现代语言支持的函数式和并发编程语言特性可能富有挑战性，即使是经验丰富的开发人员，当面对函数式与并发编程时，也可能心生畏惧。面向对象编程的程序员之所以畏惧这些特性，很可能是因为他们对这些特性的工作方式有所误解。为了消除误解，程序员应首先熟悉这些强大的特性背后的抽象概念。《函数式与并发编程》介绍了一系列核心的编程语言结构，可让你的编程工作变得高效起来，无论你使用的是哪种编程语言，你都能从中获益——在当下的工作中，以及在未来的职业发展中。Charpentier用大量重点突出的小型Scala代码示例阐释了函数式与并发编程的关键概念，并通过完整的案例研究对前述技术和技巧进行深入的探究和阐释。这些技术和技巧将从一种语言传递到另一种语言——包括Java的最新版本。利用函数式和并发编程语言特性，开发人员和程序员将能编写出易于理解、调试、优化和改进的优质代码。另外，本书还讨论了现代编程语言中常用的类型策略，包括类型推断、子类型、多态性、类型类、类型边界和变型。核心主题● 递归和尾递归● 模式匹配和代数数据类型● 可持久化结构和不可变性● 高阶函数和lambda表达式● 延迟求值和流● 线程和线程池● 原子性和锁● 同步和线程安全对象● 无锁、非阻塞模式● Future、Promise和函数并发编程《函数式与并发编程》中的大部分代码示例都是使用Scala编写的，其中包含函数式与并发编程的许多标准特性；然而，读者不必事先了解Scala，而只需要熟悉一些基本概念，如类、方法、对象、类型、变量、循环和条件语句等。此外，读者在编程方面应有足够的经验，以免因为简单的语法问题而分心。

本书的主要内容包括：创建一个简单的集群，了解Kubernetes的基本工作原理。深入了解使用Kubernetes部署应用程序的细节。学习Kubernetes的专属对象，如守护进程集、作业、ConfigMap以及机密等。探索如何通过部署组织应用程序的整个生命周期。学习如何保护应用程序部署的安全。学习部署多集群应用程序，以及通过编程语言访问Kubernetes。

本书采用经典实例的格式，首先提出问题，然后制定解决方案，最z后再讨论如何通过最z佳以及最z直接的方式解决问题。本书非常适合初级到中级Unity开发人员。本书的主要内容包括：2D和3D图形。数学、物理以及角色控制。动画与运动。行为与AI。声音与音乐。脚本与用户界面。

本书是一部系统论述Altium Designer 24 PCB基础应用的实战教程（含纸质图书、实战案例和配套视频教程）。全书共9 章：第1 章为Altium Designer 24 软件概述；第2 章为PCB 设计流程与工程创建；第3 章为元件库的创建和加载；第4章为原理图设计；第5 章为PCB 设计；第6 章为PCB 后期处理；第7 章为2 层Leonardo 开发板的PCB 设计；第8 章为常见问题及解决方法；第9 章为Altium 365 平台；附录A提供了Leonardo 项目所用到的完整原理图、PCB Layout 参考设计、三维PCB 视图；附录B提供了软件通用快捷键。本书还配套提供了完整的教学课件及教学视频，可到清华大学出版社网站本书页面下载。本书可以作为各大中专院校相关专业和培训班的教材，也可以作为电子、电气、自动化设计等相关专业人员的学习和参考用书。本书由Altium 公司授权出版，并对书的内容进行了审核。

《数据有道 ： 数据分析 图论与网络 微课 Python编程》是“鸢尾花数学大系—从加减乘除到机器学习”丛书的第三板块 （ 实践板块 ） 中的一本关于数据 科学的分册。“实践”这个板块，我们将会把学到的编程、可视化， 特别是数学工具应用到具体的数据科学、 机器学习算法中，并在实践中加深对这些工具的理解。《数据有道 ： 数据分析 图论与网络 微课 Python编程》可以归纳为 7 大板块—数据说、数据处理、时间数据、图论基础、图的分析、图与矩阵、图论实践。 这 7 个板块 （ 共 25 章内容 ） 都紧紧围绕一个主题—数据！《数据有道 ： 数据分析 图论与网络 微课 Python编程》以数据为名，以好奇心和疑问为驱动，主动使用“编程 可视化 数学”工具进行探索。《数据有道 ： 数据分析 图论与网络 微课 Python编程》将 会回顾鸢尾花书前五本主要的工具，让大家对很多概念从似懂非懂变成如数家珍；同时，我们还会掌握更 多工具，用来扩展大家的知识网络。依照惯例，《数据有道 ： 数据分析 图论与网络 微课 Python编程》提供代码和视频教学。《数据有道 ： 数据分析 图论与网络 微课 Python编程》读者群包括数据科学从业者、大数据从业者、高级数据分析师、机器学习开发者、计算机图形学 研究者等。

本书以简单、直观、形象的方式教授Git，让你对Git版本控制的工作原理建立深刻的感性认识。通过颜色、情景和实践练习，你定能信心满满，学会使用这个工具。本书循序渐进，你不会陷入未知术语或概念的困境。本书涵盖以下内容：下载Git，初始化本地仓库。把文件添加到暂存区域并进行提交。创建、切换和删除分支。合并和变基分支。使用远程仓库，包括克隆、推送、拉取和获取。使用拉取请求与他人协作。

本书致力于为广大读者提供一份深入且实用的指引，旨在阐述如何将ChatGPT技术高效融入多个行业及日常生活之中。本书自ChatGPT基础概念讲起，逐步深入至其高级功能与参数设定，同时细致解析通过API实现个性化定制的途径。书中不仅着重于ChatGPT在教育、金融、心理健康、翻译、办公自动化等关键领域的应用案例，亦旨在激发读者的创新思维，促其针对实际问题寻找解决方案。无论是追求技术深化的开发者，还是意图提升职业效率或生活品质的非技术背景人士，本书均能提供明确的指导与灵感。结合理论与实践，鼓励读者探究ChatGPT的广阔潜能，开拓智能技术创新之路。通过阅读此书，读者不但能成为AI技术的使用者，更能成为未来创新的推动者。

如果你的数据处理或服务器应用程序已经超出了单台计算机的处理能力，那么这本书就是为你准备的。你将探索分布式处理（纯Python的无服务器实现），并学习如何：使用Ray Actor实现有状态应用程序。在Ray中构建工作流管理。将Ray用作批处理和流处理的统一系统。使用Ray进行高级数据处理。使用Ray构建微服务。实现可靠的Ray应用程序。

深度学习正日益深刻地渗入我们的生活，从建议内容到在任务关键型和安全关键型应用中发挥核心作用，其影响无所不在。然而，随着这些算法影响力的逐渐扩大，人们对于依赖这些算法的系统安全性和鲁棒性的担忧也日益加剧。简言之，传统的深度学习方法往往难以察觉自身的知识边界，即它们“不知其所不知”。贝叶斯深度学习（Bayesian Deep Learning，BDL）领域包含一系列利用深度网络进行近似贝叶斯推理的方法。这些方法通过揭示模型对其预测结果的置信度，增强了深度学习系统的鲁棒性，使我们能够更谨慎地将模型预测融入实际应用中。《Python贝叶斯深度学习》将引领你踏入迅速发展的不确定性感知深度学习领域，助你深入理解不确定性估计在构建鲁棒性的机器学习系统中的重要价值。你将学习多种流行的BDL方法，并通过涵盖多种应用场景的Python实用示例来掌握这些方法的实现技巧。读完本书后，你将深刻理解BDL及其优势，并能够为更安全、更鲁棒的深度学习系统开发贝叶斯深度学习模型。主要内容：● 了解贝叶斯推理和深度学习的优缺点● 了解贝叶斯神经网络（Bayesian Neural Network，BNN）的基本原理● 了解主要贝叶斯神经网络实现/近似之间的差异● 了解生产环境中概率深度神经网络的优势● 在Python代码中实现各种贝叶斯深度学习方法● 运用贝叶斯深度学习方法解决实际问题● 学习如何评估贝叶斯深度学习方法并为特定任务选择最佳方法● 在实际深度学习应用中处理“分布外”数据

本书作者基于多年从事大型软件项目开发的经验，以模块化形式精心组织，阐述了如何有效地利用现代C的新特性和强大的语言功能，同时避开其中的潜在陷阱。本书还总结了C社区近十年来应用C11和 C14新特性的经验，通过使用来自真实代码库的示例说明每个新特性和关键问题，且给出了每个新特性的用例和潜在缺陷，可帮助读者在多样化的大型软件开发环境中做出高效且安全的设计决策。本书对于C开发人员、团队领导者和技术经理具有很高的参考价值。读完本书后，读者将会·理解 C11/14 每个特性的用途及其最有效的使用方法。·了解如何解决令人困扰的陷阱和烦人的边界样例（特殊情况时出现）。·了解哪些特性需要额外的培训、经验和同行评审。·获得有关编码标准和风格指南的知识，以满足组织需求。·逐步将现代C的能力恰当地引入目前已建立的代码库。