计算机办公软件基础实训指导书,课内实训指导书_计算机基础.doc

计算机应用基础

编 写: (宋体 二号)

所在学院:电子信息学院

二0一五年一月

编写说明

实验总体目标

使学生掌握文字处理软件Word的使用技巧,在文档中编辑、格式化文本,掌握插入艺术字、图片和自选图形的方法,能够进行图文混排,掌握建立和编辑表格的方法,制作数学公式,能够进行长文档的编辑。

使学生掌握使用Excel软件来编辑、格式化电子表格,插入函数和公式进行数据的计算,通过筛选、排序、分类汇总处理数据清单,生成和编辑图表。

使学生掌握PowerPoint软件基本操作,能够编辑演示文稿,掌握在幻灯片中插入组织结构图、文本框、表格、图表、声音、影像等对象,掌握演示文稿的动画及超级链接效果的制作,了解设置母板和应用模板来美化演示文稿。

适用专业

大一所有专业的学生

3.先修课程

4.实验课时分配

计算机应用基础实训项目学时实训一 信息化概论4实训二 信息化校园网的使用2实训三 选购和维护一台计算机2实训四 计算机的基本操作2实训五 文字处理软件的使用word 20106实训六 制作电子表格8实训七 制作幻灯片4实训八 互联网的使用25.实验环境

公共机房

实验总体要求

目 录

实训一 信息化概论——打字练习4

实训二 信息化校园网的使用9

实训三 选购和维护一台计算机14

实训四 计算机的基本操作29

实训五 文字处理软件的使用35

实训六 制作电子表格41

实训七 PowerPoint 2010的制作52

实训八 网页浏览和电子邮件59

实训一 信息化概论——打字练习

一、实训目的

(1) 了解计算机系统的基本组成、正确启动和关闭计算机。

(2) 认识计算机键盘,熟悉键盘的不同区域。

(3) 使用标准指法进行文字输入。

二、实训内容

(1) 仔细观察实验机器,指出计算机的主要组成部分。

(2) 正确启动和关闭机器。

(3) 熟悉键盘各区域,并区分它们功能的不同。

(4) 用标准指法进行文字输入练习。

三、实训步骤

1.了解计算机各部分组成并正确开机:结合实物各部件,学习主机面板和显示器上的各按钮的作用,熟悉你所使用的计算机主机面板和显示器上的各按钮情况,分别指出显示器、主机箱、键盘和鼠标;掌握微机的启动方法,按照正确启动顺序将机房内你所使用的计算机的开、关机。

2. 认识键盘:要学习使用计算机,先要认识计算机键盘,图1-1就是同学们常见的计算机键盘。为了便于记忆,按照功能的不同,我们把这101个键划分成主键区、功能键区、编辑键区和数字区4个区域。

图1-1 计算机键盘

3.英文字符输入:

We all stood there under the awning and just inside the door of the Wal-Mart. We waited, some patiently, others irritated because nature messed up their hurried day. I am always mesmerized by rainfall. I get lost in the sound and sight of the heavens washing away the dirt and dust of the world. Memories of running, splashing so carefree as a child come pouring in as a welcome reprieve from the worries of my day.

启动Microsoft Word,输入下列特殊字符:

①标点符号: 。 , 、 : … ~ 〖 【 《 『

②数学符号: ≈ ≠ ≤ ≮ ∷ ± ÷ ∫ ∑ ∏

③特殊符号: § № ☆ ★ ○ ● ◎ ◇ ◆ ※

④Webdings: ( ( ( ( ( ( ( ( ( (

⑤Wingdings:( ( ( ( ( ( ( ( ( (

⑥特殊字符: ? ? ? §

提示:①~③通过软键盘输入,④~⑥通过“插入”菜单中的“符号”命令输入。

实训二 信息化校园网的使用

一、实训目的

掌握学院教务管理网络系统的使用,能够自主地进行网上选课、查询成绩和网上评教等活动。

掌握教学互动平台

二、实训内容

学院教务管理网络系统的使用

教学互动平台的使用

三、实训步骤

网上选课

第一步:打开浏览器,在地址

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值