|
搜索
搜 索
高等教育领域数字化综合服务平台
软件服务器
产品特点
视频点播
1. 无插件点播: 支持客户通过浏览器，在无需安装专用播放插件的情况下，直接点播视频资源。
2. 二维码分享: 支持点播视频通过微博、微信二维码分享，可通过扫描二维码在手机端观看。
视频直播
1. 无插件直播观看, 用户可以通过浏览器，无需安装专用播放插件的情况下直接进行直播观看。
2. 直播互动：观看直播时可以做笔记，在线用户互相之间可以参加讨论，也可以将好的直播分享出去。
微课点播
1. 通过切片获取的精彩视频可推送到微课，用户可直接搜索观看具体视频，可通过关键字搜索目标视频。
2. 可以通过视频切片搜索到原视频和相关的微课，方便关联学习。
网络教研
1. 活动发起：支持教师自主发起优秀课评选；教师在参加活动时可直接从自己的课程资料选择参与，设置评估标准。后台管理员也可以发起评课，邀请老师参加。
2. 评估标准：教师可以自定义评估标准，根据评课活动实际情况进行使用。
教学资料
资源搜索：用户上传的公开资料如课程、视频、文档直接在平台汇集，可按年级、科目、关键字搜索，获取有用的资源。
后台管理
1. 组织架构：用户可根据需要设置组织架构，对用户进行归属分类，便于用户管理。
2. 用户管理：管理员可以在后台对用户进行单个新增、删除、禁用，也可以批量导入、批量导出，可以设置用户所属的组织。
3. 角色权限：管理员可以设置用户角色，根据角色分配给用户对应的权限。
广州市保伦电子有限公司
2021-08-23
开课吧企业服务
开课吧企业版，致力为企业数字转型储备全局优化的数字人才，帮助企业构建数字化能力，开展数字力工程，实现数字化转型。
北京开课吧科技有限公司
2021-01-22
融合智能服务平台
融合智能服务大脑以物联网技术为基础，人工智能、大数据、云服务为支撑，智能服务为主体，提供八大能力助力企事业单位数字化改革。平台实现设备、数据互联，业务、应用协同，管理、服务闭环；实现决策科学化、管理精准化、服务个性化，治理水平全面提升，支撑构建高质量服务体系。
1.物联互通：通过统一的标准应用协议并建立标准化的终端设备接入规范，提供园区内各种终端广泛感知和泛在接入能力，达到物物相连的目标；
2.能力复用：将园区内身份识别、金融支付、各类缴费、节能管控、安防控制等以API、微服务等方式进行统一汇聚发布，提供智能服务复用能力，实现信息化快速迭代；
3.数据分析：集合数据标准、元数据、数据质量、数据资产、数据安全等模块，为客户提供数据汇聚、共享及分析能力，为领导提供更加精准的决策依据；
4.业务协同：提供图形化配置及跨应用协同能力，实现校务应用之间功能、数据及权限的协同关联，消除身份孤岛、数据孤岛和服务孤岛；
5.能力开放：集合各类系统接口用于师生创新应用开发的技术平台，对外提供能力开放，对内完成服务集成，助力智慧校园建设过程中的创新应用拓展；
6.统一认证：提供统一身份库、身份介质管理、身份认证、身份识别及核验、统一授权、单点登录能功能，突出卡码脸一体的识别与核验能力，实现园区用户的一致管理；
7.数字孪生：基于数字孪生等技术建立镜像化、数字化、智能化的虚拟园区融合各种资源和服务，突破时空、资源、身份的限制为信息化带来全面变革；
8.服务闭环：对园区内的公寓、餐厅、教室、图书馆、场馆、停车、安防等场景化应用实现服务闭环能力，提升服务质量和管理效能。
正元智慧集团股份有限公司
2022-06-14
人事管理服务
我们通过创新的严格流程，将国际服务标准同中国本土环境有机融合，既能完全针对性的满足中国体制下的工作要求，又尽量让您感受到国际统一标准的服务过程。
根植与中国本土的深厚经验和广泛网络，使我们能够完善并扩展您的外部资源网络，并提升对政策变化的敏感性和适应度。
全面的服务内容，各服务模块的充分联动，确保您在人事管理工作方面具备更广阔的视野。
庞大的团队及贴身的现场服务，使您的每个细节需求都能得到快速响应。
特别为您开设的网络接口及人性化的用户界面，结合后台的专人服务，能够保证您对服务数据的轻松监控。
业界最高级别的信用等级，确保您全面的资金及信息安全。
北京外投人力资源有限公司
2022-02-25
TaiShan服务器
TaiShan服务器是华为新一代数据中心服务器，基于华为鲲鹏处理器，适合为大数据、分布式存储、原生应用、高性能计算和数据库等应用高效加速，旨在满足数据中心多样性计算、绿色计算的需求。
TaiShan200服务器，基于鲲鹏920处理器，包含2280E边缘型、1280高密型、2280均衡型、2480高性能型、5280存储型和X6000高密型等产品型号。TaiShan100服务器，基于鲲鹏916处理器，包含2280均衡型和5280存储型等产品型号。
华为技术有限公司
2022-09-19
天津市级课程思政优秀案例-Python数据分析与应用 - 奥运奖牌数据分析
本思政案例值巴黎奥运会火热举办之际，以奥运会数据为载体，引导学生运用Python的Pandas库进行数据清洗、筛选与聚合分析，并通过Plotly工具实现数据可视化。案例巧妙融合数据分析技能培养与思政教育，通过剖析我国奥运奖牌数据变化，让学生直观感受国家体育事业的蓬勃发展，深切领悟体育强国战略背后蕴含的国家意志与民族精神。同时，鼓励学生从数据中探寻体育精神内核，内化于心、践之于行，涵养积极人生态度与爱国情怀。此外，案例数据可视化呈现国际竞技格局，助学生理解多元包容、拓宽国际化视野，增强民族自豪感与文化自信，实现知识传授与价值引领的有机统一。
天津市大学软件学院
2025-05-21
【中国青年报】吉林省AI赋能职业教育创新发展联盟成立
5月23日下午，吉林省AI赋能职业教育创新发展联盟成立揭牌仪式在长春举行。
中国青年报
2025-05-24
篮球赛事AI短视频剪辑系统
视频剪辑是一项简单却繁琐的工作，需要投入大量的人力。而且人力完成的视频剪辑，剪辑结果有着很强的主观色彩。通过采集大量各类体育赛事数据进行模型训练，利用深度神经网络良好的自主学习能力，采用Centernet作为多目标检测能力的实现框架，同时利用Transformer重构目标检测进行连锁，二次捕捉目标检测的准确性。CenterNet和Transformer的融合，实现了端到端的目标检测，在准确性提升的基础上满足实时处理视频的要求。综合应用多目标检测跟踪以及多模式识别技术，实现短视频的智能化剪辑，极大程度减少了人工工作量，同时也增加了短视频剪辑的客观性，在大数据时代背景下有着重要的现实意义。
太原科技大学
2021-05-04
新冠肺炎影像学AI智能辅助诊断研究
“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。
复旦大学
2021-04-10
基于AI 机器学习的影像组学模型研究
2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。
东南大学
2021-04-10