一站式全过程教学支持 教学管理 + 在线实验 + 比赛 + 科研

希冀平台（CourseGrading）是一个定位于全面支撑计算机、人工智能、大数据、信息安全、区块链、机器人、集成电路、金融科技等信息类专业建设的大型综合教学与实验平台，而非一个只能支撑若干门课程的实验系统。

完备的课程管理

支持各类题型（填空、选择、判断、文件上传、简答、编程等）、在线作业、在线实验、在线考试、在线答疑等课程管理功能，具备完善MOOC功能，可开展各类比赛，基于自动评测机制构建了一个自动化交互学习环境,是当今功能完善、性能先进且易安装维护的课程管理系统。

支持代码、文档查重，提高实践环节教学质量。

在线实验环境

B / S架构的在线实验平台，所有学生活动都是基于浏览器进行，实现学生随时随地做实验的目标。

• 虚拟桌面实验系统，无需配置环境直接动手练习，极佳的使用体验。查看详情
• Jupyter笔记实验环境，在线撰写文档和代码，无缝对接国内外教材（或者在线教程）的Jupyter实验笔记。查看详情

比赛系统

独立的OJ系统，与教学系统统一账号登录，支持ACM比赛与训练、并行竞赛和大数据性能竞赛。

比赛与闯关系统，所有课程都可以独立开展比赛，支持人工智能、大数据、程序设计等各类比赛。 全国大学生系统能力培养大赛

自动评测助力实践能力和工程能力培养

代码自动评判、算法与数据结构交互可视化、SQL自动评测、计算机组成自动评测、并行与分布式程序自动评判、小组协作与互评。

基于在线实验环境的人工智能实验、大数据实验、操作系统实验、硬件在线实验。

全面覆盖计算机专业的开发能力和系统能力培养，在教师减负的同时，提升学生的实践能力和工程能力。

涵盖实验、质量指标及过程控制的完整在线实验体系，实现“任何人、任何时间、任何地点均能开展实验学习”的目标

对工程教育认证的支撑作用

面向工程能力培养的高质量实验训练体系 工程教育认证很看重实验体系和训练体系，希冀平台提供了一套面向工程能力培养的高质量实验训练体系， 特别是在这些实验中结合Git实现复杂工程项目的托管、代码版本控制、科学化管理以及团队协作，对培养学生解决不同课程中的复杂工程问题能力非常有帮助。

过程性数据 工程教育认证看重过程性数据，希冀一体化平台将所有专业核心课程的实验统一到同一个平台上开展，可以用统一的标准和方法获得所有核心课程的过程性数据。

持续改进 工程教育认证看重持续改进过程，可以根据平台积累的过程性数据分析学生做实验存在的问题，在第二个周期内依托平台针对性地进行解决，基于平台提供的过程性数据分析问题解决后达到的效果，同时加上详细的对比分析图表。通过这种方式，来体现这个持续改进的过程。

教育大数据的体系化、完备性与沉淀

课程体系

在课程体系方面，希冀平台致力于覆盖整个专业的所有课程，并针对每门课程的特点提供针对性的功能以有效支撑该课程实践环节的开展。

教育大数据

计算机专业的网络教学系统独立分散，各门课程独立规划，缺乏有效整合，难以形成合力且不可持续性的建设。数据孤岛化严重，严重阻碍教育大数据沉淀、实施和研究。

平台完整汇集学生在整个培养阶段的学习过程数据、项目实践数据、考试成绩数据，解决教育大数据的体系化和完备性的问题。

开放可扩展

可在平台上扩展任意多门课程，在课程中构建自己的课程资源，如题库资源、实验资源、MOOC资源等。

可轻松接入任意多台服务器资源，通过希冀平台的自动化部署机制，将服务器构建为用于学生实验的实验环境，实现实验并发人数的弹性扩展。

多种入口风格，自由定制，满足不同需求。 精简风格 课程中心风格 实验中心风格 OJ风格

在线实验环境：支持二次开发与自动评测功能扩充

CG平台的三类实验环境：虚拟桌面、Jupyter、通用评测。教师可以根据自己的课程特点，扩充实验资源或者自动评测功能。

虚拟桌面实验环境

教师可自己制作虚机镜像，并一键接入CG平台。教师可录入实验手册，并关联自己的虚机镜像，由CG平台自动分配桌面给学生开展实验。 详情

支持接入用户自定义的自动评测服务器，系统自动获取评测成绩。

Jupyter笔记实验环境

可在CG平台上一键上传ipynb标准格式文档，该文档中包含实验指导手册和可直接运行的代码。 可轻松导入Github上数万个免费、开源、高质量的ipynb可执行文档作为实验资源给学生练习；开源的ipynb文档覆盖机器学习、深度学习、迁移学习、强化学习、生成式对抗网络、自编码器、数据挖掘、自然语言处理、计算机视觉、语音识别、线性代数、数值分析、数理统计、优化算法、Tensorflow编程、Keras编程、PyTorch编程、文本挖掘、社交网络数据挖掘、特征工程、推荐系统、Spark技术等课程； 教师也可导入数千个覆盖18个行业的人工智能工业级综合案例。 详情

教师可上传自己制作的Jupyter Docker镜像，并一键部署到各Jupyter服务器上。然后在课程中导入ipynb实验文档或制作ipynb实验文档，并将文档关联于自己制作的Jupyter Docker镜像。

通用评测环境

相比上述两种实验环境，通用评测环境更加轻量级，服务器资源消耗低，可定制性更强。服务器端只负责评测，开发在线下。

支持教师基于Docker为自己课程开发评测机，教师可在评测机内集成每个实验的支撑材料、评测脚本、测试数据、验证数据。在评测脚本中设计评测指标以及根据各评测指标计算评测得分的加权公式。然后以插件的形式与通用评测框架对接。

通用评测框架自动解决评测机的分布式部署、负载均衡、评测超时、容错、用户隔离等技术问题。评测框架将学生提交材料调度给教师评测机，并从教师评测机获取评测报告通过Web前端反馈给学生。

	CG人工智能与大数据	其它
软件平台与硬件松耦合	独立建设、独立维护升级换代。 利用现有服务器打造在线实验环境。	一体机模式，服务器和实验系统紧密耦合，导致后期难以维护和升级。
对专业支撑的全面性	支撑人工智能课程体系内所有课程的教学与实验。	昂贵的软硬件，只能做有限的人工智能实验，无法支持课程体系内其它课程的实验，例如数据库、编程语言、操作系统等
资源的可扩展性	轻松自建教学与实验资源	教学与实验资源固化
实验环境	1.B/S架构图形桌面，客户端分辨率自适应。 2.支持 Jupyter 实验环境。覆盖人工智能入门与通识教育。	C/S架构或者命令行界面。

全面支撑人工智能和大数据专业

对专业建设中的计算机类基础课程和专业核心课程都提供了完备的支撑手段。

在人工智能与大数据专业核心课程的实验方面，CG平台提供多种在线实验环境，并在实验环境后端构建了工业生产级的实验集群以支撑学生开展大型综合实验。

在课程资源方面，提供了覆盖人工智能和大数据知识体系的课程资源和实验资源。

深入了解