姓  名：

孔令波

职  务：

职  称：

讲师

学  历：

研究生

学  位：

博士

通信地址：

邮  编：

办公电话：

51687357

电子邮箱：

lbkong@bjtu.edu.cn

• 人工智能与大数据
• 软件工程理论与技术
• 智能交通领域关键软件
• 软件服务工程
• 软件工程

• 软件工程硕士

1. 北京交通大学：直放站网管监控项目，2011-06-30--2012-12-31，60.0万元，参加
2. 基本科研业务费：面向Web图像数据的图像检索关键技术研究，2011-07-01--2014-06-30，7.0万元，主持
3. 北京交通大学 高速铁路巡检终端及监控管理系统软件开发 2014-7-21，15.0万元，参加
   
4. 铁路总公司（原铁道部） 铁路物流市场需求调查与监测体系研究 2017-09-01 2018-12-31，20.0万元，参加
   
5. 
   

有感于传统操作系统课程注重概念而忽略设计与实现，以及没有覆盖分布式计算这一当下现实企业依赖的关键技术的问题，近些年在授课中将设计与实现纳入课程内容，通过设计和讲解适当的实践项目帮助学生掌握构建操作系统核心功能的技术；并对分布式系统的相关概念和核心算法做了有效的、有趣的梳理和提炼。

部分新增专题简述如下：

- RISC-V 的专题: 虽然产业界占比很大的ISA是 x86 和 ARM (也是RISC的一种)，但是，RISC-V （2010年发布) 已经成为中国构建自有芯片产业的新机遇，值得教育界予以关注！

- 基于RISC-V构建操作系统的实践项目，包括实验环境的建设 (WSL2 Ubuntu, GCC, Nasm, Make, Qemu等), 简单内核程序的实现与展示，ELF文件的介绍，CPU 上下文切换和Process的管理，基于Timer 的任务调度算法，文件系统的展示等

- 分布式计算的梳理和提炼：包括计算机架构的演变 (从von Neumann 单机到 SIMD/MIMD等的 non-von Neumann 分布式系统)，以及协同分布式系统中多计算节点的相关协议的提炼等

- 以分布式系统中集群调度程序为例，介绍协同多计算节点的挑战、设计与实现等

还有很多其他的专题，自己录制了视频供学生扩展学习。

有感于传统数据库系统课程注重概念而忽略设计与实现，以及没有覆盖分布式数据管理系统这一当下现实企业依赖的关键技术的问题，近些年在授课中将设计与实现纳入课程内容，通过设计和讲解适当的实践项目帮助学生掌握构建数据库系统核心功能的技术；并对分布式数据管理系统的相关概念和核心算法做了有效的、有趣的梳理和提炼。

部分新增专题简述如下：

- 介绍单机版DMS (Data Managment System) 的设计与实现，包括 响应多用户访问的多进程/多线程模块的设计与实现，SQL 语句的解析与执行，DMS存储模块的概念、设计与实现 (很多概念是与操作系统相通的)，以及为应对并发访问数据带来的风险的事务管理模块。为讲解清楚SQL语句的解析与执行，需要介绍编译器的相关概念；

- DMS的历史的梳理: 涵盖早期的文件系统，DBMS, Parallel/Distributed DBMS, MRP/ERP, Data Warehouse (Data Mining, OLAP, KDD), Big Data (NoSQL, NewSQL)， Cloud native, HTAP, AI native 等

- 分布式计算的梳理和提炼：包括计算机架构的演变 (从von Neumann 单机到 SIMD/MIMD等的 non-von Neumann 分布式系统)，以及协同分布式系统中多计算节点的相关协议的提炼等

- 在前面分布式计算的梳理和提炼的基础上，对分布式数据管理系统的概念、设计与实现做了提炼，包括分布式环境下数据的存储 (分布式文件系统，大数据等)，SQL的解析与执行，分布式事务管理，等

还有很多其他的专题，自己录制了视频供学生扩展学习。

高性能计算 (Python版) - HPC: High Performance Computing

随着IT的进展，不同领域的计算机构日渐趋同，如 传统的 HPC 和近期蓬勃发展的 Big Data 与 深度学习 (Deep Learning) 和大模型 (Large Scale Model)它们都依赖类似的硬件架构，软件系统。但是，对它们的统一梳理并不多见，所以，设定了本课程，以帮助学生对这些分散在不同领域的概念和技术有统一的学习和掌握。

专题简述如下：

- 以天气预报为例介绍 HPC、Big Data 和 AI/DL/LM 的融合，并落实在DFM求解 PDE系统的内容来展示具体的计算需求；

- 分布式计算的梳理和提炼：包括计算机架构的演变 (从von Neumann 单机到 SIMD/MIMD等的 non-von Neumann 分布式系统)，以及协同分布式系统中多计算节点的相关协议的提炼等 (其实，前面操作系统和数据管理系统课程中的新增专题，就得益于本人在此课程中的学习、沉淀和梳理)

- 常用开发框架的介绍，包括 MPI4PY, PyCUDA, Numba/TaiChi, PySpark, Dask等

- 提升Python性能的扩展技术，包括 Cython, PyBind11, 以及 JIT技术

- 神经网络的历史演变和技术概括 (从早期的NN到DL和 LM)，以及DL框架本身的设计与实现的介绍 (即介绍 PyTorch、TensorFlow等常用DL框架本身背后的实现技术)

- 现实互联网平台关键技术的介绍，以帮助学生了解实际企业中的进阶技术，包括 "秒杀"的支撑技术，以及计算广告的概念和背后的算法

商务智能 [现在“数据分析：商务决策下的概念与技术”]  

个人于教育价值的体会，简言之就是做人 (爱国是做人的必要条件) 和挣钱/谋生。但是，在大学阶段，各专业往往专注于专业技术的介绍与讲解，于挣钱讲的并不多，尤其是非经济专业的其他理工科专业。其实，相比较而言，挣钱是所有专业都应该讲清楚的必要内容！鉴于此，在讲解数据分析课程的时候，尝试将商务思维和现实技术照进课堂，以期帮助学生了解现实世界的运作，以及相关技术和研究是如何在背后商务驱动下迭代进化的。

专题简述如下：

- 商务思维的梳理和提炼，在学习了经管和MBA相关课程和书籍后，将商务思维提炼为以盈利为目的决策 (包括盈利性评估等)和实施技巧 (各种管理工具，如 SWOT/PEST, 平衡打分表，MBTI，KPI等)的汇总 - 那些纷繁复杂的统计学技巧、优化技巧、机器学习、大语言模型等技术，无不于商务思维有着紧密的联系，甚至商务思维就是他们的驱动力量

- AI历史的回顾，将之放到人类追寻智慧的筚路蓝缕中，提炼为3个阶段：计算机出现之前的阶段 (Math 是明珠，工具的制作是表现)，计算机出现后直至现在的阶段 (以AI为标准，又分为不同的阶段。目前处于机器学习的阶段 - 深度学习和大模型都属于机器学习)，以及未来 (未来如何，尚未明朗)

- 优化论的一点简介：优化问题的求解分为运筹学和凸优化两大分支，对于它们的异同和发展是有了解的必要的，因为当下 ML 的一个理论基础就是凸优化

- 统计学的回顾：商务思维指导下的数据分析工具中，统计学有着不可替代的作用

- 机器学习基础专题，包括关联规则分析，聚类，分类等算法

- 机器学习的进阶专题，主要还有SVM (支持向量机)，深度学习和LLM (对所有传统研究专题都带来了巨大的冲击，如基于深度学习的聚类、分类等算法), 强化学习等

- 现实互联网平台关键技术的介绍，以帮助学生了解实际企业中的进阶技术，包括 "秒杀"的支撑技术，以及计算广告的概念和背后的算法 (尤其是深度学习的 CTR 预估算法的梳理和提炼)

还有很多其他的专题，自己录制了视频供学生扩展学习。