計算機原理培訓

 

 

 

第一章（一） 計算機的抽象和技術

1.1 概述

1.2 程序的表象之下

1.3_1 打開計算機的機箱——存儲程序思想和馮諾依曼框架

1.3_2 打開計算機的機箱——硬件組成

第一章（二） 計算機的抽象和技術

1.4 _1 計算機性能評價——性能的基本指標

1.4 _2 計算機性能評價——CPU執行時間

1.4 _3 計算機性能評價——三個簡單的例子

1.4 _4 計算機性能評價——Amdahl定律

第一章測驗

第二章（一）計算機的語言（指令系統）

2.1 指令系統概述

2.2 指令格式

2.3 尋址方式

第二章（二）計算機的語言（指令系統）

2.4_1 數據在計算機中如何表示

2.4_2 數值數據的定點表示

2.4_3 數值數據的浮點表示

2.4_4 數值數據的十進制表示

2.4_5 字符數據的機器表示

第二章（三）計算機的語言（指令系統）

2.4_6 數據的度量與存儲

2.4_7 數據出錯了怎么辦？

2.4_8 基本指令和指令類別

第二章作業

第二章（四）計算機的語言（指令系統）

2.5 程序在計算機中如何表示

第二章測試

實驗一（上） 高級語言與機器表示

來自陳微的問候

1 實驗環境介紹

2 GCC的基本使用方法

3 從源程序到目標代碼

實驗一（下） 高級語言與機器表示

4 機器語言與匯編語言

5 機器語言與指令集結構

第三章（一） 計算機中的運算

3.1.1 按位運算

3.1.2 邏輯運算

3.1.3 移位操作

第三章（二）計算機中的運算

3.2 加法和減法

第三章（三）計算機中的運算

3.3 乘法運算

第三章（四）計算機中的運算

3.4 除法運算

第三章（五）計算機中的運算

3.5.1 浮點運算的基本概念和問題

3.5.2 浮點數的加法運算

3.5.3 浮點數的乘除運算

3.6 算術運算的精確性

第三章測試

實驗二 掃雷游戲的破解

1 掃雷游戲的破解

2 使用什么工具破解掃雷

3 如何找到游戲中的地雷

第四章（一）中央處理器

4.1基本MIPS數據通路

4.2單周期控制器

第四章（二）中央處理器

4.3 多周期控制器

實驗三 運算器的設計與實現

1 實驗內容的介紹

2 實驗工具的簡單介紹

3 加法器的設計與實現

4 減法器的設計與實現

5 乘法器的設計與實現

第四章（三）中央處理器

4.4 流水線數據通路

第四章（四）中央處理器

4.5 微程序控制器設計

第五章（一） 存儲層次結構

5.1 存儲器概述

實驗四 數據類型轉換與運算

簡介

1.整數的類型轉換

2.整數的基本運算

3.浮點數的類型轉換

4.浮點數的基本運算

5.類型間的相互轉換

實驗五 數據存儲與對齊

簡介

1.數據存儲的順序

2.數據存儲的對齊

第四章單元測驗

第五章（二） 存儲層次結構

5.2 主存儲器

第五章（三） 存儲層次結構

5.3 Cache高速緩存 (1)

實驗六（上） 中央處理器的設計與實現

簡介

1 指令在CPU中的執行

2 數據通路的設計與實現(上)

第五章（四） 存儲層次結構

5.3 Cache高速緩存 (2)

實驗六（下） 中央處理器的設計與實現

3 數據通路的設計與實現（下）

4 控制通路的設計與實現

5 處理器的集成與驗證

第五章（五） 存儲層次結構

5.4 存儲層次結構

第五章單元測驗

第六章（一） 輸入輸出系統

6.1 輸入輸出系統概述

6.2 I/O接口

6.3 磁盤存儲器

第六章單元測驗

第六章（二） 輸入輸出系統

6.4 并行IO: RAID盤陣

6.5 閃存與光存儲

實驗七 存儲器容量擴展

1 字擴展

2 位擴展

3 字位擴展

第七章 總線

總線的概念和總線設計

實驗八 程序性能優化

1 程序性能優化

實驗九 I/O控制方式

1 實驗平臺簡介

2 查詢與中斷實驗

3 趣味音樂播放實驗

模式識別與機器學習培訓

 

 

 

01
第一章 模式識別基本概念

1.1 什么是模式識別
1.2 模式識別數學表達
1.3 特征向量的相關性
1.4 機器學習基本概念
1.5 模型的泛化能力
1.6 評估方法與性能指標
02
第二章 基于距離的分類器

2.1 MED分類器
2.2 特征白化
2.3 MICD分類器
03
第三章 貝葉斯決策與學習

3.1 貝葉斯決策與MAP分類器
3.2 MAP分類器：高斯觀測概率
3.3 決策風險與貝葉斯分類器
3.4 大似然估計
3.5 大似然的估計偏差
3.6 貝葉斯估計（1）
3.7 貝葉斯估計（2）
3.8 KNN估計
3.9 直方圖與核密度估計
04
第四章 線性判據與回歸（一）

4.1 線性判據基本概念
4.2 線性判據學習概述
4.3 并行感知機算法
4.4 串行感知機算法
4.5 Fisher線性判據
4.6 支持向量機基本概念
4.7 拉格朗日乘數法
4.8 拉格朗日對偶問題
4.9 支持向量機學習算法
05
第四章 線性判據與回歸（二）

4.10軟間隔支持向量機
4.11線性判據多類分類
4.12線性回歸
4.13邏輯回歸的概念
4.14邏輯回歸的學習
4.15Softmax判據的概念
4.16Softmax判據的學習
4.17核支持向量機
06
第五章 神經網絡

5.1 神經網絡的概念
5.2 BP算法
5.3 深度學習