学习资源中心

摘要： "青年服务美国"(Youth Service American,简称YSA)成立于1986年,是美国服务学习资源中心。秉承服务改变世界的理念,"青年服务美国"通过与数千个组织合作,致力于为5~25岁的青少年儿童提供服务学习的机会、促成高质量的服务学习,从而扩大青年服务对家庭、社区、学校、企业和政府的影响,以造福地方、全国乃至全球。作为美国较为成熟的服务学习机构,目前,"青年服务美国"的主要任务有:(1)组织大规模服务性活动。

摘要： 图书馆是高校学生自学的重要场所,自学需要一个良好的学习环境和充足的学习资源,当前图书馆功能过于单一,为学生提供的学习资源也比较有限,文章从服务角度出发提出解决当前图书馆存在的问题,从发挥学生主体性出发打造高校图书馆作为学习资源中心的策略。

摘要： 2008年,上海市静安区止园路小学开始学习资源中心的开发与运作研究,通过建立学习资源中心,实施资源教学,为有特殊需要的学生提供学习支持,确保有特殊需要的学生充分发展.

摘要： 该文主要研究在借助于现代信息技术手段的前提下，将闽南民间艺术各种资源进行有效整合，并将图书馆全新信息服务模式LC融入其中，构建闽南民间艺术“学习资源中心”平台。%This article analyses how to arrange effectively resources of folk artifacts of Southern Fujian Province and how to inte-grate them with LC information service to structure a platform of"Learning resource center"under the support of modern in-formation technology.

摘要： 随着高校图书馆的发展,其定位也有了新的变化,高校图书馆已成为学校文献情报中心、学习资源中心、知识管理中心。切实提高图书馆从业人员的信息素养,是办好读者满意的图书馆的关键。

摘要： 本文介绍了LC的发展历程,并结合上海视觉艺术学院图书馆的实践,介绍了基于课程的“学习资源中心”平台建设的结构模型,并详细分析了该模型的各个组成部分:包括课程中心、学习资源、资源组织方式、学习情境建设等.

摘要： “网络教育数字化学习资源中心建设”项目负责人，职业教育与成人教育司司长葛道凯早在项目调研阶段就提出，项目成果的广泛应用才是最终目标，他说：“立项这样一个项目，不是为了做项日而做项目，而是为了应用推广，因此最终实现项目成果的广泛应用是这个项目未来发展的必然方向。”

摘要： 2012年11月14日，教育部、财政部“网络教育数字化学习资源中心建设”项目迎来了结题的日子。“项目的实施对于落实教育规划纲要，加快发展继续教育，探索网络教育数字化学习资源共建共享机制和体系建设，构建优质教育资源信息化学习环境，推动国家教育信息化发展，促进教育公平，建设学爿型社会具有重大意义。”教育部质量工程领导小组办公室组织的专家组在对项目进行结题验收时表示。

摘要： 作为“网络教育数字化学习资源中心建设”项目负责人，从中央广播电视大学校长到教育部职业教育与成人教育司司长，前后角色的变化让葛道凯教授能够跳出项目承建单位的圈子看项目，对于项目的意义有了更为深刻的认识。

摘要： 本文从虚拟教学学习资源中心的基本概念出发,探讨了虚拟教学学习资源中心的基本功能、构成、特点和管理方法等问题,并结合一个远程教学实例,介绍了应用虚拟教学学习资源中心推动优质教学资源充分利用的方法。

摘要： 提供了一种用于在所述云中分配资源的移动设备、计算机可读介质和方法。所述方法包括以下步骤：接收与一个或多个任务关联的指标数据；根据所述指标数据训练一个或多个模型，以预测使用特定数量的资源单元执行的任务的分数；接收为处理数据集指定第一任务的请求；根据第一模型输出的预测分数确定待分配到所述第一任务的最佳数量的资源单元；以及将所述最佳数量的资源单元分配到所述云中的资源代理，以管理所述第一任务的执行。所述指标数据由多个认知代理收集，并通过认知引擎服务与部署在所述云中的多个认知代理进行通信来接收。

摘要： 本公开提供一种使用管理应用程序在数据中心自动组成数据中心资源的系统及方法。管理应用程序可以和数据中心管理软件通信以收集数据中心的计算机资源、储存资源及网络资源的信息。至少根据数据中心的网络资源信息，管理应用程序可以产生数据中心的网络拓朴。响应从特定用户接收请求，管理应用程序可以组成数据中心适合的资源以匹配请求。

摘要： 本发明涉及一种基于深度强化学习的云数据中心自适应高效资源分配方法。首先，采用actor参数化策略（分配资源），并根据critic（评估操作）评估的分数选择操作（调度作业）。然后利用梯度上升更新资源分配策略，利用优势函数减小策略梯度的方差，提高了训练效率;我们使用来自谷歌云数据中心的真实数据进行了广泛的模拟实验。本发明方法与2种先进的基于DRL的云资源分配方法和5种经典的云资源分配方法相比，该方法在延迟和作业丢弃率方面具有更高的服务质量（Quality‑of‑Service，QoS），且能量效率更高。

摘要： 本发明公开了一种基于深度强化学习的云数据中心资源分配方法，其特点是该方法包括：1）虚拟机分配系统架构的建模和虚拟机分配的模拟工作场景的设计；2）虚拟机优化方案的数学建模；3）基于JANET深度学习网络，完成对未来虚拟机服务请求的预测；4）采用基于时间窗口的批处理模式进行虚拟机分配等步骤。本发明与现有技术相比具有虚拟机在不同负载情况下分配更加高效，提升资源分配成功率，最大化云服务提供商收益，使资源分配机制具备前瞻性和前向检查能力，从而实现更优的资源分配策略，为虚拟机资源分配提供了新的解决思路，具有很好的运用前景。

摘要： 本申请公开了一种基于深度强化学习的云数据中心集群资源调度方法及装置，其中，方法包括：确定云数据中心集群中的当前优化目标；根据调度场景下的调服过程建模，以构建资源调服过程仿真环境；以及根据仿真环境得到的集群状态，并基于预设的深度强化学习的决策模型进行资源调度决策，使得根据当前优化目标对应的奖励函数生成最佳调度决策。本申请实施例可以基于深度强化学习解决资源调度问题，使得调度决策更优，有效提高数据中心的资源利用率，降低运营成本，提高使用体验。

摘要： 本发明提出了一种面向以学习者为中心教育模式的P2P在线教育资源推荐方法，所述教育方法采用推式推荐方法，包括以下步骤：S100、用户端通过学习平台向特定的好友或群组分享资源；S200、用户端通过学习平台将资源分享至个人学习空间或朋友圈；S300、其他用户端通过学习平台上的好友、群组、朋友圈或所述用户端的个人学习空间获取资源。本发明将传统的以平台为中心的模式转变为以学习者为中心的智慧教育模式，强调所有资源为“我”服务，让学习者的学习过程不受有限平台资源的约束。

摘要： 本发明公开了一种基于强化学习的无模型数据中心资源调度算法，包括环境模型和DRL模型，环境模型包括时间模型，VM模型，Task模型，Task模型用于存放还未执行的任务，VM模型用于执行任务，DRL模型包括Agent1模型与Agent2模型，Agent1模型用于判断任务是否执行，Agent2模型用于增减虚拟机，Agent1模型与Agent2模型分别包括状态空间、动作空间、回报函数和深度神经网络四个部分组成。本发明中，针对数据中心到达的任务大小波动较大，提出了cost来衡量任务的等待时间，较传统的公平调度、最短的任务先执行策略和先到先执行策略相比，对任务的分配更加科学化合理化，同时对因任务到达数量变化造成的资源浪费，做到了动态调整集群中VM数量，实现数据中心资源的高效利用和负载平衡。

摘要： 本发明涉及计算机技术领域，特别涉及一种基于深度强化学习的数据中心资源离线调度方法。深度强化学习可以为资源调度管理的人为启发式方法提供一个可行的替代方案。通过不断学习，深度强化学习方法可以针对特定工作负载(例如周期性负载或随机负载)进行优化，并在各种条件下保持高质量优化调度结果。把最小化平均作业slowdown(系统减缓时间)作为优化目标，通过计算离线调度中每一次调度的奖励值，引导深度网络向着目标优化，最终向着最优目标训练。结果显示，在本发明的大量实施例测试中，使用深度强化学习的离线调度方法的slowndown远低于SJF(最短作业优先算法)等传统的优化作业调度方法，体现出深度强化学习方法在这一领域的优势。

摘要： 提供了一种用于在所述云中分配资源的移动设备、计算机可读介质和方法。所述方法包括以下步骤：接收与一个或多个任务关联的指标数据；根据所述指标数据训练一个或多个模型，以预测使用特定数量的资源单元执行的任务的分数；接收为处理数据集指定第一任务的请求；根据第一模型输出的预测分数确定待分配到所述第一任务的最佳数量的资源单元；以及将所述最佳数量的资源单元分配到所述云中的资源代理，以管理所述第一任务的执行。所述指标数据由多个认知代理收集，并通过认知引擎服务与部署在所述云中的多个认知代理进行通信来接收。

摘要： 本公开提供一种使用管理应用程序在数据中心自动组成数据中心资源的系统及方法。管理应用程序可以和数据中心管理软件通信以收集数据中心的计算机资源、储存资源及网络资源的信息。至少根据数据中心的网络资源信息，管理应用程序可以产生数据中心的网络拓朴。响应从特定用户接收请求，管理应用程序可以组成数据中心适合的资源以匹配请求。