文科生想成为 iOS 开发者需要学习哪些知识?从一无所知到精通大概需要多长时间?

本文为文科生提供iOS开发入门指南,包括所需学习的课程、技能及算法导论,以及从零基础到精通所需的时间估算。强调通过免费资源自学iOS开发的可能性,并指出成为高效、具备商业价值的iOS开发者还需掌握算法知识。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

166


刘虓震
闻过则喜,见贤思齐

166 票,来自  谢耀冯骁马召  更多
最近有三个相关问题都是你问的吧?我刚在其中一个回复了。现在重定向到这里来⋯⋯

正好我也在从头学iOS开发,一点个人理解供参考:

斯坦福大学有公开免费的iOS开发课程CS193P,上课视频、讲义、作业一应俱全。
这门课程的预修要求是另外两门课:CS106A/CS106B. 
这三门课的视频都有中文字幕。可惜并不全,后面会详细讲。如果你的英文程度足够好,当然就无所谓中文字幕了。

CS106A即编程方法学,该课无预修要求,是斯坦福大学的校选修课。非理工科学生也可选。第一堂课老师说:你只要知道如何开关机就能学这门课。既然你能上知乎,我想学这门课应该没有问题了。
网易公开课: v.163.com/special (28集中文字幕全)
斯坦福公开资料: see.stanford.edu/see/course

CS106B即抽象编程,该课的预修要求是CS106A. 所以上完前面一门课继续上这门就可以了。不过这门课的中文字幕迟迟没有翻译完成。
网易公开课: v.163.com/special(27集翻译至第8集)
斯坦福公开资料: see.stanford.edu/see/course

斯坦福推荐在修CS193P之前最好再修一门CS107编程范式:
see.stanford.edu/see/course
目前没有看到公开的中文字幕,但是人人影视去年招募志愿者翻译,看情况已经在进行中了:
yyets.com/thread-2
等你学完前两门课,可能他们也能把这门课翻译个八九不离十吧。 

CS193P在网易公开课上也有字幕,但是是针对iOS4.0版本的。斯坦福去年已经推出针对iOS5.0版本的课程。幸运的是,CocoaChina上有人自己在翻译,目前译到第12课。
CocoaChina中英字幕版: cocoachina.com/bbs/read
斯坦福公开资料: stanford.edu/class

CS193P学完以后,你肯定能自己制作出有意义的iOS App并将其上架了。但是要成为真正的iOS developer,个人认为还是有一定距离。做一个高效的,具备商业价值的编程人员,至少要懂一点算法。如果做个人开发者,还要略懂美工和市场推广。这里只谈算法部分。

MIT公开课里有一门算法导论,也有上课视频:
v.163.com/special (24集译至第7集)
官方课程页面: ocw.mit.edu/courses

但是在修这门算法导论之前需要掌握一定的数学知识,主要是离散数学。对此MIT公开课里有专门的一门Mathematics for Computer Science. 
ocw.mit.edu/courses
这门课没有上课视频,并且毕竟是数学课,很抽象,所以学起来要吃力些。好在该课程的阅读材料,讲义和作业也有中文翻译。在上面的网页中,左侧有个“简体字”链接,点进去就可以看到了。

至于需要多长时间:
国外大学的课程一般是这样的:每一个课时需要三倍的课下学习时间。以CS106A为例,28个课时,上课本身加课下学习时间,大约是84小时。如果要学完最低限度的三门课,约250小时。如果要学完上述全部七门课,大约是590小时。根据以上的计算方式和自己每天可以投入的学习时间,相信你可以自己算出来需要多长时间。

当然,这是对一般的美国大学本科生而言的(而且是斯坦福和麻省理工的学生⋯⋯)。如果你的英文程度不够好,对这些课又没有任何基础,同时还没有同学和助教的帮助(对于这些较基础的课程,学校全程配备助教,每周面对面辅导),可以想见会需要更多时间。
内容概要:该论文研究增程式电动汽车(REEV)的能量管理策略,针对现有优化策略实时性差的问题,提出基于工况识别的自适应等效燃油消耗最小策略(A-ECMS)。首先建立整车Simulink模型和基于规则的策略;然后研究动态规划(DP)算法和等效燃油最小策略;接着通过聚类分析将道路工况分为四类,并设计工况识别算法;最后开发基于工况识别的A-ECMS,通过高德地图预判工况类型并自适应调整SOC分配。仿真显示该策略比规则策略节油8%,比简单SOC规划策略节油2%,并通过硬件在环实验验证了实时可行性。 适合人群:具备一定编程基础,特别是对电动汽车能量管理策略有兴趣的研发人员和技术爱好者。 使用场景及目标:①理解增程式电动汽车能量管理策略的基本原理;②掌握动态规划算法和等效燃油消耗最小策略的应用;③学习工况识别算法的设计和实现;④了解基于工况识别的A-ECMS策略的具体实现及其优化效果。 其他说明:此资源不仅提供了详细的MATLAB/Simulink代码实现,还深入分析了各算法的原理和应用场景,适合用于学术研究和工业实践。在学习过程中,建议结合代码调试和实际数据进行实践,以便更好地理解策略的优化效果。此外,论文还探讨了未来的研究方向,如深度学习替代聚类、多目标优化以及V2X集成等,为后续研究提供了思路。
内容概要:论文《基于KANN-DBSCAN带宽优化的核密度估计载荷谱外推》针对传统核密度估计(KDE)载荷外推中使用全局固定带宽的局限性,提出了一种基于改进的K平均最近邻DBSCAN(KANN-DBSCAN)聚类算法优化带宽选择的核密度估计方法。该方法通过对载荷数据进行KANN-DBSCAN聚类分组,采用拇指法(ROT)计算各簇最优带宽,再进行核密度估计和蒙特卡洛模拟外推。实验以电动汽车实测载荷数据为对象,通过统计参数、拟合度和伪损伤三个指标验证了该方法的有效性,误差显著降低,拟合度R²>0.99,伪损伤接近1。 适合人群:具备一定编程基础和载荷数据分析经验的研究人员、工程师,尤其是从事汽车工程、机械工程等领域的工作1-5年研发人员。 使用场景及目标:①用于电动汽车载荷谱编制,提高载荷预测的准确性;②应用于机械零部件的载荷外推,特别是非对称载荷分布和多峰扭矩载荷;③实现智能网联汽车载荷预测与数字孪生集成,提供动态更新的载荷预测系统。 其他说明:该方法不仅解决了传统KDE方法在复杂工况下的“过平滑”与“欠拟合”问题,还通过自适应参数机制提高了方法的普适性和计算效率。实际应用中,建议结合MATLAB代码实现,确保数据质量,优化参数并通过伪损伤误差等指标进行验证。此外,该方法可扩展至风电装备、航空结构健康监测等多个领域,未来研究方向包括高维载荷扩展、实时外推和多物理场耦合等。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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