數位學習前端程式運作原理

依照功能政策，再依照功能綱要，動態產出 「功能資料包」。

依照學習政策，再依照收費政策，動態產出「學習資料包」。

依照導引政策，再依照收費政策，動態產出「導引資料包」。

依照情境政策，再依照收費政策，動態產出「情境資料包」。

MetaMoJi Education Solutions

MetaMoJi Education Solutions Introduction：http://youtu.be/yDduq0n-WKo

可控制播放影片

http://www.microsoft.com/taiwan/promo/surfacepro3/

如上址影片在第二輪播放時，當中有些地方會自動暫停播放，並互動問一些問題後，再自動續播。或許，可以考慮開發出如此的功能，在影片上做加值編輯，加入一些 tag，以控制其他的功能。

提供多樣貼心小工具

SOFM 自組織特徵映射（基於Kohonen地圖）

自組織特徵映射的神經網絡，神經元是在一個二維的網格代表特徵空間（最簡單的情況下）舉辦有競爭力。根據學​​ 習規則，類似彼此在多維空間的載體，將在兩維空間的類似。SOFMs往往只是用來可視化n維空間，但其主要的應用是數據分類。

假設我們有一個描述一些對象（例如，汽車）的N維向量。每個向量元素是一個對象的參數（在與車的情況下，例如l：寬度，高度，重量，類型的發動機，功率，汽油罐容積，等）。每個這樣的參數是針對不同的對像不同。如果您需要尋找只有在這樣的載體，然後使用SOFMs來確定車的類型，你可以輕鬆地做到這一點。

SOFM的神經網絡由兩個層的神經元（圖1）。第一層實際上不是一個神經元層，它只能接收輸入數據，並傳輸到第二層，讓我們考慮簡單的情況下，當第二層的神經元組合成一個二維網格。其他結構，如三維的球體，圓柱體等，是本文的範圍。第三層的每個神經元連接的第二層的每個神經元。在第二層的神經元的數量可以任意選擇，並從任務到任務不同。第二層的每個神經元有其自身的權重向量，其維度是輸入層的維數等於。神經元是由鄰里關係，這就決定或地圖的拓撲結構連接到相鄰的神經元。這樣的鄰居關係被分配一個特殊的函數稱為拓撲鄰居（見下文）。


圖1。一個SOFM的神經網絡的架構

自組特徵映射網路 (SOFM)

以特徵映射的方式，將任意維度輸入向量，映射至較低維度(一維或二維)的特徵映射圖上。

http://www.general.nsysu.edu.tw/gena/gena02/dm/sofm-yeh.pdf

「變形金剛」動態介面

「變形金剛」轉場介面，增加使用上的樂趣。