9787000080660

9787111637004 9787111609186

 书   名: android开发与应用
图书定价: 59元
作 者: 马玉春
出 版 社: 机械工业出版社
出版日期: 2019-10-08
ISBN 号: 9787111637004
开   本: 16开
页   数: 330
版   次: 1-1

本书介绍了Android的常用技术，包括基本概念、架构、常用控件、编程方法，并通过大量的案例讲解具体的开发过程，使学生在工程实践过程中掌握Android的开发技术与方法。一部分介绍Android编程基础与技巧。二部分基于作者开发的软件项目整理出的实用案例，进行讲解和分析，涉及Android各个功能的应用。三部分通过一个真实的综合实例讲解Android的项目开发过程。本书可以作为高校理工科相关学生的Android程序设计教材和相关实践课程的参考书。

前言
1章 开发环境搭建与应用入门1
1.1 搭建开发环境1
1.2 创建虚拟设备2
1.3 一个应用程序3
1.4 工作空间与相关文件4
1.5 程序的调试方法8
1.6 本章小结10
一部分 编程基础与技巧
2章 常用开发组件12
2.1 常见属性12
2.2 EditText组件与菜单13
2.3 Button组件17
2.4 ToggleButton组件20
2.5 CheckBox组件22
2.6 RadioButton组件24
2.7 Spinner组件26
2.8 ListView组件29
2.9 Switch组件33
2.10 DatePicker组件36
2.11 AlertDialog组件37
2.12 本章小结45
3章 常用技术46
3.1 进一步了解Activity46
3.2 绘图47
3.3 用静态库函数设置手机情景模式和音量51
3.4 播放音频55
3.5 利用消息机制处理后键56
3.6 利用多线程和消息机制获取IP地址59
3.7 定时功能的实现62
3.8 SQLite与自定义ListView64
3.9 查询联系人74
3.10 使用SharedPreferences对象存储数据80
3.11 内部文本文件存取85
3.12 百度地图86
3.13 本章小结91
4章 Intent的综合应用92
4.1 Intent的基础知识92
4.2 在Activity之间传递数据94
4.3 状态栏通知98
4.4 广播接收器与开机自动启动99
4.5 显示来电和接收短信101
4.6 带回执的短信发送105
4.7 服务的基础知识108
4.8 启动服务的实现110
4.9 绑定服务的实现115
4.10 本章小结117
二部分 实用案例分析
5章 课堂随机点名软件120
5.1 主要功能和技术特点120
5.2 软件作120
5.3 界面布局与资源说明121
5.3.1 字符串定义文件121
5.3.2 菜单项定义文件121
5.3.3 颜色定义文件122
5.3.4 自定义对话框布局文件122
5.3.5 ListView列表布局文件123
5.3.6 版权窗体布局文件124
5.3.7 主窗体布局文件124
5.4 配置文件126
5.5 主窗体源代码127
5.6 本章小结135
6章 简易英语学习软件136
6.1 主要功能和技术特点136
6.2 软件作136
6.3 界面布局与资源说明137
6.3.1 适应多屏幕的dimens文件137
6.3.2 菜单项定义文件138
6.3.3 主窗体布局文件138
6.3.4 主题设置文件140
6.4 配置文件141
6.5 目录与文件处理类源代码141
6.6 文本读取类源代码142
6.7 主窗体源代码144
6.8 本章小结151
7章 通讯录备份与恢复软件152
7.1 主要功能和技术特点152
7.2 软件作152
7.3 界面布局153
7.4 配置文件153
7.5 通讯录作源代码154
7.6 外部文本写入源代码156
7.7 主窗体源代码156
7.8 本章小结161
8章 服务账号登记软件162
8.1 主要功能和技术特点162
8.2 软件作163
8.3 配置文件164
8.4 登录窗体165
8.4.1 布局文件165
8.4.2 源代码167
8.5 服务浏览窗体172
8.5.1 适配器布局文件172
8.5.2 窗体布局文件173
8.5.3 适配器源代码174
8.5.4 窗体源代码177
8.6 单位浏览窗体185
8.6.1 适配器布局文件185
8.6.2 窗体布局文件186
8.6.3 拖放影源代码187
8.6.4 适配器源代码188
8.6.5 窗体源代码190
8.7 单位详细信息窗体199
8.7.1 适配器布局文件199
8.7.2 窗体布局文件200
8.7.3 适配器源代码201
8.7.4 窗体源代码202
8.8 单位搜索窗体207
8.8.1 布局文件207
8.8.2 源代码208
8.9 本章小结211
9章 地址定位及辅助服务软件212
9.1 主要功能和技术特点212
9.2 软件作212
9.3 配置文件213
9.4 广播接收器源代码215
9.4.1 启动完成215
9.4.2 来电处理216
9.4.3 情景模式改变217
9.4.4 屏幕状态变化217
9.4.5 短信接收218
9.4.6 WiFi设置变化221
9.5 服务源代码222
9.6 适配器源代码223
9.7 窗体源代码226
9.8 本章小结229
10章 地址查询与地图打点软件230
10.1 主要功能和技术特点230
10.2 软件作230
10.3 配置文件231
10.4 短信接收与处理源代码232
10.5 窗体源代码233
10.6 本章小结234
三部分 基于互联网的远程温度监测案例
11章 数据编码与处理技术236
11.1 十六进制字符串的预处理236
11.2 字节与两个十六进制字符相互转换237
11.3 字与十六进制字符串相互转换238
11.4 字节数组与十六进制字符串相互转换238
11.5 字节数组与ByteBuffer对象相互转换239
11.6 英文字符串的多种编码方法239
11.7 适用于汉字的Unicode编码240
11.8 随机字节的生成与数字至字节数组的转换243
11.9 字节的位作技术243
11.10 本章小结244
12章 数据包的校验技术245
12.1 枚举类型的定义与说明245
12.2 累加和校验码的生成与检验246
12.3 异或校验码的生成与检验247
12.4 循环冗余校验码的生成与检验249
12.5 累加求补校验码的生成与检验250
12.6 结尾码的处理252
12.7 数据包的综合处理254
12.8 应用实例257
12.9 本章小结257
13章 通用TCP客户机与服务器测试软件258
13.1 主要功能和技术特点258
13.2 软件作258
13.3 界面布局259
13.4 配置文件264
13.5 网络处理类265
13.6 通用TCP客户机与服务器类268
13.6.1 各种声明的说明268
13.6.2 构造函数269
13.6.3 获取Socket对象与多线程的启动269
13.6.4 数据接收与发送269
13.6.5 TcpClientServer源代码270
13.7 窗体源代码275
13.8 TCP服务器的关键代码286
13.9 本章小结286
14章 I-7013D模块仿真软件287
14.1 主要功能和技术特点287
14.2 软件作287
14.3 界面布局288
14.4 配置文件291
14.5 窗体源代码292
14.6 本章小结298
15章 I-7013D模块监测软件299
15.1 主要功能和技术特点299
15.2 软件作299
15.3 配置文件300
15.4 参数设置窗体301
15.4.1 界面布局302
15.4.2 源代码304
15.5 主窗体307
15.5.1 实时温度显示组件307
15.5.2 portrait布局309
15.5.3 landscape布局311
15.5.4 源代码311
15.6 对实物模块的监控320
15.7 本章小结321
参考文献322

分布式机器学习：算法、理论与实践


本书旨在全面介绍分布式机器学习的现状，深入分析其中的核心技术问题，并且讨论该领域未来的发展方向。

全书共12章。1章是绪论，向大家展示分布式机器学习这个领域的全景。2章介绍机器学习的基础知识。3章到8章是本书的核心部分，向大家细致地讲解分布式机器学习的框架及其各个功能模块。其中3章给出整个分布式机器学习框架的综述，而4章到8章则分别针对其中的数据与模型划分模块、单机优化模块、通信模块、数据与模型聚合模块加以介绍。接下来的三章是对前面内容的总结与升华。其中9章介绍由分布式机器学习框架中不同选项所组合出来的各式各样的分布式机器学习算法，10章讨论这些算法的理论性质，11章则介绍几个主流的分布式机器学习（包括Spark MLlib 迭代式MapReduce，Multiverso参数服务器，TensorFlow数据流）。后的12章是全书的结语，在对全书内容进行简要总结之后，着重讨论分布式机器学习这个领域未来的发展方向。

本书基于微软亚洲研究院机器学习研究团队多年的研究成果和实践经验写成，既可以作为研究生从事分布式机器学习方向研究的参考文献，也可以作为人工智能从业者进行算法选择和设计的工具书。

人工智能大潮中，市场上已有许多机器学习书籍，但是分布式机器学习的专门书籍还很少见。本书是希望学习和了解分布式机器学习的读者的福音。

序言一

序言二

前 言

作者介绍

1章 绪论/ 1

1.1 人工智能及其飞速发展/ 2

1.2 大规模、分布式机器学习/ 4

1.3 本书的安排/ 6

参考文献/ 7

2章 机器学习基础/ 9

2.1 机器学习的基本概念/ 10

2.2 机器学习的基本流程/ 13

2.3 常用的损失函数/ 16

2.3.1 Hinge损失函数/ 16

2.3.2 指数损失函数/ 16

2.3.3 交熵损失函数/ 17

2.4 常用的机器学习模型/ 18

2.4.1 线性模型/ 18

2.4.2 核方法与支持向量机/ 18

2.4.3 决策树与Boosting/ 21

2.4.4 神经网络/ 23

2.5 常用的优化方法/ 32

2.6 机器学习理论/ 33

2.6.1 机器学习算法的泛化误差/ 34

2.6.2 泛化误差的分解/ 34

2.6.3 基于容度的估计误差的上界/ 35

2.7 总结/ 36

参考文献/ 36

3章 分布式机器学习框架/ 41

3.1 大数据与大模型的挑战/ 42

3.2 分布式机器学习的基本流程/ 44

3.3 数据与模型划分模块/ 46

3.4 单机优化模块/ 48

3.5 通信模块/ 48

3.5.1 通信的内容/ 48

3.5.2 通信的拓扑结构/ 49

3.5.3 通信的步调/ 51

3.5.4 通信的频率/ 52

3.6 数据与模型聚合模块/ 53

3.7 分布式机器学习理论/ 54

3.8 分布式机器学习/ 55

3.9 总结/ 56

参考文献/ 57

4章 单机优化之确定性算法/ 61

4.1 基本概述/ 62

4.1.1 机器学习的优化框架/ 62

4.1.2 优化算法的分类和发展历史/ 65

4.2 一阶确定性算法/ 67

4.2.1 梯度下降法/ 67

4.2.2 投影次梯度下降法/ 69

4.2.3 近端梯度下降法/ 70

4.2.4 Frank-Wolfe算法/ 71

4.2.5 Nesterov加速法/ 72

4.2.6 坐标下降法/ 75

4.3 二阶确定性算法/ 75

4.3.1 牛顿法/ 76

4.3.2 拟牛顿法/ 77

4.4 对偶方法/ 78

4.5 总结/ 81

参考文献/ 8

5章 单机优化之随机算法/ 85

5.1 基本随机优化算法/ 86

5.1.1 随机梯度下降法/ 86

5.1.2 随机坐标下降法/ 88

5.1.3 随机拟牛顿法/ 91

5.1.4 随机对偶坐标上升法/ 93

5.1.5 小结/ 95

5.2 随机优化算法的改进/ 96

5.2.1 方差缩减方法/ 96

5.2.2 算法组合方法/ 100

5.3 非凸随机优化算法/ 101

5.3.1 Ada系列算法/ 102

5.3.2 非凸理论分析/ 104

5.3.3 逃离鞍点问题/ 106

5.3.4 等级优化算法/ 107

5.4 总结/ 109

参考文献/ 109

6章 数据与模型并行/ 113

6.1 基本概述/ 114

6.2 计算并行模式/ 117

6.3 数据并行模式/ 119

6.3.1 数据样本划分/ 120

6.3.2 数据维度划分/ 123

6.4 模型并行模式/ 123

6.4.1 线性模型/ 123

6.4.2 神经网络/ 127

6.5 总结/ 133

参考文献/ 133

7章 通信机制/ 135

7.1 基本概述/ 136

7.2 通信的内容/ 137

7.2.1 参数或参数的更新/ 137

7.2.2 计算的中间结果/ 137

7.2.3 讨论/ 138

7.3 通信的拓扑结构/ 139

7.3.1 基于迭代式MapReduce/AllReduce的通信拓扑/ 140

7.3.2 基于参数服务器的通信拓扑/ 142

7.3.3 基于数据流的通信拓扑/ 143

7.3.4 讨论/ 145

7.4 通信的步调/ 145

7.4.1 同步通信/ 146

7.4.2 异步通信/ 147

7.4.3 同步和异步的平衡/ 148

7.4.4 讨论/ 150

7.5 通信的频率/ 150

7.5.1 时域滤波/ 150

7.5.2 空域滤波/ 153

7.5.3 讨论/ 155

7.6 总结/ 156

参考文献/ 156

8章 数据与模型聚合/ 159

8.1 基本概述/ 160

8.2 基于模型加和的聚合方法/ 160

8.2.1 基于全部模型加和的聚合/ 160

8.2.2 基于部分模型加和的聚合/ 162

8.3 基于模型集成的聚合方法/ 167

8.3.1 基于输出加和的聚合/ 168

8.3.2 基于投票的聚合/ 171

8.4 总结/ 174

参考文献/ 174

9章 分布式机器学习算法/ 177

9.1 基本概述/ 178

9.2 同步算法/ 179

9.2.1 同步SGD方法/ 179

9.2.2 模型平均方法及其改进/ 182

9.2.3 ADMM算法/ 183

9.2.4 弹性平均SGD算法/ 185

9.2.5 讨论/ 186

9.3 异步算法/ 187

9.3.1 异步SGD/ 187

9.3.2 Hogwild!算法/ 189

9.3.3 Cyclades算法/ 190

9.3.4 带处理的异步算法/ 192

9.3.5 异步方法的进一步加速/ 199

9.3.6 讨论/ 199

9.4 同步和异步的对比与融合/ 199

9.4.1 同步和异步算法的实验对比/ 199

9.4.2 同步和异步的融合/ 201

9.5 模型并行算法/ 203

9.5.1 DistBelief/ 203

9.5.2 AlexNet/ 204

9.6 总结/ 205

参考文献/ 205

10章 分布式机器学习理论/ 209

10.1 基本概述/ 210

10.2 收敛性分析/ 210

10.2.1 优化目标和算法/ 211

10.2.2 数据和模型并行/ 213

10.2.3 同步和异步/ 215

10.3 加速比分析/ 217

10.3.1 从收敛速率到加速比/ 218

10.3.2 通信量的下界/ 219

10.4 泛化分析/ 221

10.4.1 优化的局限性/ 222

10.4.2 具有更好泛化能力的非凸优化算法/ 224

10.5 总结/ 226

参考文献/ 226

11章 分布式机器学习/ 229

11.1 基本概述/ 230

11.2 基于IMR的分布式机器学习/ 231

11.2.1 IMR和Spark/ 231

11.2.2 Spark MLlib/ 234

11.3 基于参数服务器的分布式机器学习/ 236

11.3.1 参数服务器/ 236

11.3.2 Multiverso参数服务器/ 237

11.4 基于数据流的分布式机器学习/ 241

11.4.1 数据流/ 241

11.4.2 TensorFlow数据流/ 243

11.5 实战比较/ 248

11.6 总结/ 252

参考文献/ 252

12章 结语/ 255

12.1 全书总结/ 256

12.2 未来展望/ 257

索引/ 260