Kotlin自学日记之基础基础基基础篇

2026编程学习路径规划:从零到求职的系统化实战指南 在技术快速迭代的今天,如何高效学习编程是许多开发者面临的核心挑战。编程学习本质上是一个系统工程,其关键在于构建可持续的知识体系与实战能力。从计算机科学基础概念入手,理解算法、数据结构等原理,是建立技术认知框架的基石。掌握现代开发工具链,如版本控制Git和集成开发环境,能显著提升学习与协作效率。编程学习的核心价值在于解决实际问题,通过项目驱动的方式将理论知识转化为工程实践能力。在Web开发、移动应用、数据分析等应用场景中,这种能力尤为重要。本文以Andrew Codesmith的《2026年学编程的正确姿势》 阅读详情
  • val与var
  • 基本的数据类型
  • 函数

1.Val与Var

当我们在Kotlin定义一个数据时,首先需要判断一个数据在未来是否是可变的,例如:我们为新生产的零件制定一个编号,它的编号将永远不会改变。另一种情况,我们在定义一个家庭地址的时候,家庭地址有可能改变。这时候需要Val和Var来区分上述的两种数据。

Val:在Kotlin中Val变量为只读变量,它的用法和Java中的final用法相同。经过Val“加持”的数据是不能进行改变的。

val name:String="zhangsan"

如果我们再次为name赋值,则会产生错误。

ERROR: Val cannot be reassigned (5, 2)

Var:在Kotlin中Var变量为常量,可以进行改变,但需要注意一点,当我们进行数据初始化后,系统自动为其分配了对应的数据类型,如果我们再为它赋其他数据类型的值,则会产生错误。

fun main(args:Array<String>)
{
	var name = "张三"//初次定义将name定义为字符串类型,如果之后将其他类型的数据赋给name,则产生错误
	name = 8
	println(name)
}

改代码产生的结果是:

ERROR: The integer literal does not conform to the expected type String (5, 9)

此时显示无法将int类型的参数赋给已经定义为String类型的变量name

2.基本的数据类型

Kotlin中的数据类型包括以下几种

数据类型长度
Int32bit
Byte8bit
Short16bit
Long64bit
String引号内字符串长度
Double小数点后16位
Float小数点后8位

3.函数

1.函数的结构:

fun main(args:Array<String>):Unit
{
 println("hello kotlin")
}

利用最简单的入口函数来分析函数的结构如下:
fun 函数名称(参数名称:参数类型):函数返回值类型
{
函数体
}

所以学习后可以进行简单的模仿:
做一个简易(极其简陋)的计算器

fun main(args: Array<String>) {
	var a=8
	var b=2
	
	println("a+b="+plus(a,b))
	println("a-b="+sub(a,b))
	println("a*b="+mutl(a,b))
	println("a/b="+devide(a,b))
}
fun plus(a:Int,b:Int):Int
{
	return a+b
}
fun sub(a:Int,b:Int):Int
{
	return a-b
}
fun mutl(a:Int,b:Int):Int
{
	return a*b
}
fun devide(a:Int,b:Int):Int
{
	return a/b
}

得出结果:

a+b=10
a-b=6
a*b=16
a/b=4
【实战指南】基于YOLOv11的肺结节检测系统开发与优化(LUNA2016数据集) 本文提供了基于YOLOv11模型和LUNA2016数据集开发肺结节检测系统的完整实战指南。详细介绍了从环境搭建、数据预处理、模型训练与优化,到构建Web应用系统的全流程,旨在帮助开发者快速掌握医疗影像AI项目的核心开发技能。 阅读详情

相关推荐

Android Qcom USB Driver学习(十三)

该系列文章总目录链接与各部分简介: Android Qcom USB Driver学习(零) Android Qcom USB Driver学习(八) Android Qcom USB Driver学习(九)deals with the USB Power Delivery resources used by one or more ports on the basis of the local device policy the basis of the local device policy.opera

Android驱动开发 2617

Kotlin自学日记之面向对象

面向对象 -对象 -类 -继承 -封装 -多态 对象的含义是指具体的某一个事物,即在现实生活中能够看得见摸得着的事物。在面向对象程序设计中,对象所指的是计算机系统中的某一个成分。在面向对象程序设计中,对象包含两个含义,其中一个是数据,另外一个是动作。对象则是数据和动作的结合体。对象不仅能够进行操作,同时还能够及时记录下操作结果。 对象 首先在这里引用了面向对象中对对象的解释。对象其实就是指现实...

Py_csdn_的博客 308

ubuntu安装glibc

VSCode 在ubuntu下调试无法打开libc-start.c raise.c等1. 安装glibc2. launch.json中添加路径映射3. 调试 1. 安装glibc apt install glibc-source cd /usr/src/glibc/ sudo tar -xvf glibc-[VERSION].tar.xz 2. launch.json中添加路径映射 "sourceFileMap": { "/build/glibc-S7xCS9": "/usr/src/glib

wq_0708的博客 3万+

Kotlin自学日记之简单的循环遍历

Loop Range Loop在这里主要学习的是for循环,通过for循环可以遍历各种数据,比如Map中的数据、List中的数据、array中的数据。其中Map又分为Treemap、hashmap等,在这里做一些简单的罗列。 1.遍历1到100并且输出[1,100] fun main(args:Array<String>) { var num=1..100 for(num1...

Py_csdn_的博客 1055

大气层23.0.0整合包升级指南:解决unknow pkg1报错与双系统防误更新

自定义固件(CFW)通过劫持启动流程实现系统接管,其核心在于版本匹配与签名验证。当系统固件更新后,CFW必须同步更新核心文件与签名补丁,否则启动阶段会因版本不匹配而报错。双系统方案中,正版与虚拟系统固件独立,误更新正版系统会导致虚拟系统启动链断裂。正确做法是保持虚拟系统版本不低于正版,并严格对应大气层核心文件与签名补丁。本文围绕大气层23.0.0整合包,详解文件结构、安装顺序、Daybreak固件升级及防误更新策略,助你稳定运行自定义系统。

weixin_32075843的博客 469

Matlab App Designer自学笔记(六):坐标轴控件axis函数绘图方法

作用: 绘制函数显示 显示图像(jpg png tiff) 颜色选项: r(红色) g(绿色) b(蓝色) w(白色) k(黑色) 其他 一、坐标区控件及设置 可以对坐标去进行设计: 二、功能实现及编程 功能:点击“绘图按钮”,能显示曲线。 实现:对按钮设置回调函数 若要多个图像显示在一个坐标系中,需要语句:hold(app.UIAxes,"on"); app.UIAxes是这个坐标轴的名字。 function ButtonP...

陶小桃Blog 3万+

Kotlin自学日记之helloworld

工欲善其事必先利其器 使用工具 Eclipse 使用插件:ko!tlin plugin for eclipse 0.8.19 插件安装方法: 点击Eclipse的菜单 点击Help的下拉列表中的Marketplace 在搜索框输入Kotlin得到搜索结果并点击安装(已经安装过显示为installed) 进入工作空间,点击Open Perspective 点击选项kotl...

Py_csdn_的博客 263

OTA(Over-The-Air)升级

OTA(Over-the-Air)是一种通过无线方式进行数据传输和更新的技术,通常用于电子设备(如智能手机、汽车、物联网设备等)的软件、固件或配置更新。OTA可以在设备与服务器之间进行远程传输,用户无需将设备接入电脑或进行有线操作。通过OTA,用户只需要通过Wi-Fi或移动网络连接,便能自动接收并安装最新的更新,而无需手动干预。OTA的优点是便捷和高效,能够确保设备随时保持最新状态,同时减少用户的操作负担。:如智能家居设备、路由器、汽车等硬件设备的固件更新。:确保设备上的应用保持最新版本。

weixin_50127894的博客 5072

Kotlin自学日记之人机交互&空值和异常处理

人机交互 异常处理 Kotlin中的!!和?的使用 人机交互意味着脱离了脱离了死板的运行->产生结果->结束,让代码在运行的过程中可以进行人工的干预,将过程变为运行->交互->产生结果->结束。让程序有更多的可能性。 简单的代码示例如下: fun main(args:Array<String>) { var a=readLine() println...

Py_csdn_的博客 433

18650电池组流体直冷热管理仿真:COMSOL多物理场耦合建模路线与实战策略

在动力电池与储能系统的热管理设计中,多物理场耦合仿真已成为平衡性能与成本的关键工具。液冷方案的换热极限促使行业转向制冷剂直冷技术,而两相流与电池产热的强耦合特性,使得基于COMSOL的数值建模成为评估系统温升与流动分配的重要手段。工程实践中,电化学-热-流场全耦合模型与集总电池-流场简化模型各有适用场景,前者揭示电池内部微观机理,后者则以高计算效率支撑包级方案迭代。通过合理简化几何、标定内阻与熵热系数、设置等效换热边界,仿真能够准确预测直冷系统在快充或大倍率放电下的温度均匀性与压降特性,从而指导流道优化与制

weixin_33585822的博客 316

RK3568平台开发系列讲解(DMA篇)DMA engine使用

DMA传输属于异步传输,在启动传输之前,slave driver需要将此次传输的一些信息(例如src/dst的buffer、传输的方向等)提交给dma engine(本质上是dma controller driver),dma engine确认okay后,返回一个描述符(由struct dma_async_tx_descriptor抽象)。DMA_PREP_PQ_DISABLE_P、DMA_PREP_PQ_DISABLE_Q、DMA_PREP_CONTINUE,PQ有关的操作,TODO。

内核笔记 1725

Kotlin自学日记之面向对象2

之前在学习类,对象,封装,继承,多态的时候一直弄不明白这些之间的区别。 今天又琢磨了一下,有所感悟。 做了以下的区分来搞清楚这几个概念。 对象:可以理解为对事物的描述,事物具有属性和行为即数据和方法 类:类的实例是对象,对象是具体化的类。类其实就是一个抽象化的事物,将事物的属性和方法概括起来进行定义。 class Human(var name:String,var sex:String,var a...

Py_csdn_的博客 302

NR PUCCH(二)PUCCH format 2/3/4

继续看PUCCH2/3/4:PUCCH format 0和1所携带的信息bits少,UCI bits2bits,信息bit需要经过编码等过程下面分别来看。

ModemProtocol的博客 539

Kotlin自学日记之接口和抽象类的区别(上)

接口 Interface 抽象类 abstract 如何区分接口和抽象类? 以下内容转自:https://www.cnblogs.com/yongjiapei/p/5494894.html 1、抽象类和接口都不能直接实例化,如果要实例化,抽象类变量必须指向实现所有抽象方法的子类对象,接口变量必须指向实现所有接口方法的类对象。 2、抽象类要被子类继承,接口要被类实现。 3、接口只能做方法申明,...

Py_csdn_的博客 584

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Kotlin自学日记之接口和抽象类的区别(下)

上次说到了转载文章中接口和抽象类的区别。 接下来继续对每一条内容进行解释,方便自己的理解。 4. 接口里定义的变量只能是公共的静态的常量,抽象类中的变量是普通变量。 在这里指的是在Java中 接口中只能包含public、static、final类型的成员变量和public、abstract类型的成员方法。 抽象类中的抽象方法的访问类型可以是public,protected 抽象类和接口中都可以包含...

Py_csdn_的博客 389

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

心情日记

  这些日子,和同学苦苦奋斗,从一个想考研的人,硬生生地走android这条路,一路上碰到太多荆棘。也有一段时间没有写博客了,真的是没有时间,也不知道写什么,技术上的东西自己都掌握不好,所以想借此机会感慨一下。   1.梦开始的地方-----onCreate   我是从6月26日左右才开始学习android的,原本我不会去学的,因为团队需要,我们是4人团队,一开始我就抱着...

SFC0511的博客 260

android项目开发实战入门瞬间日记,kotlin面试题

其实很简单就下面这张图,含概了Android所有需要学的知识点,一共8大板块:架构师筑基必备技能Android框架体系架构(高级UI+FrameWork源码)360°Androidapp全方位性能调优设计思想解读开源框架NDK模块开发移动架构师专题项目实战环节移动架构师不可不学习微信小程序混合开发的flutterAndroid学习的资料我呢,把上面八大板块的分支都系统的做了一份学习系统的资料和视频,大概就下面这些,我就不全部写出来了,不然太长了影响大家的阅读。

2401_83641360的博客 717

牛B了,耗时6个月小米,京东,百度的Android高级工程师联名,纯手稿打造了这份2246页PDF面试学习笔记

看到这篇文章的人不知道有多少是和我一样的Android程序员。35岁,这是我们这个行业普遍的失业高发阶段,这种情况下如果还不提升自己的技能,进阶发展,我想,很可能就是本行业的职业生涯的终点了。我们要有危机意识,切莫等到一切都成定局时才开始追悔莫及。只要有规划的,有系统地学习,进阶提升自己并不难,给自己多充一点电,你才能走的更远。千里之行始于足下。这是上小学时,那种一元钱一个的日记本上每一页下面都印刷有的一句话,当时只觉得这句话很短,后来渐渐长大才慢慢明白这句话的真正的含义。

afsdfrsg的博客 941

2017 上半年我整理的好文章(上)(98 篇)

对上半年所分享的文章进行一个整理,很多读者当时忘记了收藏,以致于查找一篇历史文章很费劲,因此在这里顺便做下记录。目前就分下下面几个大类,没有更多细分,已基本可以查找了。 如果觉得博客还是有些不方便,请戳此处 App 系列(高仿、练手等)SmartRecom:一款干货满满,助你进阶的 App 项目Android 仿今日头条的开源项目手把手教你从零开始做一个好看的 APPKeepGank.IO -

code小生 1万+

字节跳动春招面试几轮,WARNING! 配置不当,2024年哔哩哔哩Android高级面试题及答案

看到这篇文章的人不知道有多少是和我一样的Android程序员。35岁,这是我们这个行业普遍的失业高发阶段,这种情况下如果还不提升自己的技能,进阶发展,我想,很可能就是本行业的职业生涯的终点了。我们要有危机意识,切莫等到一切都成定局时才开始追悔莫及。只要有规划的,有系统地学习,进阶提升自己并不难,给自己多充一点电,你才能走的更远。千里之行始于足下。这是上小学时,那种一元钱一个的日记本上每一页下面都印刷有的一句话,当时只觉得这句话很短,后来渐渐长大才慢慢明白这句话的真正的含义。

2401_84002482的博客 617

新手的第一篇博客2018/8/7

android新手的第一篇日记博客2018/8/7 刚毕业,前端转到了alios又掉进android 当缘分来临,你只有珍惜,何必后悔去说那一万年。 —— [ 别百度,就是我说的 ] 今天看到了两位前辈的andriod学习路线。感觉这两年又有事儿做了。 转自前辈博客,一个老鸟发的公司内部整理的 Android 学习路线图 转自前辈博客,最全Android学习路线总...

weixin_42904092的博客 200

我所经历的Android面试_掘金技术征文,Android高级工程师面试题-字节跳动

看到这篇文章的人不知道有多少是和我一样的Android程序员。35岁,这是我们这个行业普遍的失业高发阶段,这种情况下如果还不提升自己的技能,进阶发展,我想,很可能就是本行业的职业生涯的终点了。我们要有危机意识,切莫等到一切都成定局时才开始追悔莫及。只要有规划的,有系统地学习,进阶提升自己并不难,给自己多充一点电,你才能走的更远。千里之行始于足下。这是上小学时,那种一元钱一个的日记本上每一页下面都印刷有的一句话,当时只觉得这句话很短,后来渐渐长大才慢慢明白这句话的真正的含义。

pckzzy117的博客 862

Android收集的文章

App 系列(高仿、练手等)http://blog.youkuaiyun.com/wufeng55/article/details/74165021 SmartRecom:一款干货满满,助你进阶的 App 项目 Android 仿今日头条的开源项目 手把手教你从零开始做一个好看的 APP KeepGank.IO - 又一款开源 Gank.IO 客户端. 欢迎 star 一个用来巩

大灰狼的小绵羊哥哥的博客 653

IT职业教育八大结构性顽疾深度剖析

IT职业教育作为连接技术人才供需的关键桥梁,其核心价值在于能力转化实效性。然而当前行业普遍存在课程内容滞后于企业真实技术栈、讲师教学能力与工程实践脱节、就业数据口径失真、项目实训缺乏需求模糊性与协作真实性等系统性问题。这些问题本质源于教育生长周期与资本交付周期的冲突、信息不对称被制度化为竞争优势、以及缺乏第三方能力认证与效果审计机制。面向零基础转行者、教培从业者及机构决策者,本文聚焦课程实效性、讲师能力模型、企业用人反馈机制等关键维度,揭示‘3个月速成’幻象背后的11.3个月真实成长规律,为理性选择与系统改

xiang_fu的博客 464

Kotlin高阶函数(上)

maxby/minby filter map any 高阶函数:把函数作为参数传入,这样的函数称为高阶函数,函数式编程就是指这种高度抽象的编程范式。 在Kotlin中,也有一些高阶函数,能够帮助我们简化代码,降低实现功能所需的代码量。接下来我将列出几个常见的高阶函数并对源码进行分析,以方便记忆和理解。 maxby/minby 顾名思义,maxby和minby就是求得最大值和最小值的方法。通常,...

Py_csdn_的博客 1143

Kotlin高阶函数(下)

count find groupBy count count用来统计符合条件的数据的个数 首先来看它的源码: public inline fun <T> Iterable<T>.count(predicate: (T) -> Boolean): Int { if (this is Collection && isEmpty()) retur...

Py_csdn_的博客 683
上一篇: Kotlin自学日记之helloworld
下一篇: Kotlin自学日记之简单的循环遍历
Py_csdn_
博客等级 码龄8年 30粉丝 27原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值