本书详细阐述了基于ARM Cortex-M4内核的STM32F407微控制器嵌入式系统硬件设计方法和软件开发技术。全书共有十八章，划分为三篇：第一篇（第1~3章）为系统平台，讲述嵌入式系统定义、嵌入式硬件平台和软件环境配置与使用入门。第二篇（第4~10章）为基本外设，分别对STM32嵌入式系统最常用的外设模块进行介绍，包括GPIO、中断、定时器、PWM和嵌入式系统接口技术。第三篇（第11~18章）为扩展外设，分别对STM32嵌入式系统高级外设模块和典型传感器进行讲解，包括USART、SPI

《计算机组装与维护（第2版·微课视频版）》以计算机软硬件的近期发展和应用为主线展开内容、组织体系，在课程思政引领下，基于启智润心、厚基强技的教学目标，从介绍计算机的基本知识开始，结合大量样例、图示和案例操作，系统、全面地讲解计算机的发展、组成、安装、应用、维护、维修等知识，使读者能够全面学习和了解计算机的组成结构和运行原理、选购技巧、硬件组装方法、UEFI BIOS设置方法、硬盘分区方法、系统安装方法，各种计算机硬件故障产生的原因及处理方法，Windows系统应用、维护及故障排除方法，以及局域网

本书从JavaScript的基础语法开始，由浅入深、循序渐进地引领读者进入JavaScript的开发世界，同时也介绍了jQuery的使用方法。本书共6个单元，主要包括JavaScript基础、面向对象编程、浏览器对象模型(BOM)、文档对象模型(DOM)、事件和jQuery。通过本书的学习，读者不仅可以掌握JavaScript的基本语法和常用功能，还可以熟练运用jQuery来简化和优化Web开发过程，提升开发效率。

面对数字经济背景下大数据分析的现实需求，本书分别从经济理论阐述、数学原理推导、程序代码实现三个角度，系统全面地阐释了各类经典机器学习模型的理论内涵和适用范围，以及基于 Python 编程语言进行算法训练、模型测试和参数调优的具体方法。本书配有A、B两个附录，介绍了 Python 语言基本语法规则，以及经济大数据分析所涉及的Python 工具包。 本书旨在培养能够综合运用经济学思维、数理分析方法、数据科学工具，分析和解决经济社会发展中的理论和实际问题的复合型人才；可作为高等院校经济管理、计算机等专

本书包含6个模块、10个学习单元，内容主要涵盖了Python编程的3种程序结构、6种数据类型，函数和面向对象程序设计的基础知识，以及Web应用程序设计相关内容。

本书在系统介绍了机器学习的基础上详细讲解了神经网络和深度神经网络的结构原理、模型训练与优化方法，重点针对典型工作任务，详细讲解了卷积神经网络(ＣＮＮ)和循环神经网络(ＲＮＮ)的基本结构和主要操作。全书共分为七个模块。模块一主要介绍了人工智能与机器学习；模块二主要介绍了人工智能的开发工具及开发环境；模块三介绍了机器学习相关的数学基础知识；模块四对典型的机器学习算法进行了介绍；模块五对神经网络的结构和基本原理进行了剖析；模块六对卷积神经网络(ＣＮＮ)的结构和模型训练优化进行了详细的分析说明

"本书是计算机领域本科教育教学改革试点工作计划（“101计划”）系列教材之一。本书按照“厚算法基础、养伦理意识、匠工具平台、促赋能应用”的培养目标，以表达与推理、搜索与优化、建模与学习和伦理与安全为核心，按照如下内容进行组织：第1章绪论、第2章知识表达与推理、第3章搜索探寻与问题求解、第4章机器学习、第5章神经网络与深度学习、第6章强化学习、第7章人工智能博弈、第8章人工智能伦理与安全、第9章人工智能架构与系统、第10章人工智能应用。本书可作为高等学校人工智能专业及信息技术相关专业人工

本书从实用角度出发，围绕Linux 操作系统和Hadoop 集群部署，从虚拟机安装入手，结合典型项目和案例，较为全面地介绍了大数据开发技术平台Hadoop 及其生态系统的相关知识。主要内容包括大数据技术中的Hadoop 集群部署、HDFS、MapReduce、Hive、HBase和Sqoop 等。全书所有知识点都结合具体的编程示例讲解，重要知识点配有视频讲解。
本书可作为高等职业院校大数据技术、软件技术、计算机网络技术、人工智能技术等专业的教材，也可作为大数据爱好者的参考书，同时也可作为企

本书以Python作为开发语言，系统介绍PySpark开发环境搭建流程及基于PySpark进行大数据分析的 相关知识。本书条理清晰、重点突出，理论叙述循序渐进、由浅入深。本书共7章，第1?5章包括PySpark 大数据分析概述、PySpark安装配置、基于PySpark的DataFrame操作、基于PySpark的流式数据处理、 基于PySpark的机器学习库，内容介绍注重理论与实践相结合，通过典型示例强化PySpark在大数据分析 中的实际应用；第6、7章通过基于PySpark的网络招聘信息的

互联网的出现使人们第一次能够访问大量的数据。比如,社交网络Facebook中的友谊图和互联网网站之间的链接图。这两幅图都包含超过10亿个节点,代表巨大的数据集。如果要使用这些数据集,就必须对其进行处理和分析。然而,仅仅是它们的大小就使得这种处理非常具有挑战性。特别是,为处理中等规模的数据集而开发的经典算法和技术,在面对如此大的数据集时往往需要超出常规的时间和空间。此外,在某些情况下,存储整个数据集甚至是不可行的,因此,必须在数据集的各个部分对其进行处理,然后很快丢弃每部分。