CN109901824A - 一种基于深度学习的数据处理方法和系统 - Google Patents
一种基于深度学习的数据处理方法和系统 Download PDFInfo
- Publication number
- CN109901824A CN109901824A CN201910146797.9A CN201910146797A CN109901824A CN 109901824 A CN109901824 A CN 109901824A CN 201910146797 A CN201910146797 A CN 201910146797A CN 109901824 A CN109901824 A CN 109901824A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- training
- component
- learning component
- input data
- 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
Landscapes
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供了一种基于深度学习的数据处理方法和系统,所述方法包括:获取第一输入数据,所述第一输入数据包括文字、图、表、声音及视频;接收拖拽深度学习组件的拖拽指令以将该深度学习组件拖拽至目标区域;获取触发所述第一输入数据训练深度学习组件的触发指令以获取训练后的深度学习组件;将所述训练后的深度学习组件存储至后台服务器。本发明通过拖拽系统开发的组件来实现深度学习应用的开发,不仅深度学习网络结构的构建,而且网络结构的相关组件可以让用户自行编程实现及测试。
Description
技术领域
本发明涉及深度学习的数据处理技术领域,尤其涉及一种基于深度学习的数据处理方法和系统。
背景技术
现有人工智能学习系统,大多为基于python的人工智能库,学习曲线较为陡峭,适用对象为拥有本科及以上学历的人群,这让中小学生人群感受到了不好的体验;现有针对中小学生的人工智能学习方式,无论是线上授课还是线下授课的方式,都只是单纯的接收信息,而没有实际操作的过程,因此缺少灵活性和趣味性;现有针对中小学生的人工智能系统,均为基于某拖拽式编程平台(如scratch)改编而成,因没有实际编写和修改数据的过程而限制了操作范围,更没有开发和测试的过程,因而可扩展性较差。
发明内容
本发明针对现有人工智能系统仅仅是基于某拖拽式编程平台改编而成,而没有实际编写和修改数据的过程,也没有开发和测试的过程而导致人工智能系统可扩展性较差的缺点,提出一种基于深度学习的数据处理方法和系统,用以提升人工智能系统的可扩展性。
根据本发明的第一个方面,提供了一种基于深度学习的数据处理方法,包括:
获取第一输入数据,所述第一输入数据包括文字、图、表、声音及视频;
接收拖拽深度学习组件的拖拽指令以将该深度学习组件拖拽至目标区域,所述目标区域为预设的触发指令触发事件生效的区域;
获取触发所述输入数据训练深度学习组件的触发指令以获取训练后的深度学习组件;
将所述训练后的深度学习组件存储至后台服务器。
进一步地,所述触发输入数据训练深度学习组件的触发组件以获取训练后的深度学习组件,包括在web中触发所述输入数据训练深度学习组件的触发组件以获取训练后的深度学习组件。
进一步地,所述在web中触发输入数据训练深度学习组件的触发组件以获取训练后的深度学习组件,是指:
提取所述深度学习组件的权重参数;
将所述输入数据作用于权重参数以获取训练后的深度学习组件;
对所述训练后的深度学习组件进行零均值规范化处理;
修改canvas中的变量以在web上显示将训练后的深度学习组件。
进一步地,所述获取训练后的深度学习组件之后,还包括:
获取第二输入数据;
接收拖拽训练后的深度学习组件的拖拽指令以将该训练后的深度学习组件拖拽至目标区域;
获取触发所述第二输入数据训练深度学习组件的触发指令以获第二取训练后的深度学习组件;
将所述第二训练后的深度学习组件存储至后台服务器。
进一步地,所述获取训练后的深度学习组件之后,还包括:
获取第三输入数据;
通过预选定的深度学习模型以验证训练后的深度学习组件的功能是否实现,所述深度学习模型包括训练后的深度学习组件、绘画输入组件、类别输出组件、输入逻辑判断组件及输出逻辑判断组件;
若实现了训练后的深度学习组件的功能,则显示表示正向的激励信息,否则表示负向的激励信息,所述信息包括图片、符合、文字、声音和/或视频。
进一步地,所述获取训练后的深度学习组件之后,还包括:
获取按时间顺序连接至少两个深度学习模型模块的跟踪指令及触发按时间顺序连接的所述连接的至少两个深度学习模型模块是否能够组合成一个具备完整功能的深度学习模型,所述深度学习模型模块包括卷积模块、池化模块和优化器模块;
显示表示按时间顺序连接的所述连接的至少两个深度学习模型模块能够/不能够组合成一个具备完整功能的深度学习模型的信息。
进一步地,所述获取训练后的深度学习组件之后,还包括:
获取第四输入数据;
接收将所述第四输入数据存储并转化为深度学习模型模块的指令;
显示转化的深度学习模型模块;
获取按时间顺序连接转化的深度学习模型模块和其他至少一个深度学习模型模块的跟踪指令及触发按时间顺序连接的所述连接的至少两个深度学习模型模块是否能够组合成一个具备完整功能的深度学习模型;
显示表示按时间顺序连接的所述连接的至少两个深度学习模型模块能够/不能够组合成一个具备完整功能的深度学习模型的信息。
第二方面,本发明提供了一种基于深度学习的数据处理系统,包括显示平台和后台服务器;
所述显示平台包括获取单元、接收单元、触发单元及存储单元,
所述获取单元,用于获取第一输入数据,所述输入数据包括文字、图、表、声音及视频;
所述接收单元,用于接收拖拽深度学习组件的拖拽指令以将该深度学习组件拖拽至目标区域;
所述触发单元,用于获取触发所述输入数据训练深度学习组件的触发指令以获取训练后的深度学习组件;
所述存储单元,用于将所述训练后的深度学习组件存储至所述后台服务器。
进一步地,所述显示平台为基于Vue.js前端框架的平台。
进一步地,所述后台服务器为基于Node.js技术的服务器。
与现有技术相比,本发明的有益效果是:
本发明通过拖拽系统开发的组件来实现深度学习应用的开发,不仅深度学习网络结构的构建,而且网络结构的相关组件可以让用户自行编程实现及测试。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例一中的一种基于深度学习的数据处理方法的流程图;
图2为本发明实施例一中的在web中触发输入数据训练深度学习组件的触发组件以获取训练后的深度学习组件的流程图;
图3为本发明实施例一中的获取训练后的深度学习组件之后的流程图之一;
图4为本发明实施例一中的获取训练后的深度学习组件之后的流程图之二;
图5为本发明实施例一中的获取训练后的深度学习组件之后的流程图之三;
图6为本发明实施例一中的获取训练后的深度学习组件之后的流程图之四;
图7为本发明实施例二中的一种基于深度学习的数据处理系统的结构框图;
图8为本发明实施例二中的显示平台的结构框图;
图9为本发明实施例中的计算机设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行进一步的说明。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
所描述的实施例仅仅是本发明一部分例,实施而不是全部的实施例。基于本发明中的实施例,本领域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。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
实施例一
如图1所示,提供了本发明一个实施例的一种基于深度学习的数据处理方法,包括:
S101获取第一输入数据,第一输入数据包括文字、图、表、声音及视频;
S102接收拖拽深度学习组件的拖拽指令以将该深度学习组件拖拽至目标区域,目标区域为预设的触发指令触发事件生效的区域;
S103获取触发输入数据训练深度学习组件的触发指令以获取训练后的深度学习组件;
触发输入数据训练深度学习组件的触发组件以获取训练后的深度学习组件,包括在web中触发输入数据训练深度学习组件的触发组件以获取训练后的深度学习组件。
本发明深度网络结构组件采用基于python的Tensorflow进行深度网络的应用,并存储为定制格式到MongoDB数据库中,再在传输显示过程中由Tensorflow.js读取参数以供用户使用。
如图2所示,在web中触发输入数据训练深度学习组件的触发组件以获取训练后的深度学习组件,是指:
S201提取深度学习组件的权重参数;
S202将输入数据作用于权重参数以获取训练后的深度学习组件;
S203对训练后的深度学习组件进行零均值规范化处理;
S204修改canvas中的变量以在web上显示将训练后的深度学习组件。
S104将训练后的深度学习组件存储至后台服务器。
如图3所示,获取训练后的深度学习组件之后,还包括:
S301获取第二输入数据;
S302接收拖拽训练后的深度学习组件的拖拽指令以将该训练后的深度学习组件拖拽至目标区域;
S303获取触发第二输入数据训练深度学习组件的触发指令以获第二取训练后的深度学习组件;
S304将第二训练后的深度学习组件存储至后台服务器。
训练后的深度学习组件包括ResNet、DenseNet或MobileNet。
如图4所示,获取训练后的深度学习组件之后,还包括:
S401获取第三输入数据;
S402通过预选定的深度学习模型以验证训练后的深度学习组件的功能是否实现,深度学习模型包括训练后的深度学习组件、绘画输入组件、类别输出组件、输入逻辑判断组件及输出逻辑判断组件;
S403若实现了训练后的深度学习组件的功能,则显示表示正向的激励信息,否则表示负向的激励信息,信息包括图片、符合、文字、声音和/或视频。
例如,正向的激励信息和负向的激励信息包括但不限于以下几种结果:
Accepted:程序通过测试;
Wrong Answer:程序输入输出对不匹配;
Time Limited Exceeded:程序运行超时,即没有在规定时间完成;
Runtime Error:程序运行出错,或者意外终止等;
Presentation Error:格式错,即没有按照规定格式输出答案;
Memory Limited Exceeded:程序超内存,即没有按规定的空间完成;
Compile Error:程序编译出错,即程序未通过编译器编译。
如图5所示,获取训练后的深度学习组件之后,还包括:
S501获取按时间顺序连接至少两个深度学习模型模块的跟踪指令及触发按时间顺序连接的至少两个深度学习模型模块是否能够组合成一个具备完整功能的深度学习模型,深度学习模型模块包括卷积模块、池化模块和优化器模块;
S502显示表示按时间顺序连接的至少两个深度学习模型模块能够/不能够组合成一个具备完整功能的深度学习模型的信息。
如图6所示,获取训练后的深度学习组件之后,还包括:
S601获取第四输入数据;
S602接收将第四输入数据存储并转化为深度学习模型模块的指令;
S603显示转化的深度学习模型模块;
S604获取按时间顺序连接转化的深度学习模型模块和其他至少一个深度学习模型模块的跟踪指令及触发按时间顺序连接的至少两个深度学习模型模块是否能够组合成一个具备完整功能的深度学习模型;
S605显示表示按时间顺序连接的至少两个深度学习模型模块能够/不能够组合成一个具备完整功能的深度学习模型的信息。
实施例二
如图7所示,本发明提供了一种基于深度学习的数据处理系统,包括显示平台100和后台服务器200;
显示平台100为基于Vue.js前端框架的平台。
Vue.js前端框架是一个构建数据驱动的交互界面的渐进式框架。Vue.js的目标是通过尽可能简单的应用程序编程接口(API,Application Programming Interface)实现数据绑定的响应和视图组件的组合,如此对于用户来说容易学习并操作,还便于与第三方库或既有项目整合。
如图8所示,显示平台100包括获取单元101、接收单元102、触发单元103及存储单元104,
获取单元101,用于获取第一输入数据,输入数据包括文字、图、表、声音及视频;
接收单元105,用于接收拖拽深度学习组件的拖拽指令以将该深度学习组件拖拽至目标区域;
触发单元106,用于获取触发输入数据训练深度学习组件的触发指令以获取训练后的深度学习组件;
存储单元107,用于将训练后的深度学习组件存储至后台服务器。
后台服务器200为基于Node.js技术的服务器。
Node.js是一个可以在服务器上运行JavaScript的框架。Node.js对一些特殊用例进行优化,提供替代的应用程序编程接口,使得JavaScript中的V8引擎在非浏览器环境下运行得更好。V8引擎执行JavaScript的速度非常快,性能非常好,因此,Node.js的速度和性能也非常好。
后台服务器一般为计算机设备上,如图9所示,该计算机设备500可以是终端,也可以是服务器,其中,终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图9,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种基于深度学习的数据处理方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种基于深度学习的数据处理方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
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,实施例二方法中的相关描述,可以参考实施例一中描述的模块、相关工作单元和装置的具体工作过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的方法、系统、组件、模块和/或单元,可以通过其它的方式实现。例如,以上所描述的方法实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。所述作为分离部件说明的单元可以是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实施例方案的目的。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于深度学习的数据处理方法,其特征在于,包括:
获取第一输入数据,所述第一输入数据包括文字、图、表、声音及视频;
接收拖拽深度学习组件的拖拽指令以将该深度学习组件拖拽至目标区域,所述目标区域为预设的触发指令触发事件生效的区域;
获取触发所述输入数据训练深度学习组件的触发指令以获取训练后的深度学习组件;
将所述训练后的深度学习组件存储至后台服务器。
2.根据权利要求1所述的数据处理方法,其特征在于,所述触发输入数据训练深度学习组件的触发组件以获取训练后的深度学习组件,包括在web中触发所述输入数据训练深度学习组件的触发组件以获取训练后的深度学习组件。
3.根据权利要求1所述的系统平台,其特征在于,所述在web中触发输入数据训练深度学习组件的触发组件以获取训练后的深度学习组件,是指:
提取所述深度学习组件的权重参数;
将所述输入数据作用于权重参数以获取训练后的深度学习组件;
对所述训练后的深度学习组件进行零均值规范化处理;
修改canvas中的变量以在web上显示将训练后的深度学习组件。
4.根据权利要求1-3任意一项所述的数据处理方法,其特征在于,所述获取训练后的深度学习组件之后,还包括:
获取第二输入数据;
接收拖拽训练后的深度学习组件的拖拽指令以将该训练后的深度学习组件拖拽至目标区域;
获取触发所述第二输入数据训练深度学习组件的触发指令以获第二取训练后的深度学习组件;
将所述第二训练后的深度学习组件存储至后台服务器。
5.根据权利要求4所述的数据处理方法,其特征在于,所述获取训练后的深度学习组件之后,还包括:
获取第三输入数据;
通过预选定的深度学习模型以验证训练后的深度学习组件的功能是否实现,所述深度学习模型包括训练后的深度学习组件、绘画输入组件、类别输出组件、输入逻辑判断组件及输出逻辑判断组件;
若实现了训练后的深度学习组件的功能,则显示表示正向的激励信息,否则表示负向的激励信息,所述信息包括图片、符合、文字、声音和/或视频。
6.根据权利要求5所述的数据处理方法,其特征在于,所述获取训练后的深度学习组件之后,还包括:
获取按时间顺序连接至少两个深度学习模型模块的跟踪指令及触发按时间顺序连接的所述连接的至少两个深度学习模型模块是否能够组合成一个具备完整功能的深度学习模型,所述深度学习模型模块包括卷积模块、池化模块和优化器模块;
显示表示按时间顺序连接的所述连接的至少两个深度学习模型模块能够/不能够组合成一个具备完整功能的深度学习模型的信息。
7.根据权利要求6所述的数据处理方法,其特征在于,所述获取训练后的深度学习组件之后,还包括:
获取第四输入数据;
接收将所述第四输入数据存储并转化为深度学习模型模块的指令;
显示转化的深度学习模型模块;
获取按时间顺序连接转化的深度学习模型模块和其他至少一个深度学习模型模块的跟踪指令及触发按时间顺序连接的所述连接的至少两个深度学习模型模块是否能够组合成一个具备完整功能的深度学习模型;
显示表示按时间顺序连接的所述连接的至少两个深度学习模型模块能够/不能够组合成一个具备完整功能的深度学习模型的信息。
8.一种基于深度学习的数据处理系统,其特征在于,包括显示平台和后台服务器;
所述显示平台包括获取单元、接收单元、触发单元及存储单元,
所述获取单元,用于获取第一输入数据,所述输入数据包括文字、图、表、声音及视频;
所述接收单元,用于接收拖拽深度学习组件的拖拽指令以将该深度学习组件拖拽至目标区域;
所述触发单元,用于获取触发所述输入数据训练深度学习组件的触发指令以获取训练后的深度学习组件;
所述存储单元,用于将所述训练后的深度学习组件存储至所述后台服务器。
9.根据权利要求8所述的数据处理系统,其特征在于,所述显示平台为基于Vue.js前端框架的平台。
10.根据权利要求8所述的数据处理系统,其特征在于,所述后台服务器为基于Node.js技术的服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146797.9A CN109901824A (zh) | 2019-02-27 | 2019-02-27 | 一种基于深度学习的数据处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146797.9A CN109901824A (zh) | 2019-02-27 | 2019-02-27 | 一种基于深度学习的数据处理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109901824A true CN109901824A (zh) | 2019-06-18 |
Family
ID=66945779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910146797.9A Pending CN109901824A (zh) | 2019-02-27 | 2019-02-27 | 一种基于深度学习的数据处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109901824A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111142866A (zh) * | 2019-12-31 | 2020-05-12 | 聚时科技(上海)有限公司 | 一种深度学习智能算法流程快速构建系统 |
CN113157183A (zh) * | 2021-04-15 | 2021-07-23 | 成都新希望金融信息有限公司 | 深度学习模型构建方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120158623A1 (en) * | 2010-12-21 | 2012-06-21 | Microsoft Corporation | Visualizing machine learning accuracy |
CN107563417A (zh) * | 2017-08-18 | 2018-01-09 | 北京天元创新科技有限公司 | 一种深度学习人工智能模型建立方法及系统 |
US20180247648A1 (en) * | 2017-02-27 | 2018-08-30 | SKAEL, Inc. | Machine-learning digital assistants |
US20180349114A1 (en) * | 2017-06-03 | 2018-12-06 | Apple Inc. | Integrating machine learning models into an interpreted software development environment |
CN109213482A (zh) * | 2018-06-28 | 2019-01-15 | 清华大学天津高端装备研究院 | 基于卷积神经网络的人工智能图形化应用平台及应用方法 |
-
2019
- 2019-02-27 CN CN201910146797.9A patent/CN109901824A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120158623A1 (en) * | 2010-12-21 | 2012-06-21 | Microsoft Corporation | Visualizing machine learning accuracy |
US20180247648A1 (en) * | 2017-02-27 | 2018-08-30 | SKAEL, Inc. | Machine-learning digital assistants |
US20180349114A1 (en) * | 2017-06-03 | 2018-12-06 | Apple Inc. | Integrating machine learning models into an interpreted software development environment |
CN107563417A (zh) * | 2017-08-18 | 2018-01-09 | 北京天元创新科技有限公司 | 一种深度学习人工智能模型建立方法及系统 |
CN109213482A (zh) * | 2018-06-28 | 2019-01-15 | 清华大学天津高端装备研究院 | 基于卷积神经网络的人工智能图形化应用平台及应用方法 |
Non-Patent Citations (2)
Title |
---|
ADI0229: "不敲代码,也能训练深度神经网络?试试DeepCognition", 《HTTPS://WWW.JIANSHU.COM/P/4454893AD7EB》 * |
赵玲玲等: "基于Spark的流程化机器学习分析方法", 《计算机系统应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111142866A (zh) * | 2019-12-31 | 2020-05-12 | 聚时科技(上海)有限公司 | 一种深度学习智能算法流程快速构建系统 |
CN113157183A (zh) * | 2021-04-15 | 2021-07-23 | 成都新希望金融信息有限公司 | 深度学习模型构建方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nemirovsky et al. | When the classroom floor becomes the complex plane: Addition and multiplication as ways of bodily navigation | |
Campbell | Modifying ADDIE: Incorporating new technologies in library instruction | |
CN106843828A (zh) | 界面显示、加载方法及装置 | |
CN106303723A (zh) | 视频处理方法和装置 | |
CN110443826A (zh) | 一种虚实融合仿真实验错误辅助方法及系统 | |
CN107423049A (zh) | 实现在线编程的方法、浏览器和终端设备 | |
US20170178525A1 (en) | Online education course navigation system | |
CN109901824A (zh) | 一种基于深度学习的数据处理方法和系统 | |
CN102426567A (zh) | 一种自动应答系统的图形化编辑调试系统 | |
CN108958731A (zh) | 一种应用程序界面生成方法、装置、设备和存储介质 | |
CN110363580A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
Siswanto et al. | Development combinatorics realistic mathematics education application based on the android mobile | |
Leneway | Transforming K-12 classrooms with digital technology: A look at what works! | |
JP6440953B2 (ja) | 学習支援システム及び方法 | |
Nazar et al. | Usability testing of chemistry dictionary (ChemDic) developed on Android studio | |
Analytis et al. | Creating Paper Robots increases designers’ confidence to prototype with microcontrollers and electronics | |
CN109062654A (zh) | 一种交互式学习方法及系统 | |
Sawyer | The virtual computer: A new paradigm for educational computing | |
Dirin et al. | User experience evolution of m-learning applications | |
CN111796846B (zh) | 信息更新方法、装置、终端设备及可读存储介质 | |
CN105118341A (zh) | 一种网络课堂教学方法及系统 | |
KR101505174B1 (ko) | 이미지를 활용하는 학습 시뮬레이션 모델 방법 및 장치 | |
CN107731035A (zh) | 一种交互式教学试题布置完成方法、系统及装置 | |
Wu et al. | Augmented reality navigation app and metadata icon design for children’s library | |
Lang et al. | Enriching traditional education by evaluation driven tool for mLearning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190618 |
|
RJ01 | Rejection of invention patent application after publication |