本书作者带你一步一步深入这些方法。你将理解 Go语言为何选定这些并发模型,这些模型又会带来什么问题,以及你如何组合利用这些模型中的原语去解决问题。学习那些让你在独立且自信的编写与实现任何规模并发系统时所需要用到的技巧和工具。理解Go语言如何解决并发难以编写正确这一根本问题。学习并发与并行的关键性区别。深入到Go语言的内存同步原语。利用这些模式中的原语编写可维护的并发代码。将模式组合成为一系列的实践,使你能够编写大规模的分布式系统。学习 goroutine 背后的复杂性,以及Go语言的运行时如何将所有东西连接在一起。
《Python 趣味编程案例实战》一书用生动有趣的游戏案例编程过程学习基本的 Python编程技术和面向对象的编程思想。全书分 4 部分,共 15 章,其中第 1 部分(1~4 章)以“打砖块”游戏为例介绍了动作游戏的编写过程,通过将动画和事件处理相结合,学习用Python 实现交互处理的方法;第 2 部分(5~8 章)详细介绍了类、对象和方法等面向对象编程的基本工具,以及类的继承、聚合、多态、协议、重写等面向对象的功能,并用面向对象编程的方法完成“打砖块”游戏;第 3 部分(9~11 章)以“扫雷”游戏为例介绍了益智游戏的编写过程;第 4 部分(12~15 章)介绍了用 pygame(专门用来开发游戏的程序库)来编写游戏的方法,并在一章从零开始编写了一个完整的“打气球”游戏,让读者整体了解游戏的设计思路和实现方法。 《Python 趣味编程案例实战》示例代码丰富,
本书是一本系统介绍Python程序开发与应用的教程,内容系统全面,配套资源丰富,应用性强。全书共13章,主要包括Python编程基础(~10章)和Python应用开发(1~13章)两部分内容,编程基础部分通过众多案例对Python程序设计的相关概念加以解释,应用开发部分则介绍了网络爬虫、数据分析和数据可视化等方面的Python核心应用。本书代码适用于Pytho3.6/3.7/3.8/3.9/3.10以及更高版本。 本书可以作为非计算机专业研究生、本科、专科程序设计课程教材,也可作为计算机专业本、专科程序设计基础课程教材,以及Python爱好者自学用书。
《Python语言科研绘图与学术图表绘制从入门到精通》系统介绍了使用Python语言进行数据处理、分析和科研绘图的相关知识和技能。 全书共11章,章讲解Python基础,第2章讲解数据处理与分析,第3章讲解科研绘图与学术图表绘制库,第4章讲解绘制单变量图形,第5章讲解绘制双变量图形,第6章讲解绘制多变量图形,第7章讲解绘制其他2D图形,第8章讲解绘制3D图形,第9章讲解地理信息可视化,0章讲解数据学术报告、论文和出版,1章讲解实战训练营。 《Python语言科研绘图与学术图表绘制从入门到精通》包含大量实例,内容由浅入深,循序渐进,既可作为Python与数据科学相关技能的教材,也可作为研究人员的实用手册,尤其适合需要绘制高质量科研图表的研究人员和在读研究生。
数字化转型背景下,Python作为一门简单、易学、速度快、免费、开源的主流编程语言,广泛应用于大数据处理、人工智能、云计算等各个领域,是众多高等院校学生的必修基础课程,也是堪与Office办公软件应用比肩的职场人士的技能。同时随着数据存储、数据处理等大数据技术的快速进步,机器学习的各种算法在各行各业得以广泛应用,同样成为高校师生、职场人士迎接数字化浪潮、与时俱进提升专业技能的必修课程。本书将“Python课程学习”与“机器学习课程学习”有机结合,推动数字化人才的培养,提升人才的实践应用能力。 全书内容共17章。、2章介绍Python的入门知识和进阶知识;第3章介绍机器学习的概念及各种术语及评价标准;第4~10章介绍相对简单的监督式学习方法,包括线性回归算法、二元Logistic回归算法、多元Logistic回归算法、判别分析算法、朴素贝叶
本书对Android技术进行深入剖析和全面讲解,内容涵盖Android基本理论、Activity、基础UI编程、UI编程、Intent、BroadcaReceiver、SQLite数据存储、ContentProvider数据共享、Service服务及网络编程等。书中所有代码基于Android 5.0版本,且均在Android Studio开发环境下进行调试和运行; 内容涉及Android 5.0、Android 6.0和Android 7.0版本新特性以及Android Studio环境常用配置和程序。本书重点突出,强调动手操作能力,以一个项目贯穿所有章节的任务实现,使得读者能够快速理解并掌握各项重点知识,全面提高分析问题、解决问题以及动手编码的能力。本书适用面广,可作为高校、培训机构的Android教材,适合作为计算机科学与技术、软件外包、计算机软件、计算机网络、电子商务等专业的程序设计课程的教材。
为预训练和微调寻找合适的用例和数据集 使用定制的加速器和GPU,为大规模训练做好准备 配置AWS和SageMaker环境,限度地提高性能 根据模型和约束条件选择超参数 使用多种并行方式分发模型和数据集 利用作业重启、间歇性健康检查等方式避开陷阱 定性和定量地评估模型 部署模型,在运行时进行改进和监控