计算机原理培训

 

 

 

第一章（一） 计算机的抽象和技术

1.1 概述

1.2 程序的表象之下

1.3_1 打开计算机的机箱——存储程序思想和冯诺依曼框架

1.3_2 打开计算机的机箱——硬件组成

第一章（二） 计算机的抽象和技术

1.4 _1 计算机性能评价——性能的基本指标

1.4 _2 计算机性能评价——CPU执行时间

1.4 _3 计算机性能评价——三个简单的例子

1.4 _4 计算机性能评价——Amdahl定律

第一章测验

第二章（一）计算机的语言（指令系统）

2.1 指令系统概述

2.2 指令格式

2.3 寻址方式

第二章（二）计算机的语言（指令系统）

2.4_1 数据在计算机中如何表示

2.4_2 数值数据的定点表示

2.4_3 数值数据的浮点表示

2.4_4 数值数据的十进制表示

2.4_5 字符数据的机器表示

第二章（三）计算机的语言（指令系统）

2.4_6 数据的度量与存储

2.4_7 数据出错了怎么办？

2.4_8 基本指令和指令类别

第二章作业

第二章（四）计算机的语言（指令系统）

2.5 程序在计算机中如何表示

第二章测试

实验一（上） 高级语言与机器表示

来自陈微的问候

1 实验环境介绍

2 GCC的基本使用方法

3 从源程序到目标代码

实验一（下） 高级语言与机器表示

4 机器语言与汇编语言

5 机器语言与指令集结构

第三章（一） 计算机中的运算

3.1.1 按位运算

3.1.2 逻辑运算

3.1.3 移位操作

第三章（二）计算机中的运算

3.2 加法和减法

第三章（三）计算机中的运算

3.3 乘法运算

第三章（四）计算机中的运算

3.4 除法运算

第三章（五）计算机中的运算

3.5.1 浮点运算的基本概念和问题

3.5.2 浮点数的加法运算

3.5.3 浮点数的乘除运算

3.6 算术运算的精确性

第三章测试

实验二 扫雷游戏的破解

1 扫雷游戏的破解

2 使用什么工具破解扫雷

3 如何找到游戏中的地雷

第四章（一）中央处理器

4.1基本MIPS数据通路

4.2单周期控制器

第四章（二）中央处理器

4.3 多周期控制器

实验三 运算器的设计与实现

1 实验内容的介绍

2 实验工具的简单介绍

3 加法器的设计与实现

4 减法器的设计与实现

5 乘法器的设计与实现

第四章（三）中央处理器

4.4 流水线数据通路

第四章（四）中央处理器

4.5 微程序控制器设计

第五章（一） 存储层次结构

5.1 存储器概述

实验四 数据类型转换与运算

简介

1.整数的类型转换

2.整数的基本运算

3.浮点数的类型转换

4.浮点数的基本运算

5.类型间的相互转换

实验五 数据存储与对齐

简介

1.数据存储的顺序

2.数据存储的对齐

第四章单元测验

第五章（二） 存储层次结构

5.2 主存储器

第五章（三） 存储层次结构

5.3 Cache高速缓存 (1)

实验六（上） 中央处理器的设计与实现

简介

1 指令在CPU中的执行

2 数据通路的设计与实现(上)

第五章（四） 存储层次结构

5.3 Cache高速缓存 (2)

实验六（下） 中央处理器的设计与实现

3 数据通路的设计与实现（下）

4 控制通路的设计与实现

5 处理器的集成与验证

第五章（五） 存储层次结构

5.4 存储层次结构

第五章单元测验

第六章（一） 输入输出系统

6.1 输入输出系统概述

6.2 I/O接口

6.3 磁盘存储器

第六章单元测验

第六章（二） 输入输出系统

6.4 并行IO: RAID盘阵

6.5 闪存与光存储

实验七 存储器容量扩展

1 字扩展

2 位扩展

3 字位扩展

第七章 总线

总线的概念和总线设计

实验八 程序性能优化

1 程序性能优化

实验九 I/O控制方式

1 实验平台简介

2 查询与中断实验

3 趣味音乐播放实验

模式识别与机器学习培训

 

 

 

01
第一章 模式识别基本概念

1.1 什么是模式识别
1.2 模式识别数学表达
1.3 特征向量的相关性
1.4 机器学习基本概念
1.5 模型的泛化能力
1.6 评估方法与性能指标
02
第二章 基于距离的分类器

2.1 MED分类器
2.2 特征白化
2.3 MICD分类器
03
第三章 贝叶斯决策与学习

3.1 贝叶斯决策与MAP分类器
3.2 MAP分类器：高斯观测概率
3.3 决策风险与贝叶斯分类器
3.4 大似然估计
3.5 大似然的估计偏差
3.6 贝叶斯估计（1）
3.7 贝叶斯估计（2）
3.8 KNN估计
3.9 直方图与核密度估计
04
第四章 线性判据与回归（一）

4.1 线性判据基本概念
4.2 线性判据学习概述
4.3 并行感知机算法
4.4 串行感知机算法
4.5 Fisher线性判据
4.6 支持向量机基本概念
4.7 拉格朗日乘数法
4.8 拉格朗日对偶问题
4.9 支持向量机学习算法
05
第四章 线性判据与回归（二）

4.10软间隔支持向量机
4.11线性判据多类分类
4.12线性回归
4.13逻辑回归的概念
4.14逻辑回归的学习
4.15Softmax判据的概念
4.16Softmax判据的学习
4.17核支持向量机
06
第五章 神经网络

5.1 神经网络的概念
5.2 BP算法
5.3 深度学习