CN106096666A - 一种降低录播系统学生行为分析误判的方法和装置 - Google Patents
一种降低录播系统学生行为分析误判的方法和装置 Download PDFInfo
- Publication number
- CN106096666A CN106096666A CN201610483061.7A CN201610483061A CN106096666A CN 106096666 A CN106096666 A CN 106096666A CN 201610483061 A CN201610483061 A CN 201610483061A CN 106096666 A CN106096666 A CN 106096666A
- Authority
- CN
- China
- Prior art keywords
- model
- analyzer
- training
- behavior
- movement properties
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种降低录播系统学生行为分析误判的方法，所述方法包括：将运动数据输入预先处理器进行预处理；将处理后的运动属性传输至训练器和分析器；所述训练器进行模型训练，以得到决策模型；所述分析器分析各个行为模型。本发明提供一种机器学习的方法来就降低学生行为分析误判的方法，由数据预处理器、模型训练器、分析器组成，通过对预处理器的数据进行训练，系统根据教学环境学校一个行为分析模型，完成行为分析自动检测，这样避免了参数法所需要的大量参数设置，引起误判的问题。
Description
技术领域
本发明涉及机器学习领域，尤其涉及一种降低录播系统学生行为分析误判的方法和装置。
背景技术
教学录播系统需要分析学生课堂动作行为，根据行为决定拍摄策略，目前市场技术方案总体是采用参数法，根据分析学生运动轨迹，设定一些阀值和参数，对学生站立和坐下进行判断。这种方法主要弊端是，教学环境往往比较复杂，需要与拍摄景深、广角、站立姿势、时间等因素影响，需要设置参数非常多，各种参数的组合非常大，一方面施工难度非常大，另外一方面设置不准确容易导致系统误判。本发明提供一种机器学习的方法来就降低学生行为分析误判的方法，由数据预处理器、模型训练器、分析器组成，通过对预处理器的数据进行训练，系统根据教学环境学校一个行为分析模型，完成行为分析自动检测，这样避免了参数法所需要的大量参数设置，引起误判的问题。
发明内容
基于此，本发明提供了一种降低录播系统学生行为分析误判的方法和装置。
一种基于机器学习技术降低录播系统学生行为分析误判的方法，所述方法包括：
将运动数据输入预先处理器进行预处理；
将处理后的运动属性传输至训练器和分析器；
所述训练器进行模型训练，以得到决策模型；
所述分析器分析各个行为模型。
在其中一个实施例中，所述将运动数据输入预先处理器进行预处理的步骤包括：
角点运动聚类分区；
提取所述分区形成局部运动；
计算局部运动运动属性；
将运动属性传输给训练器和分析器。
在其中一个实施例中，所述训练器进行模型训练，以得到决策模型包括：
选择13点进行训练：其中，至少选择13个点作为正样板训练，随机选择9-20个点作为负样板训练正样本13个点位为拍摄区域的中心，以及8个边角点以及2对角线1/4等分点。如要分析学生站立，正样本为学生站立，负样本为其他动作；
模型计算：首先根据第一步的样本按照表1的变量计算各个运动属性，计算行为信息量，计算公式如下：pi(D)表示变量D为i的概率；
计算表1所有变量的信息增益： 其中v(A)表示需要计算的变量的属性值的个数，p(D(i))表示变量A的第i个值对应的D的子集D(i)在D变量值集合的占比。
根据信息增益最大的变量构建决策树左右分支，完成决策树构建。
在其中一个实施例中，所述方法还包括：
分析器将需要分析的各个行为模型，采用链表的形式链接在一起，形成分析模型链；
从分析模型链的第一个节点开始，将预处理器计算好的运动属性，依次通过训练好的模型决策树，得到最好的行为决策。如果当前模型行为分析结果为真，则分析器停止分析输出结果，否则分析器从分析模型链取下一个行为分析模型，继续分析，直到分析完成。
一种基于机器学习技术降低录播系统学生行为分析误判的装置，所述装置包括：
预处理模块，用于将运动数据输入预先处理器进行预处理；
传输模块，用于将处理后的运动属性传输至训练器和分析器；
训练模块，用于进行模型训练，以得到决策模型；
分析模块，用于分析各个行为模型。
在其中一个实施例中，所述预处理模块包括：
运动单元，用于角点运动聚类分区；
提取单元，用于提取所述分区形成局部运动；
计算单元，用于计算局部运动运动属性；
传输单元，用于将运动属性传输给训练器和分析器。
在其中一个实施例中，所述训练模块包括：
选择训练单元，用于选择13点进行训练：其中，至少选择13个点作为正样板训练，随机选择9-20个点作为负样板训练正样本13个点位为拍摄区域的中心，以及8个边角点以及2对角线1/4等分点。如要分析学生站立，正样本为学生站立，负样本为其他动作；
模型计算单元，用于模型计算：首先根据第一步的样本按照表1的变量计算各个运动属性，计算行为信息量，计算公式如下：
pi(D)表示变量D为i的概率；
计算单元，用于计算表1所有变量的信息增益：
其中v(A)表示需要计算的变量的属性值的个数，p(D(i))表示变量A的第i个值对应的D的子集D(i)在D变量值集合的占比。
构建单元，用于根据信息增益最大的变量构建决策树左右分支，完成决策树构建。
在其中一个实施例中，所述装置还包括：
分析模块，用于将需要分析的各个行为模型，采用链表的形式链接在一起，形成分析模型链；
分析输出模块，从分析模型链的第一个节点开始，将预处理器计算好的运动属性，依次通过训练好的模型决策树，得到最好的行为决策，如果当前模型行为分析结果为真，则分析器停止分析输出结果，否则分析器从分析模型链取下一个行为分析模型，继续分析，直到分析完成。
有益效果：
本发明公开了一种降低录播系统学生行为分析误判的方法，所述方法包括：将运动数据输入预先处理器进行预处理；将处理后的运动属性传输至训练器和分析器；所述训练器进行模型训练，以得到决策模型；所述分析器分析各个行为模型。本发明提供一种机器学习的方法来就降低学生行为分析误判的方法，由数据预处理器、模型训练器、分析器组成，通过对预处理器的数据进行训练，系统根据教学环境学校一个行为分析模型，完成行为分析自动检测，这样避免了参数法所需要的大量参数设置，引起误判的问题。
附图说明
为了更清楚地说明本发明运行原理和使用的技术方案，下面将对运行原理和使用的技术中所需要使用的附图作简单地介绍。显而易见，下面描述中的附图仅仅是本发明的一些运行例子，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明的一种降低录播系统学生行为分析误判的装置的方法流程图。
图2是本发明的一种降低录播系统学生行为分析误判的装置框图。
具体实施方式
下面将结合本发明运行原理中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参照图1，一种降低录播系统学生行为分析误判的方法，所述方法包括：
S101：将运动数据输入预先处理器进行预处理；
S102：将处理后的运动属性传输至训练器和分析器；
S103：所述训练器进行模型训练，以得到决策模型；
S104：所述分析器分析各个行为模型。
在其中一个实施例中，所述将运动数据输入预先处理器进行预处理的步骤包括：
角点运动聚类分区；
提取所述分区形成局部运动；
计算局部运动运动属性；
将运动属性传输给训练器和分析器。
在其中一个实施例中，所述训练器进行模型训练，以得到决策模型包括：
选择13点进行训练：其中，至少选择13个点作为正样板训练，随机选择9-20个点作为负样板训练正样本13个点位为拍摄区域的中心，以及8个边角点以及2对角线1/4等分点。如要分析学生站立，正样本为学生站立，负样本为其他动作；
模型计算：首先根据第一步的样本按照表1的变量计算各个运动属性，计算行为信息量，计算公式如下：pi(D)表示变量D为i的概率；
计算表1所有变量的信息增益： 其中v(A)表示需要计算的变量的属性值的个数，p(D(i))表示变量A的第i个值对应的D的子集D(i)在D变量值集合的占比。
根据信息增益最大的变量构建决策树左右分支，完成决策树构建。
在其中一个实施例中，所述方法还包括：
分析器将需要分析的各个行为模型，采用链表的形式链接在一起，形成分析模型链；
从分析模型链的第一个节点开始，将预处理器计算好的运动属性，依次通过训练好的模型决策树，得到最好的行为决策。如果当前模型行为分析结果为真，则分析器停止分析输出结果，否则分析器从分析模型链取下一个行为分析模型，继续分析，直到分析完成。
请参照图2，一种降低录播系统学生行为分析误判的装置，所述装置包括：
预先处理器100，用于将运动数据输入预先处理器进行预处理；
传输模块，用于将处理后的运动属性传输至训练器和分析器；
模型训练器200，用于进行模型训练，以得到决策模型；
分析器300，用于分析各个行为模型。
在其中一个实施例中，所述预处理模块包括：
运动单元，用于角点运动聚类分区；
提取单元，用于提取所述分区形成局部运动；
计算单元，用于计算局部运动运动属性；
传输单元，用于将运动属性传输给训练器和分析器。
在其中一个实施例中，所述训练模块包括：
选择训练单元，用于选择13点进行训练：其中，至少选择13个点作为正样板训练，随机选择9-20个点作为负样板训练正样本13个点位为拍摄区域的中心，以及8个边角点以及2对角线1/4等分点。如要分析学生站立，正样本为学生站立，负样本为其他动作；
模型计算单元，用于模型计算：首先根据第一步的样本按照表1的变量计算各个运动属性，计算行为信息量，计算公式如下：
pi(D)表示变量D为i的概率；
计算单元，用于计算表1所有变量的信息增益：
其中v(A)表示需要计算的变量的属性值的个数，p(D(i))表示变量A的第i个值对应的D的子集D(i)在D变量值集合的占比。
构建单元，用于根据信息增益最大的变量构建决策树左右分支，完成决策树构建。
在其中一个实施例中，所述装置还包括：
分析模块，用于将需要分析的各个行为模型，采用链表的形式链接在一起，形成分析模型链；
分析输出模块，从分析模型链的第一个节点开始，将预处理器计算好的运动属性，依次通过训练好的模型决策树，得到最好的行为决策，如果当前模型行为分析结果为真，则分析器停止分析输出结果，否则分析器从分析模型链取下一个行为分析模型，继续分析，直到分析完成。
本发明公开了一种基于机器学习技术降低录播系统学生行为分析误判的方法，所述方法包括：将运动数据输入预先处理器进行预处理；将处理后的运动属性传输至训练器和分析器；所述训练器进行模型训练，以得到决策模型；所述分析器分析各个行为模型。本发明提供一种机器学习的方法来就降低学生行为分析误判的方法，由数据预处理器、模型训练器、分析器组成，通过对预处理器的数据进行训练，系统根据教学环境学校一个行为分析模型，完成行为分析自动检测，这样避免了参数法所需要的大量参数设置，引起误判的问题。
以上对本发明运行原理进行了详细介绍，上述运行原理的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述作为分离部件说明的单元可以使或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个芯片单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元上。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘各种可以存储程序代码的介质。
应当理解，本发明的实施方式的各部分可以用硬件、软件、固件或他们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一个实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现；具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)。以上对本发明运行原理进行了详细介绍，上述运行原理的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种降低录播系统学生行为分析误判的方法，其特征在于，所述方法包括：
将运动数据输入预先处理器进行预处理；
将处理后的运动属性传输至训练器和分析器；
所述训练器进行模型训练，以得到决策模型；
所述分析器分析各个行为模型。
2.根据权利要求1所述的方法，其特征在于，所述将运动数据输入预先处理器进行预处理的步骤包括：
角点运动聚类分区；
提取所述分区形成局部运动；
计算局部运动运动属性；
将运动属性传输给训练器和分析器。
3.根据权利要求1所述的方法，其特征在于，所述训练器进行模型训练，以得到决策模型包括：
选择13点进行训练：其中，至少选择13个点作为正样板训练，随机选择9-20个点作为负样板训练正样本13个点位为拍摄区域的中心，以及8个边角点以及2对角线1/4等分点。如要分析学生站立，正样本为学生站立，负样本为其他动作；
模型计算：首先根据第一步的样本按照表1的变量计算各个运动属性，计算行为信息量，计算公式如下：pi(D)表示变量D为i的概率；
计算表1所有变量的信息增益： 其中v(A)表示需要计算的变量的属性值的个数，p(D(i))表示变量A的第i个值对应的D的子集D(i)在D变量值集合的占比。
根据信息增益最大的变量构建决策树左右分支，完成决策树构建。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
分析器将需要分析的各个行为模型，采用链表的形式链接在一起，形成分析模型链；
从分析模型链的第一个节点开始，将预处理器计算好的运动属性，依次通过训练好的模型决策树，得到最好的行为决策。如果当前模型行为分析结果为真，则分析器停止分析输出结果，否则分析器从分析模型链取下一个行为分析模型，继续分析，直到分析完成。
5.一种降低录播系统学生行为分析误判的装置，其特征在于，所述装置包括：
预处理模块，用于将运动数据输入预先处理器进行预处理；
传输模块，用于将处理后的运动属性传输至训练器和分析器；
训练器，用于进行模型训练，以得到决策模型；
分析器，用于分析各个行为模型。
6.根据权利要求5所述的装置，其特征在于，所述预处理模块包括：
运动单元，用于角点运动聚类分区；
提取单元，用于提取所述分区形成局部运动；
计算单元，用于计算局部运动运动属性；
传输单元，用于将运动属性传输给训练器和分析器。
7.根据权利要求5所述的装置，其特征在于，所述训练模块包括：
选择训练单元，用于选择13点进行训练：其中，至少选择13个点作为正样板训练，随机选择9-20个点作为负样板训练正样本13个点位为拍摄区域的中心，以及8个边角点以及2对角线1/4等分点。如要分析学生站立，正样本为学生站立，负样本为其他动作；
模型计算单元，用于模型计算：首先根据第一步的样本按照表1的变量计算各个运动属性，计算行为信息量，计算公式如下：
pi(D)表示变量D为i的概率；
计算单元，用于计算表1所有变量的信息增益：
其中v(A)表示需要计算的变量的属性值的个数，p(D(i))表示变量A的第i个值对应的D的子集D(i)在D变量值集合的占比。
构建单元，用于根据信息增益最大的变量构建决策树左右分支，完成决策树构建。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：
分析模块，用于将需要分析的各个行为模型，采用链表的形式链接在一起，形成分析模型链；
分析输出模块，从分析模型链的第一个节点开始，将预处理器计算好的运动属性，依次通过训练好的模型决策树，得到最好的行为决策，如果当前模型行为分析结果为真，则分析器停止分析输出结果，否则分析器从分析模型链取下一个行为分析模型，继续分析，直到分析完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610483061.7A CN106096666A (zh) | 2016-06-24 | 2016-06-24 | 一种降低录播系统学生行为分析误判的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610483061.7A CN106096666A (zh) | 2016-06-24 | 2016-06-24 | 一种降低录播系统学生行为分析误判的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106096666A true CN106096666A (zh) | 2016-11-09 |
Family
ID=57213769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610483061.7A Pending CN106096666A (zh) | 2016-06-24 | 2016-06-24 | 一种降低录播系统学生行为分析误判的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106096666A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110266984A (zh) * | 2019-07-01 | 2019-09-20 | 浙江大学 | 一种云台摄像智能分析教学录播一体机 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916365A (zh) * | 2010-07-06 | 2010-12-15 | 北京竞业达数码科技有限公司 | 对考试作弊事件进行智能视频识别的方法 |
| CN102609714A (zh) * | 2011-12-31 | 2012-07-25 | 哈尔滨理工大学 | 基于信息增益和在线支持向量机的新型分类器及分类方法 |
| CN104966058A (zh) * | 2015-06-12 | 2015-10-07 | 南京邮电大学 | 一种基于分层二叉树的行为识别方法 |
| CN105139029A (zh) * | 2015-08-14 | 2015-12-09 | 哈尔滨华夏矿安科技有限公司 | 一种监狱服刑人员的行为识别方法及装置 |
-
2016
- 2016-06-24 CN CN201610483061.7A patent/CN106096666A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916365A (zh) * | 2010-07-06 | 2010-12-15 | 北京竞业达数码科技有限公司 | 对考试作弊事件进行智能视频识别的方法 |
| CN102609714A (zh) * | 2011-12-31 | 2012-07-25 | 哈尔滨理工大学 | 基于信息增益和在线支持向量机的新型分类器及分类方法 |
| CN104966058A (zh) * | 2015-06-12 | 2015-10-07 | 南京邮电大学 | 一种基于分层二叉树的行为识别方法 |
| CN105139029A (zh) * | 2015-08-14 | 2015-12-09 | 哈尔滨华夏矿安科技有限公司 | 一种监狱服刑人员的行为识别方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 柴玉梅，张坤丽: "《人工智能》", 30 June 2012, 北京：机械工业出版社 * |
| 王士霞: "基于决策树的在线学习行为分析", 《河南科技学院学报》 * |
| 鲍军鹏，张选平: "《人工智能导论》", 31 January 2010, 北京：机械工业出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110266984A (zh) * | 2019-07-01 | 2019-09-20 | 浙江大学 | 一种云台摄像智能分析教学录播一体机 |
| CN110266984B (zh) * | 2019-07-01 | 2020-12-18 | 浙江大学 | 一种云台摄像智能分析教学录播一体机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107545245A (zh) | 一种年龄估计方法及设备 | |
| CN106503055A (zh) | 一种从结构化文本到图像描述的生成方法 | |
| CN110222125A (zh) | 一种基于知识图谱的线上教育个性化推送方法及系统 | |
| Al-Shabandar et al. | Detecting at-risk students with early interventions using machine learning techniques | |
| CN105701120A (zh) | 确定语义匹配度的方法和装置 | |
| CN109800309A (zh) | 课堂话语类型分类方法及装置 | |
| Viloria et al. | Determinating student interactions in a virtual learning environment using data mining | |
| Jones | Developing cognitive theory by mining large-scale naturalistic data | |
| CN111530081A (zh) | 游戏关卡设计方法、装置、存储介质及电子设备 | |
| CN116452022A (zh) | 教师教学效果的评价方法、装置及电子设备 | |
| Arai et al. | Predicting quality of answer in collaborative Q/A community | |
| CN111611781B (zh) | 数据标注方法、问答方法、装置及电子设备 | |
| CN110490778A (zh) | 一种教师水平评估方法、装置、系统及存储介质 | |
| CN112614552B (zh) | 基于bp神经网络的土壤重金属含量预测方法及系统 | |
| CN106096666A (zh) | 一种降低录播系统学生行为分析误判的方法和装置 | |
| CN111709551A (zh) | 基于相似度的学生测试数据处理方法、系统、装置及介质 | |
| CN112785039A (zh) | 一种试题作答得分率的预测方法及相关装置 | |
| Liang | Research on the key technology of the personalized English learning system | |
| CN114461787B (zh) | 一种试题分发方法和系统 | |
| Kalita et al. | Supporting and consulting infrastructure for educators during distance learning process: The case of russian verbs of motion | |
| KR20200084694A (ko) | 교육 자료를 수집하는 방법 및 장치 | |
| Williams et al. | Understanding summary statistics and graphical techniques to compare Michael Jordan versus LeBron James | |
| John et al. | Statistical thinking for effective management | |
| Yang et al. | Research on the Satisfaction of Kid's English Education Application Based on Importance-Performance Analysis (IPA) | |
| CN113398569B (zh) | 卡组分类的处理、模型的训练、卡组的搜索方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 516221 Guangdong District of Huiyang city in Huizhou province long autumn tea garden management district general Road Industrial Zone (workshop) Applicant after: Guangdong purple Asahi Technology Co., Ltd. Address before: 516221 Guangdong District of Huiyang city in Huizhou province long autumn tea garden management district general Road Industrial Zone (workshop) Applicant before: Huizhou Zixu Technology Co., Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |