砺儒云课堂

课程的学科背景：

现代资源科学是研究各种资源和资源整体（主要是自然资源）的数量、质量、地域组合特征、空间结构和分布规律、时间演化规律、形成环境以及合理开发、规划、利用、改造、更新、保护和管理的一门科学。资源科学研究与人类的生产、生活有着密切的关系，可以说，人类一经诞生，每天就在和各种资源打交道，人类认识和研究资源的历程也就开始了。

主要内容：

本课程主要分三个部分。第一部分系统讲述资源概念、分类、属性，中国和世界资源状况，自然资源学的形成发展等内容；第二部分主要介绍自然资源的生态过程、作用、影响和生态学理论在资源科学上的应用；第三部分主要讲解自然资源经济学基本问题，经济学相关理论和应用，并对资源开发现状中存在的问题及可持续开发利用的对策作案例介绍。

考核方式：

考勤+课堂讨论（作业）+小组作业+期末考试

课程的学科背景：《无机及分析化学》是面向储能科学与工程专业学生所开设的大学阶段第一门化学基础课程。主要涉及化学反应基本原理、物质结构、四大平衡和定量化学分析等内容。

开设目的和意义：该课程将为后续课程（例如物理化学、储能原理与技术等课程）的学习和解决实际应用中与化学基本理论有关问题打下坚实的基础，使学生掌握认识自然的方法和规律，具备正确的人生观、世界观和价值观，具有高度社会责任感和良好的道德修养，树立热爱科学、为人类认识自然和利用自然服务。真正培养成为具有科研精神、能够自我奉献的社会主义接班人。

主要内容：主要涉及化学反应基本原理、物质结构、四大平衡和定量化学分析等内容。化学反应基本原理能够解决化学反应的热效应、化学反应的方向、化学反应限度和反应速率的大小等问题。物质结构部分是从物质本质出发探索相应的规律，从电子的运动状态来认识原子的结构、认知原子形成分子的基本规律；在新物质的产生、新方法的设计、新原理的应用等方面，帮助学生掌握物质结构的基本规律。四大平衡能够解决酸碱平衡、沉淀平衡、氧化还原平衡和配位平衡的基本原理，建立四大平衡的内在联系，为下一阶段物理化学和储能原理等课程做知识铺垫；定量化学分析可以确定待分析物的组成与含量，获取研究对象的组成、各组分的含量、物质的化学结构等相关信息。

课程特色与思政教育：在大一新生《无机及分析化学》授课过程中，将基础知识点与时政进行关联授课，进行思政教育，本课程主要针对的思政点：（1）政治认同方向思政点：中国特色社会主义、社会主义核心价值观、四个自信；（2）家国情怀方向思政点：中国梦、中国传统文化、国家重大工程；（3）职业操守方向思政点：法制意识、社会责任、工程伦理、 工程师素养、老一辈该领域专家及教育家的精神；（4）科创精神方向思政点：科学精神、科技进步、安全环保、创新实例。通过思政教育，引导学生坚定理想信念、厚植家国情怀、培养质疑、创新精神；引导青年学子勇于承担时代赋予的责任，树立青年为国家富强、民族复兴、人民幸福而奋斗的理想。

适于2022级生科院 普通化学之无机和分析化学部分

    数据结构与算法是计算机相关专业的重要理论和技术课程，也是各种信息类专业和大数据管理与应用方向的一门重要的基础课程，其广泛应用于信息科学、系统工程、应用数学以及大数据分析与管理领域。

化学是众多学科之间的联系桥梁，被誉为“中心科学”，是将上游数学、物理科学中精深的理论研究成果连接渗透到下游生命、材料、能源等朝阳科学广博的应用研究中；同时，化学又是满足社会需要的核心学科，与人们日常生活中的衣、食、住、行密切相关。《基础化学》课程是高等学校理工科类各专业（非化学专业）的第一门必修基础课，也是科学教育专业的一门核心课程，是将原来的无机化学、分析化学和物理化学等三门化学基础课程进行有机整合的一门课程，是课程体系改革的产物。它对学生专业知识的学习起着承前启后的作用。该课程既要在学生已掌握的中学化学知识基础上进行提高，又要为后续的专业必修课程准备必需的基础理论和基本化学知识。

 科学精神是中国学生发展六大核心素养之一。理性思维、批判质疑、勇于探究是科学精神的内涵。拥有科学精神的前提之一就是具备发展充分的思维品质，在信息时代，做个明辨是非、去伪存真的理性人是拥有科学精神的示例。《逻辑学》试图通过系统讲授亚里士多德三段论、命题逻辑、经典归纳法和非形式论证等逻辑学知识，让学生在掌握这些知识的同时提升逻辑推演的能力，提升学生的思维品质，培养其科学精神。

Analyzing data with Python is an essential skill for Data Scientists and Data Analysts. This course will take you from the basics of data analysis with Python to building and evaluating data models. Topics covered include: - collecting and importing data - cleaning, preparing & formatting data - data frame manipulation - summarizing data, - building machine learning regression models - model refinement - creating data pipelines You will learn how to import data from multiple sources, clean and wrangle data, perform exploratory data analysis (EDA), and create meaningful data visualizations. You will then predict future trends from data by developing linear, multiple, polynomial regression models & pipelines and learn how to evaluate them. In addition to video lectures you will learn and practice using hands-on labs and projects. You will work with several open source Python libraries, including Pandas and Numpy to load, manipulate, analyze, and visualize cool datasets. You will also work with scipy and scikit-learn, to build machine learning models and make predictions. If you choose to take this course and earn the Coursera course certificate, you will also earn an IBM digital badge.

Statistics  

Instructor: Nihid. Islam

学生：经管学院（南海）