[套装书]Android开发与应用+机器学习：算法视角（原书第2版）（2册）

作者
马玉春[新西兰]史蒂芬·马斯兰(Stephen Marsland)
丛书名
高等学校计算机专业规划教材
出版社
机械工业出版社
ISBN
9781910141349
简要
简介
内容简介书籍计算机书籍 ---------------------------Android开发与应用--------------------------- 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。第一部分介绍Android编程基础与技巧。第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。第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专业学生的Android程序设计教材和相关实践课程的参考书。 ---------------------------机器学习：算法视角（原书第2版）--------------------------- 机器学习融合了计算机科学、统计学、数学、工程学等多个学科，应用领域遍及经济、生物、医药、物理、化学等。本书针对计算机科学专业学生遇到的统计学基础知识不足的问题，聚焦于机器学习中的算法，清晰呈现算法背后的数学和统计学知识，同时提供必要的编程技巧和实验方法。 书中全面涵盖各类算法，如神经网络、多层感知器、径向基函数、支持向量机、进化学习、强化学习、决策树学习、无监督学习、图模型等。第2版进行了全面修订和更新，以反映机器学习的新发展，新增了两个章节来讨论深度置信网络和高斯过程，此外，还添加了随机森林、考虑精度的方法、MLP的共轭梯度优化、卡尔曼滤波和粒子滤波等内容。 本书的代码示例采用Python语言编写，所有代码均可从stephenmonika.net免费下载。
目录



---------------------------Android开发与应用---------------------------


前言
第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　第一个应用程序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
第一部分　编程基础与技巧
第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
第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退键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
第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
第二部分　实用案例分析
第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　软件操作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
第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　软件操作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　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
第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　软件操作152
7.3　界面布局153
7.4　配置文件153
7.5　通讯录操作源代码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
第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　软件操作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　拖放阴影源代码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
第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　软件操作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
第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　软件操作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
第三部分　基于互联网的远程温度监测案例
第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　字节的位操作技术243
11.10　本章小结244
第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
第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　软件操作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
第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　软件操作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
第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　软件操作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



---------------------------机器学习：算法视角（原书第2版）---------------------------


Machine Learning: An Algorithmic Perspective, Second
Edition
第2版前言
第1版前言
第1章　绪论1
1.1　如果数据有质量，地球将成为黑洞1
1.2　学习3
1.2.1　机器学习3
1.3　机器学习的类别4
1.4　监督学习5
1.4.1　回归5
1.4.2　分类6
1.5　机器学习过程7
1.6　关于编程的注意事项8
1.7　本书的学习路线 9
拓展阅读10
第2章　预备知识11
2.1　专业术语11
2.1.1　权重空间11
2.1.2　维度灾难12
2.2　知你所知：测试机器学习算法13
2.2.1　过拟合14
2.2.2　训练集、测试集和验证集14
2.2.3　混淆矩阵15
2.2.4　精度指标16
2.2.5　受试者工作特征曲线17
2.2.6　不平衡数据集17
2.2.7　度量精度18
2.3　数据与概率的转换19
2.3.1　最小化风险20
2.3.2　朴素贝叶斯分类21
2.4　基本统计概念22
2.4.1　平均值22
2.4.2　方差与协方差22
2.4.3　高斯分布24
2.5　权衡偏差与方差24
拓展阅读26
习题26
第3章　神经元、神经网络和线性判别27
3.1　大脑和神经元27
3.1.1　Hebb法则27
3.1.2　McCulloch和Pitts神经元28
3.1.3　McCulloch和Pitts神经元模型的局限性29
3.2　神经网络30
3.3　感知器31
3.3.1　学习速率η32
3.3.2　输入偏置32
3.3.3　感知器学习算法33
3.3.4　感知器学习示例34
3.3.5　具体实现35
3.4　线性可分性39
3.4.1　感知器收敛定理40
3.4.2　XOR函数41
3.4.3　有用的领悟42
3.4.4　另一个示例：皮马印第安人数据集43
3.4.5　数据预处理44
3.5　线性回归45
3.5.1　示例46
拓展阅读47
习题48
第4章　多层感知器49
4.1　前向50
4.1.1　偏置50
4.2　后向：误差的反向传播50
4.2.1　多层感知器算法53
4.2.2　初始化权重55
4.2.3　不同的输出激活函数56
4.2.4　顺序和批量训练57
4.2.5　局部最小57
4.2.6　利用冲量58
4.2.7　小批量和随机梯度下降58
4.2.8　其他改善方法59
4.3　实践中的MLP59
4.3.1　训练数据的量59
4.3.2　隐藏层的数目59
4.3.3　什么时候停止学习60
4.4　MLP应用示例61
4.4.1　回归问题61
4.4.2　使用MLP分类63
4.4.3　分类示例：iris数据集64
4.4.4　时间序列预测66
4.4.5　数据压缩：自动关联网络68
4.5　MLP使用指南69
4.6　反向传播的推导70
4.6.1　网络输出70
4.6.2　网络误差70
4.6.3　激活函数的要求71
4.6.4　误差的后向传播72
4.6.5　输出激活函数74
4.6.6　误差函数的另一种形式75
拓展阅读75
习题76
第5章　径向基函数和样条函数77
5.1　感受野77
5.2　径向基函数网络79
5.2.1　训练RBF网络80
5.3　插值和基函数82
5.3.1　基和基扩展83
5.3.2　三次样条函数84
5.3.3　用样条拟合数据84
5.3.4　平滑样条85
5.3.5　更高维度86
5.3.6　边界之外86
拓展阅读87
习题87
第6章　维度约简88
6.1　线性判别分析89
6.2　主成分分析91
6.2.1　PCA算法与多层感知器的关系94
6.2.2　核PCA94
6.3　因素分析96
6.4　独立成分分析97
6.5　局部线性嵌入98
6.6　ISOMAP算法100
6.6.1　多维标度法101
拓展阅读102
习题103
第7章　概率学习104
7.1　高斯混合模型104
7.1.1　期望最大化算法105
7.1.2　信息准则107
7.2　最近邻法108
7.2.1　近邻平滑109
7.2.2　有效的距离计算：KD-Tree110
7.2.3　距离度量112
拓展阅读114
习题114
第8章　支持向量机115
8.1　最优分割115
8.1.1　间隔和支持向量116
8.1.2　约束优化问题117
8.1.3　非线性可分问题的松弛变量119
8.2　核120
8.2.1　选择核121
8.2.2　示例：XOR122
8.3　支持向量机算法122
8.3.1　实现123
8.3.2　示例125
8.4　支持向量机的拓展126
8.4.1　多类分类126
8.4.2　支持向量机回归127
8.4.3　其他优势128
拓展阅读128
习题128
第9章　优化和搜索130
9.1　下山法130
9.1.1　泰勒展开132
9.2　最小二乘优化133
9.2.1　Levenberg-Marquardt算法133
9.3　共轭梯度法137
9.3.1　示例139
9.3.2　共轭梯度和MLP139
9.4　搜索：三种基本方法141
9.4.1　穷举法141
9.4.2　贪婪搜索142
9.4.3　爬山法142
9.5　开发和探索143
9.6　模拟退火法143
9.6.1　算法比较144
拓展阅读145
习题145
第10章　进化学习146
10.1　遗传算法147
10.1.1　字符串表示147
10.1.2　评价适应度148
10.1.3　种群148
10.1.4　产生后代：选择父母149
10.2　产生后代：遗传算子150
10.2.1　交叉150
10.2.2　变异151
10.2.3　精英法、比赛法和小生境151
10.3　使用遗传算法153
10.3.1　图着色153
10.3.2　间断平衡154
10.3.3　示例：背包问题155
10.3.4　示例：四峰问题155
10.3.5　遗传算法的缺陷156
10.3.6　用遗传算法训练神经网络156
10.4　遗传程序157
10.5　与采样结合的进化学习158
拓展阅读159
习题160
第11章　强化学习161
11.1　概述161
11.2　示例：迷路162
11.2.1　状态和动作空间163
11.2.2　胡萝卜和棍子：奖赏函数164
11.2.3　折扣165
11.2.4　动作选择165
11.2.5　策略166
11.3　马尔可夫决策过程166
11.3.1　马尔可夫性166
11.3.2　马尔可夫决策过程中的概率167
11.4　值167
11.5　回到迷路的示例：利用强化学习170
11.6　sarsa和Q-learning的不同171
11.7　强化学习的用处172
拓展阅读172
习题173
第12章　树的学习174
12.1　使用决策树174
12.2　构建决策树175
12.2.1　快速入门：信息论中的熵175
12.2.2　ID3176
12.2.3　基于Python的树和图的实现178
12.2.4　决策树的实现178
12.2.5　处理连续变量180
12.2.6　计算复杂度180
12.3　分类和回归树181
12.3.1　基尼不纯度181
12.3.2　树回归182
12.4　分类示例182
拓展阅读184
习题184
第13章　委员会决策：集成学习186
13.1　boosting187
13.1.1　AdaBoost187
13.1.2　掘根190
13.2　bagging190
13.2.1　subagging191
13.3　随机森林192
13.3.1　与boosting方法比较193
13.4　组合分类器的不同方法194
拓展阅读195
习题196
第14章　无监督学习197
14.1　k-means算法197
14.1.1　处理噪点200
14.1.2　k-means神经网络200
14.1.3　归一化201
14.1.4　一个更好的权重更新规则202
14.1.5　示例：iris数据203
14.1.6　使用竞争学习来聚类203
14.2　向量量化204
14.3　自组织特征映射204
14.3.1　SOM算法206
14.3.2　近邻连接207
14.3.3　自组织208
14.3.4　网络维度和边界条件208
14.3.5　SOM应用示例209
拓展阅读211
习题211
第15章　马尔可夫链蒙特卡罗方法213
15.1　采样213
15.1.1　随机数213
15.1.2　高斯随机数214
15.2　蒙特卡罗216
15.3　建议分布216
15.4　马尔可夫链蒙特卡罗219
15.4.1　马尔可夫链219
15.4.2　Metropolis-Hastings算法220
15.4.3　模拟退火222
15.4.4　Gibbs采样223
拓展阅读224
习题225
第16章　图模型226
16.1　贝叶斯网络227
16.1.1　示例：考试恐惧227
16.1.2　近似推断230
16.1.3　创建贝叶斯网络232
16.2　马尔可夫随机场233
16.3　隐马尔可夫模型234
16.3.1　前向算法236
16.3.2　Viterbi算法238
16.3.3　Baum-Welch或前向后向算法239
16.4　跟踪方法242
16.4.1　卡尔曼滤波242
16.4.2　粒子滤波247
拓展阅读249
习题250
第17章　对称权重与深度置信网络251
17.1　积极学习:Hopfield网络252
17.1.1　联想记忆252
17.1.2　实现联想记忆252
17.1.3　能量函数255
17.1.4　Hopfield网络的容量256
17.1.5　连续Hopfield网络257
17.2　随机神经元：玻尔兹曼机257
17.2.1　受限玻尔兹曼机259
17.2.2　CD算法的推导262
17.2.3　监督学习265
17.2.4　RBM作为定向置信网络267
17.3　深度学习268
17.3.1　深度置信网络270
拓展阅读273
习题273
第18章　高斯过程274
18.1　高斯过程回归275
18.1.1　添加噪声276
18.1.2　高斯过程回归的实现（一）278
18.1.3　学习参数279
18.1.4　高斯过程回归的实现（二）280
18.1.5　选择（一组）协方差函数282
18.2　高斯过程分类282
18.2.1　拉普拉斯近似283
18.2.2　计算后验283
18.2.3　高斯过程分类的实现285
拓展阅读286
习题287
附录　Python入门288




有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4