一本老少咸宜的编程入门奇书！一册在手，你完全可以带着自己的孩子，跟随sande父子组合在轻松的氛围中熟悉那些编程概念，如内存、循环、输入和输出、数据结构和图形用户界面等。这些知识一点儿也不高深，听起来备感亲切，书中言语幽默风趣而不失真义，让学习过程充满乐趣。细心的作者还配上了孩子们都喜欢的可爱漫画和经过运行测试的程序示例，教你用最易编写和最易理解的python语言，写出你梦想中的游戏程序。“hello,world!我来了！”编程乐趣无穷，起点就在脚下，请引导你的孩子走进这奇妙的世界。无论是中小学生还是其他初学者，都可以跟随本书学习python编程，并过渡到任何其他语言，重要的是你将学会思考问题和解决问题的方法。

《基于模型的设计：MCU篇》以基于模型的设计在MCU中的应用为主线，分三部分介绍全书。 部分，深入剖析了Stateflow的建模与应用，以及Simulink建模与调试；介绍了新版MATLAB的特色功能与R2010b版中Embedded MA丁I．AB的编程规范和新的编程与调试模式；最后着重讨论了用户驱动模块的创建过程与应用实例等． 第二部分，演示了简化的基于模型设计，即基于模型的8051、英飞凌C166、Microehip dsPIC、ARM等MCU中的快速开发，并在Proteus中进行虚拟硬件测试，使读者直观地感受到在可视化的开发环境中，从算法验证到嵌入式C代码自动生成一步到位的方便与高效。 第三部分，以直流电动机的PID控制模型为例，介绍了满足DO一178b航空电子规范的完整基于模型设计在ARM上的实现。其流程包括可执行、可跟踪的需求分析／技术规范、Model Ad—vior测试、系统测试、设计测试、浮点模型

本书在介绍有关可靠性的基本概念的基础上，从可靠性工程的角度出发，描述在嵌入式系统设计的过程中，从硬件和软件设计方面应采取哪些措施以提高系统可靠性。书中还重点介绍了作者在多年科研工作中总结出的提高可靠性的实用方法，对读者极具指导意义。该书可作为相关工程技术人员的参考用书，也可作为大学硕士研究生、高年级本科生的教学用书。嵌入式计算机系统是当前的热门课题。随着社会需求的不断增长，各行各业对嵌入式系统的应用愈加广泛。嵌入式系统是一种专用的计算机系统，它是一个具有许多特点的计算机系统，其中最重要的是系统必须具有很高的可靠性。任何电子系统都应具备高的可靠性，但由于嵌入式系统的工作环境及用途特殊性，其对可靠性的要求更高。甚至可以这样认为：可靠性是嵌入式系统的生命线，是系统能否付诸应用的关

本书详细介绍了家庭影院各组成设备的制作技术，并介绍了组建营造适合自己标准的家庭影院的方法，其中包括音响系统处理器与AV放大器的制作和配置、视听室的营造和布局、家庭影院各影音器材的选配和组建方法等。 本书实用性强，可供从事家庭影音系统器材设计与制作的技术人员、大中专院校相关专业的师生、电子制作爱好者和发烧友以及各种影音电器维修人员阅读参考。

《51菜鸟到ARM（STM32）高手进阶之旅》内容非常丰富，以新颖的思路带领读者从51单片机菜鸟晋升为ARM高手。书中内容多由作者从10多年工作实践中总结而来。本书主要介绍51单片机和ARMCortex-M3系列STM32的原理及应用。全书共6章。第1章主要是引导读者从零开始，接触51单片机的DIY项目；第2章介绍51单片机的理论知识；第3章为51单片机全方位实战，通过手把手的操作，全面剖析51单片机的结构及其应用；第4章介绍ARM处理器，掌握了前面的基础，就可以理解从51单片机过渡到ARM需要哪些知识；第5章为ARM实战，通过几个精彩的实战例程来真正学懂ARM；第6章介绍嵌入式开发过程的经验和技术心得，同时概括了行业的现状。《51菜鸟到ARM（STM32）高手进阶之旅》条理清楚，深入浅出，图文并茂，学习脉络环环相扣，非常适合广大学生、电子爱好者及产品开发者阅读。

本书主要介绍广泛应用的PIC微控制器及在其基础上建立的系统。通过123个引人入胜的实验，讲述了利用C语言、汇编语言对以PIC微控制器为关键器件的电子线路系统进行编程控制的方法。本书共有13章，内容涉及对PIC微控制器程序的编写、测试、查错、调试等技术同，相关电子线路的安装、制作方法，并且简单阐述构成微控制器的电子学基础知识。本书特点是实用性与趣味性并存，重点突出。书中有大量的有价值信息，帮助读者加深理解书中知识。本书可供从事微控制器系统设计及开发的工程师、电子爱好者阅读，也可供自动化、电子电气工程、计算机、相关专业的师生参考使用。

文本分类技术广泛应用于新闻媒体、网络期刊文献、数字图书馆、互联网等领域，是人类处理海量文本信息的重要手段。本书重点探讨了利用信息论中的评估函数量化特征权值的方法；基于权值调整改进Co-training的算法；利用互信息或CHI统计量构造特征独立模型，进行特征子集划分的方法；基于投票熵维护样本权重的BoostVE分类模型；融合半监督学习和集成学习的SemiBoost-CR分类模型。其中特征选择和权值调整方法、基于特征独立模型划分特征子集的方法适用于文本分类，其他算法不仅适用于文本分类，对机器学习和数据挖掘的其他研究也有较大的参考价值和借鉴作用。