制作上紧密地与现代信息技术、多媒体技术、视频音画技术、游戏原理结合起来，同时在内容研发上严格遵循学术规范，严谨审慎地对待内容的开发， 使之成为信息化与人文性、生动性与科学性完美结合的系统软件。1、软件功能：该软件为国学多媒体资源，可用于教师备课参考、课堂情境教学和学生自主学习。2、软件内容：涵盖中国文化经典之经、史、子、集、蒙学等15 部经典。蒙学经典：《弟子规》《三字经》《百家姓》《千字文》《笠翁对韵》；思想元典：《论语》《孟子》《大学》《中庸》《老子》《庄子》；文史经典：《史记》《唐诗》《宋词》《历代美文》。 3、软件特点（1）制作权威：由来自北京大学、清华大学、中国人民大学、北京师范大学的国学大师和儿童心理专家全面解读，精心打造 。    （2）情景生动：采用快乐学习的设计理念，创设了富有游戏性、趣味性的独特场景。                （3）互动灵活：设计了童声跟读、神奇汉字、互动游戏等多种参与形式，最大限度地激发儿童的学习潜能。                                        （4）技术领先：充分利用现代计算机多媒体技术，全方位刺激儿童的想象，鲜活灵动地诠释国学经典。                                            （5）根据国学经典文本特点和学生学习需求，设计了快乐诵读、动画剧场、汉字故事、博闻多识、游戏空间、知识库等学习功能。

U校园应用数据科学和机器学习技术，建立学习模型，提供高效率的教学管理、立体化的教学资源、互动式的教学环境、多维度的评价支撑，全面打通“教、学、评、测、研”，充分赋能高校外语教师、学生与管理者。

综合运用微服务、云计算、移动互联、大数据、人工智能等新兴信息技术，在智慧校园传统三大平台（统一门户、统一认证、数据中心）基础之上，借助快速开发平台开发流程应用，并登记发布到办事大厅，为学校老师、学生、访客等提供一站式服务，打造一个开放、灵活、智慧的智慧校园生态体系。

覆盖教学和实验全流程的线上教学平台，包含在线教学的学、练、考、评、管环节，支持点播、直播、互动教学。

智慧学习服务平台将题库诊断系统、在线考试系统、网络阅卷系统、学习分析系统、在线学习系统、智慧导学系统有机结合，建立“以学生发展为中心”的个性化学习方式。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

当前，高校内部学院、部门网站更新不及时，僵尸网站、发布内容存在不规范用语、错别字等情况较为普遍，造成了很大的安全风险。由内蒙古财经大学自主开发的“镜湖一号——高校对外宣传数据智能分析平台一体机”，很好的解决了上述出现的问题。同时，还具备了呈现学校对外宣传数据数据分析与挖掘的可视化态势展现功能，支持大屏观看和手机端查看。“镜湖一号”基于高校对互联网发布的各类数据，使用人工智能和大数据分析技术设计应用模型，让学校的管理者实时掌握数据动态。 应用场景及创新点： 1.监控敏感信息泄露，展现处置状态。 2.代替人工发现更新不及时、不到位的网站。 3.对比分析高校党建态势，同时展现学校内部各部门党建状态和成果。 3.实时展示高校发布的宣传数据态势，分析出最受欢迎、热门文章等。 4.平台支持国产化平台部署。 5.实现一体机快速部署。

《大数据交易应当重视和研究的几个问题》指出，为了保证交易数据来源的正当性和交易主体的合法性，为了有效克服大数据交易中的问题和风险，对于数据这种新型特殊财产的权属、开发利用及流转的特殊规律应当抓紧研究，相关制度建设要及时跟进。该报告建议从两方面入手：一是从私法角度明确数据的财产性质及其权属分配规则。在充分保护人格权和商业秘密的基础上，将数据产权按价值贡献在被采集者、采集者以及数据加工者等相关主体之间进行合理分配。二是从公法角度明确关于数据采集、加工，大数据产品的开发、流转等的监管规范。要明确数据的采集和利用不得违背公认的社会道德和善良风俗；在不损害相关主体的合法权益和公共利益的前提下，推动政府数据公开共享；禁止有可能威胁国家安全的跨境数据流动。

随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。

基于大数据和 AI 的应用，可实现复杂场景下的网络问题识别、多场景优化方案的协同策略方案的动态和自动化执行。可以构建智能网络规划及运维平台，以实现极致性能和极简运维，使能新业务的自动化覆盖优化、移动性优化、负载均衡优化、节能优化、故障分析与定位。同样可以基于无线数据和视频数据融合的用户个体及群体行为在多场景应用下，充分发挥5G的优势，创造巨大的社会效益。