Self-Paced Training Kit (Exam 70-561): Microsoft® .NET Framework 3.5 ADO.NET Application Development...

本书针对微软认证考试70-561,由三位专家合著,覆盖ADO.NET应用开发所有考点,特别深入讲解EntityFramework,适合自学者和技术人员提升技能。

有幸领受为这本书写书评的任务,深感荣幸。感谢MS Press 给我这个宝贵的机会。

 

我先说说Self-Paced,我以我为微软认证讲师(MCT)的角度来说,Self-Paced 是微软认证考生的良师益友。也可以说是MS Press 的一个知名品牌。Self-Paced 以我的眼光来看,代表着针对性、精炼、专业、实用。说到针对性,Self-Paced系列书籍,是为微软认证考生准备微软认证考试的权威教材。即使考生因为某种原因无法参加微软官方认证课程(MOC)的学习,通过Self-Paced教材也可以应对微软认证考试。Self-Paced系列书籍,有一个典型的特点,那就是会把知识点成体系的呈现在读者面前,为考生起到提纲挈领的作用。没有婉转的辞藻,开篇就直奔主题,绝不会用成篇类读的废话打击读者的积极性。说到专业,Self-Paced的作者不是微软产品组的专家,就是长期在相关领域有着丰富经验的资深人士。Self-Paced书籍的权威性绝不亚于MSDN的文档。说到这里,如果您认为Self-Paced系列书籍仅仅是为了应对微软认证考试的参考资料,那您就大错特错了。因为编写Self-Paced书籍的作者们充分考虑到了技术的实用性,他们会结合实际的例子、实验讲解一系列的知识点,让读者们掌握技术的同时,也能够了解到这些技术的适用场景。

 

下面让我们来说说这本《TS70-561 Microsoft .NET Framework 3.5 ADO.NET Application Development》 。这本书的作者。三位作者各个背景非凡。 Shawn Wildermuth 专注于.NET 相关技术,参与编写过五本微软认证相关书籍,可谓是微软认证教材的资深作者。其另一本ADO.NET 专著也被著名的IT书籍出版商Addison-Wesley 出版。另一位Mark Blomsma 是连续四年的微软最有价值专家(MVP),同时他也是一位资深的讲师。最后一位Jim Wightman 常年专注于SQL SERVER 2005/2008 以及ADO.NET 数据访问技术。这三位组成的作者阵容对于这本数来说可以说是绝配。

 

70-561 这门考试,是微软认证开发专家(MCPD)系列考试中的一门。如果您想获得MCPD for .NET 3.5 Enterprise Developer 证书的话,就必须通过这门考试。我在今年3月份通过了这门考试,相关情况,您可以参考我以前的有关这门考试的博客文章。我用了三个晚上的时间通读了这四百多页的书籍。就其知识点而言,完全覆盖了70-561 这门考试所考察的知识点。70-561 的准备向导内容都可以在本书中找到。尤其值得提出的是该书的第九章Entity Framework 以精炼、详实的手法仔细地阐述了Entity Framework的技术重点。我个人感觉比阅读MSDN的相关文档舒服多了(当初为了准备考试,着实被MSDNEDM文档蹂躏了一阵子)

 

以我个人经验来看,这本书既是微软认证考试的自学教材,也是对自己ADO.NET 知识查漏补缺的良师益友。既是您从没有打算考取微软认证,即使您觉得您已经是ADO.NET 方面的专家了,我仍然向您推荐这本书。因为从我这三天的阅读以及通过70-561这门微软认证考试的经验来看,这本书仍然告诉了我一些我曾经忽略的东西。本书唯一的不足就是其$69.99 的高昂价格,以我个人的收入水平成套的购入Self-Paced 系列书籍还是可望不可及的事儿,希望MS Press 能够在中国给出一个我们普通人负担得起的价格,让大家也可以通过Self-Paced 系列书籍受益。

转载于:https://www.cnblogs.com/michaellee/archive/2009/05/24/1488511.html

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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