吃 瓜 留 子
创新互联坚持“要么做到，要么别承诺”的工作理念，服务领域包括：做网站、网站建设、企业官网、英文网站、手机端网站、网站推广等服务，满足客户于互联网时代的温州网站设计、移动媒体设计的需求，帮助企业找到有效的互联网解决方案。努力成为您成熟可靠的网络建设合作伙伴！
诸葛亮不仅能种出好庄稼，而且还有一手种西瓜的好手艺。襄阳一带曾有这么一个规矩：进了西瓜园，瓜可吃饱，瓜子不能带走。传说这条“规矩”也是当年请葛亮留下来的。
诸葛亮种的西瓜，个大、沙甜、无尾酸。凡来隆中作客和路过的人都要到瓜园饱饱口福。周围的老农来向他学种瓜的经验，他毫不保留地告诉他们瓜要种在沙土地上，上麻饼或香油脚子。好多人都来问他要西瓜种子，因为以前没有注意留瓜子，许多人只好扫兴而归。第二年，西瓜又开园了，他在地头上插了个牌子，上面写道：“瓜管吃好，瓜子留下。”
诸葛亮把瓜子冼净、晒干，再分给附近的瓜农。现在，汉水两岸沙地上的贾家湖、长丰洲、小樊洲的西瓜仍有名气，个大、皮薄、味沙甜。有些地方还遵守那条“吃瓜留子”的老规矩。
神机妙算救后代
这件事情的真否无法考证，从记载来看，可能性还是有的。
相传，诸葛亮在临死前对后代说：“我死后，你们中的一个将来会遇到杀身大祸。到那时,你们把房拆了，在墙里面有一个纸包，有补救的办法。”
诸葛亮死后，司马0打下天下当了皇帝。他得知：朝廷中的一员将军是诸葛亮的后代，便想治治他。有一天，司马0找了个借口，把这个将军定了死罪。在金殿上，司马0问：“你祖父临死前说了些什么？”这个将军就一五一十地把诸葛亮的话说给他听。司马0听后，使命令上兵们把房子拆了，取出纸包。只见纸包里面有封信，上面写着“遇皇而开”。土兵们把信递给0，0打开信，只见里面写道：“访问后返三步。”0立即站起身退后三步。他刚站稳，只听“咔嚓嚓”一声响，0龙案上面正对的房顶上，一根玉掉下来。把桌椅砸得粉碎。0吓得出了一身冷汗。反过来再看信后面写道，“我救你一命，请你留我后代一命。”看完这封信，暗暗佩服诸葛亮的神机妙算。后来．他把那个将军官复原职
诸葛亮的八卦衣
在戏剧和图面中，诸葛亮都是身披八卦衣，运筹帷幄，决胜千里的姿态。据民间传说诸葛亮的八卦衣是他勤奋好学，师母所赏赐。
诸葛亮少年时代,从学于水镜先生司马徽，诸葛亮学习刻苦，勤于用脑，不但司马德操赏识，连司马的妻子对他也很器重，都喜欢这个勤奋好学，善于用脑子的少年。那时，还没有钟表，记时用日晷，遇到阴雨天没有太阳。时间就不好掌握了。为了记时，司马徽训练公鸡按时鸣叫，办法就是定时喂食。诸葛亮天资聪颖，司马先生讲的东西，他一听便会，不解求知饥渴。为了学到更多的东西，他想让先生把讲课的时间延长一些，但先生总是以鸡鸣叫为准，于是诸葛亮想：若把公鸡呜叫的时间延长，先生讲课的时间也就延长了。于是他上学时就带些粮食装在口袋里，估计鸡快叫的时候，就喂它一点粮食，鸡一吃饱就不叫了。
过了一些时候，司马先生感到奇怪，为什么鸡不按时叫了呢?经过细心观察，发现诸葛亮在鸡快叫时给鸡喂食。司马先生在上课时，就问学生，鸡为什么不按时叫鸣?其他学生都摸不着头脑。诸葛亮心里明白，可他是个诚实的人，就如实地把鸡快叫的时候喂食来延长老师授课时间的事如实报告了司马先生。司马先生很生气，当场就把他的书烧了，不让他继续读书了。诸葛亮求学心切，不能读书怎么得了，可又不能硬来，便去求司马夫人。司马夫听了请葛亮喂鸡求学遭罚之事深表同情，就向司马先生说情。司马先生说：“小小年纪．不在功课上用功夫，倒使心术欺蒙老师。这是心术不正，此人不可大就。”司马夫人反复替诸葛亮说情，说他小小年纪，虽使了点心眼，但总是为了多学点东西，并没有他图。司马先生听后觉得有理，便同意诸葛亮继续读书。
司马先生盛怒之下烧了诸葛亮的书，后经夫人劝解，又同意诸葛亮来继续读书。可没有书怎么读呢?夫人对司马先生说：“你有一千年神龟背壳，传说披在身上，能使人上知千年往事，下晓五百年未来．不妨让诸葛亮一试．如果灵验，要书作甚?”司马先生想到把书已烧了，也只好按夫人说的办。
诸葛亮将师母送的神龟背壳往身上一披，即成了他的终身服饰——八卦衣，昔日所学，历历在目，先生未讲之道，也能明白几分。
诸葛亮的鹅毛扇
诸葛亮的鹅毛扇代表着智慧和才干，所以在有关诸葛亮的戏曲中，孔明总是手拿鹅毛扇。
关于鹅毛扇，民间流传着这样的故事，黄承彦的千金小姐黄月英并非丑陋，而是一个非常聪明美丽、才华出众的姑娘。黄承彦怕有为的青年有眼不识荆山玉，故称千金为“阿丑”。阿丑黄月英不仅笔下滔滔，而且武艺超群，她曾就学于名师。艺成下山时，师傅赠送她鹅毛扇一把，上书“明”、“亮”二字。二字中还密密麻麻地藏着攻城略地、治国安邦的计策。并嘱咐她，姓名中有明亮二字者，即是你的如意郎君。后来黄承彦的乘龙快婿，就是吟啸待时、未出隆中便知天下三分的名字中有“明”、“亮”二字的未来蜀国丞相诸葛亮。结婚时，黄月英便将鹅毛扇作为礼物赠给诸葛亮。孔明对鹅毛扇爱如掌上明珠，形影不离。他这样作不仅表达了他们夫妻间真挚不渝的爱情，更主要的是熟练并运用扇上的谋略。所以不管春夏秋冬，总是手不离扇。
清朝康熙年间，襄阳观察使赵宏恩在《诸葛草庐诗》中写道：“扇摇战月三分鼎，石黯阴云八阵图”，就足以证明诸葛亮手执鹅毛扇的功用以及他手不离扇的原因。
入门选择哪门语言最好
推荐学习Java，Java相对于C语言来说更加的简单，包含的内容更加丰富，而且Java的就业方向也较广。
一 · 编程语言及其主要用途
常见的是 C Family （C系列语言），比如：C、Cpp（C++）、C Sharp（C#）、Java、Python、R、JavaScript、Objective-C、Swift、Go、Kotlin 等等。然后有很多脚本语言，Python 也在其内，比如：Ruby、Perl 等。
光说名字意义不大，所以举几个例子。
C 常用于单片机开发和一些接底层硬件的操作使用；
C++ 是 C 的超集，因为直接支持了面向对象所以更多用于游戏、图像开发方面；
C# 是微软为了把 Java 人才引入 Windows 平台设计的语言，和 Java 语法几乎一致，目前多用于服务器后端开发和 Unity 3D 的游戏开发，也有人会用这个做很多 windows 平台下的软件插件甚至常说的软件外挂（外挂其实严格说就是插件，但大陆地区已经有更深层的意义了，所以两者并列举例出来）；
Java 是目前最流行的服务器后端开发语言和 Android 开发语言，因为有大量框架和工具包的支持，Java 语言的运行速度已经不能阻挡 Java 成为服务器开发的首选语言。至于是什么服务器后端开发，题主学了 JavaEE 自然便知，通俗举例来说可以 yy 一下：我写了这篇答案，答案存在哪里呢？肯定是在知乎那边！至于怎么存、怎么取，都是后端开发需要设计的问题了。Java 也曾一度是 Android 的首选语言（虽然目前 Kotlin 的影响很多人转战 Kotlin 去了），负责 Android 顶层的 APP 层开发。
Python 是目前机器学习最流行的语言，也可以做服务器开发，有堪比 Java Spring 框架的 Django 作为支持。更多的人会使用 Python 作为机器学习、深度学习的首选语言，因为 Python 语法的简洁和类似数学式表达的规范，当然还是因为包多，很多学者科学家都会使用 Python 做科学研究。
R 语言作用类似 Python，常用于工程方面。还有一门语言是 Matlab，其实称之为语言是不恰当的，因为这是一个软件，脱离了软件就无法生存，远不是编译器那么简单的结构了。MatLab 汇集了太多的工具，便于科学从业人员快速分析数据，写出优良的程序，这种程序语言通常也称之为 Matlab；
JavaScript 是前端开发首选语言，在使用 HTML + CSS 模式绘制出页面图像后，通常都会使用 JS （JavaScript）来写交互、动画、请求、视图内容更新这些操作，这门语言是函数式也是面向对象的语言，灵活度极高，但有了 C Family 任何一门语言的基础就很容易学；
Objective-C 是苹果（Apple.Inc）开发的一门为 mac 和 iPhone 设备开发程序的语言，和 C++ 类似，也是 C 的超集，也是面向对象。但由于其太过于面向对象了（基于消息的传递数据机制）导致很不 C Family，所以对 C 系列人员上手难度偏大，比较冷门。但后来 iPhone 的崛起，导致该语言又一度热议起来；
Swift 是苹果最新发明的一门函数式编程语言，和 OC（Objective-C）的目的一样，为苹果设备而生，但苹果也提倡用该语言做工程方面的扩展，比如苹果会在宣传的时候拿它和 Python 对比。为了兼容 OC 的所有工具包，避免该语言的冷门，创造了 bridge 作为两个语言直接的桥梁，解决了语言兼容问题；
Go 语言是 Google 开发的一门函数式语言，特点是能解决大规模的高并发问题，天然支持多线程使得该语言一出来就广受关注。目前多用于机器学习和一些 Google 自己产品的开发以及后端服务器开发；
Kotlin 是大家常用的 IDEA 开发工具的开发商 Jetbrains 发明的函数式语言，这门语言是基于 JVM 进行设计的，比较完美地兼容了 Java 语言，所以前后端开发都可以使用该语言替代 Java，不确切统计是可以用比 Java 少一半的代码量完成同样的功能并拥有同样的运行效率。类似的 JVM 语言也有 Scale，但比较元老了，兼容力度不大所以也开始广受诟病；
Ruby 和 Perl 这些是典型的脚本语言，Ruby 多用于各个语言的粘合剂，Perl 是 Linux 下最常用的脚本语言，文本处理能力极强。
二 · 如何自学
这个问题其实答案很多，就像问一个人「如何才能提高分数」一样，是个「上帝问题」。我来简单解释一下什么是「上帝问题」：一个问题条件不充分，导致问题答案变数太大甚至可以出现毫无任何限制的答案，这类答案往往无意义或者意义不大，称之为「上帝问题」。
所以这个问题是没有好的答案的。
于是我便假设题主问题是：「一个时间充足、智力正常、周围电子设备允许、自律能力可以、、、等等的男生该如何自学达到学会某一门语言的目标？」
这样的话我们探讨起来可能会容易很多。
来个老套路吧，其实真的自律可以什么套路都行，自律不行，说什么都是废话。以下不是捷径，是远方：
通过视频入门（视频拥有大量的声音、图像、文字以及讲师不经意的犯错引发的笑点），视频和书不一样，视频是容纳了很多错误的，这些错误都是编程中可能会犯的，比如讲师少打了一个分号，变量名字写错了等等等等，这些在书本里面是看不到的，视频带给你的信息量远大于书本。
通过书本扎实思考，书本还是得看，必须得看，书是代表系统的、完备的，书总是一章一节地讲，不会错一个字地讲，很多东西就得从书里找，视频老师可能会讲漏，但书漏了第二版本还可以修订。至于怎么选好书，三步筛选：是否有第二版（或者第三四五... 版本）、豆瓣评价、实地摸（怎么说都不如自己去摸一摸，试试就知道适不适合自己了）
以一本书为主，其余书为辅，不出数月即可见效。
然后练习项目，此时你已经有了一定的基础了，而且在学习过程中肯定也是不断地码代码练习小项目小题目。此时你需要更多的时间去做更大的项目，通常很多杂牌书后面都会附一两个项目实战，可以试试手。项目必须练，这会让你成为和以前不同的两个人。
学习java，就来北京尚学堂
《软件故事》（[美] 史蒂夫·洛尔）电子书网盘下载免费在线阅读
资源链接：
链接：
密码：g82l
书名：软件故事
作者：[美] 史蒂夫·洛尔
译者：张沛玄
豆瓣评分：7.2
出版社：人民邮电出版社
出版年份：2014-7
页数：259
内容简介：
“本书语言流畅细腻，读起来如沐春风。它犹如一部波澜壮阔的计算机史诗，讲述了软件革命的恢弘历史，以及中流砥柱们的光辉事迹。故事并不是断断续续的，因为作者采用了微型传记的形式……他把历史写成了优美的散文，生动迷人又严谨有度。”
——David Gelernter，《纽约时报》
“这是一本给人启迪的著作，完美地展现了想象力的巨大力量。如果你想象得到，并把它编成代码，那么一定能够改变世界！”
——Boston Sunday Globe
“本书把难懂的技术概念讲解得通俗易懂。对于那些对计算机内在结构好奇的人，这是一本能让其豁然开朗的好书。计算机科学界的前辈John McCarthy曾向作者抱怨过新闻记者的无知，本书就是作者对此作出的回应……与计算机行业相关的所有新闻记者都应该读一读这本书。”
——《纽约时报书评》
“这不是一本通常意义上的书，而是一部史诗。它讲述的不是技术，而是那些设计编程语言和计算机软件的名人的故事……本书内容清晰易懂，简明扼要。软件工程让程序员不需要材料和工具也能有所创造，他们为此兴奋不已。他们能够凭空创造新的事物，唯一的限制就是自己的想象力。”
——《国际先驱论坛报》
“如果本书作者是一名程序员，那么他写的代码一定清晰有序，不需要复杂的结构或者奇怪的快捷方式就能跳转到正确的子程序上；他的写作风格也是如此。本书化繁为简，让读者与数学专家、桥牌高手、象棋大师、特立独行的科学家、批判传统观念的人，以及掀起软件革命的程序员们进行了一次愉悦的会面。”
——《新闻周刊》
“本书展现了技术缔造者们面对的挑战，是本旷世杰作。”
——《自然》周刊
聆听软件行业发展的精彩故事
领悟软件巨擘的深邃思想
放飞想象力，通过编码改变世界
Steve Lohr（作者）《纽约时报》高级作家和技术通讯记者，U .S. v. Microsoft一书合著者，现居住于纽约。
张沛玄（译者）1992年毕业于北京理工大学飞行器工程系固体火箭发动机专业，获得工学学士学位。2001年重回母校管理与经济学院就读，2004年毕业并获工商管理硕士学位。早年他曾从事软件开发，担任IT公司高级管理工作多年。
作者简介：
Steve Lohr，《纽约时报》高级作家和技术通讯记者，U .S. v. Microsoft一书合著者，现居住于纽约。
如何选书
选择一本合适的数据科学书至关重要，一本不适合的书会浪费你的时间以及精力。
有时候，书的大纲可能正合你意。但是随着你深入阅读时，可能会发现作者只触及了表面，并不够深入。这种情况之前也发在我的身上，我写这篇文章就是为了让你避免这种情况。
当我们选择数据科学相关书籍时，可以考录一下几点：
· 看作者的个人简介：能够帮助了解作者的背景，他的研究和主要兴趣，同时也展现了本书的一些细节。但也要给新的作者机会，不要把这一点作为关键。
· 仔细阅读序言：大部分图书在网上都能免费阅读其序言部分。请仔细阅读该部分。大多数情况下，在此部分作者不仅会介绍写书背景，也会阐述各章节的细节。
· 选择有独立章节的书：这是我的个人喜好，比较一本技术型的书不是小说。虽然从书中由易到难、逐步学习很重要，但选择一本或多或少带有独立章节的书能让你结构性的把握此书。
· 去书店逛逛：虽然如今可以在网上找到所有的东西，但是在书店可以给你更直观的感受。有时候，当浏览一本书的关键章节时，我可能会改变主意，去选择另一本书。
· 阅读在线评论：首先不要相信所有评论，毕竟评论是主观的，但在线评论可以了解人们对此书的普遍看法。我们常说：不要以一本书的封面来判断其好坏。亚马逊的评论值得参考，人们会对作者做出有见地的评论和批评。
感兴趣的书籍
数据科学有很多好书，在本文末尾，我列出了39本我所读过的数据分析书籍。如果列表中没有涵盖你认为优质的书，请给我留言。
详细的回顾
一次回顾一堆书是一个艰巨的任务。将所有这些书放在一起的原因是，我认为概念和理论上有一些重叠的部分，其中最具挑战是大部分时间它们都是以不同的词汇呈现和阐述的。以下是我列出的，在阅读数据科学书之前值得一看的理想书籍清单。记住，你永远不会从一本书中获得足够的知识，因为科学领域是非常复杂的，一本书是远远不够的。
在下文中，我根据每个标准选择了这些书籍中的前5名。
书籍长度（页数）
一本书的长度确实取决于所探讨的内容。虽然这不是对质量的衡量标准，但我们可以假设你阅读的内容越多，所获得的知识就越多。以下是我根据书籍中探讨的内容多少排名前5名的书籍。
The Elements of Statistical Learning
Trevor Hastie and Robert Tibshirani
Python in a Nutshell: A Desktop Quick Reference
Alex Martelli, Anna Ravenscroft, Steve Holden
Data Structures and Algorithms in Python
Michael T. Goodrich and Roberto Tamassia
Doing Data Science
Cathy O’Neil and Rachel Schutt
Python Machine Learning
Sebastian Raschka
写作风格
对科学领域进行阐述很有挑战性，不能让每个人都满意，这取决于目标受众。有些作者有这方面的天赋，能够以简单明了的方式传达复杂的概念。同样，通过巧妙的结构和良好的学习方式解释概念，有助于学习。以下是写作风格方面前5名的书籍。
The Elements of Statistical Learning
Trevor Hastie and Robert Tibshirani
Python Machine Learning
Sebastian Raschka
The Art of Data Science
Roger D. Peng, Elizabeth Matsui
Machine Learning: The Art and Science of Algorithms that Make Sense of Data
Peter Flach
Real World Machine Learning
Henrik Brink and Joseph Richards
结构
教授数据科学并非易事，但也没有那么难，我们只需了解应如何构建内容，从而确保信息被保留。关于这点有两个主要的方法。我们可以构建独立的模块，当中的内容可以不具备相关性，但还是属于数据科学分析流程的内容。单独阐述这些概念不需按照顺序。
另一方面，人们可以通过以难度递增的顺序来构建内容，就像大多数教学书籍中一样。例如关于回归，书中以最基本形式的回归开始，并加以越来越多的变化和最复杂形式的回归。以下是结构性排名前五的书籍。
The Elements of Statistical Learning
Trevor Hastie and Robert Tibshirani
Python Machine Learning
Sebastian Raschka
Modern Python CookBook
Steven F. Lott
Docker in Practice
Ian Miell and Aidan Hobson Sayers
Ensemble Methods: Foundations and Algorithms
Zhi-Hua Zhou
内容
怎样就算太过了？从哪儿开始记叙？应该涉及什么内容，跳过什么内容？这些都是写数据科学相关书籍是会遇到的问题。一些作者会选择涵盖一个非常具体的领域，当查看这些作者的学术资料时，我们看到他们的研究与著作之间的联系。大多数时候，这些作者写的不是一般的数据科学书籍，而是他们的研究的一部分。他们的目标受众也比较狭窄。另一方面，一些作者针对数据科学教学，关注的是基本的和全局的部分，而不是细节。这类书籍常常涉及使用R语言或Python的回归，分类，以及使用模块进行数据分析等等。
通过封面判断一本书？
大多数人都说不要这么做。但我不认同这点。我们会用封面来判断一本书的好坏吗？我们需要、且必须这么做。当然，这里说的不是这本书的外部封面，而是在序言中可以看到的，书第一部的介绍性段落。在这部分，作者大部分都详细介绍了本书各个章节的细节。有时，作者会偏离他们最初对书籍的设想。这是正常的，这个领域正在快速发现，观点也是如此。但是一本好书总能够遵循其最初的设想。
解释的深度
作者在解释时会深入到哪个程度？我认为这与我在这篇文章中提到的很多观点有关。这与内容，结构和长度之间存在关联性。解释的深度能够区分好的作者，作者传达的信息中包含的内容，关系到你能够吸收知识，特别是那种会在大脑中留存很长时间的知识。因此，作者的技能在这占很重要的角色。因为他们必须掌握内容背后的真谛，这使得他们在解释问题时能够深入，同时避免读者脱离本书的大框架。
代码解释
代码很重要，但不是必需的。如果这本书的主要目的是为了解释特定的方法，算法和方法在后台如何工作，那么最好的方法是从头开始重新实现一个算法。尽管很多人会说：“为什么要这么麻烦，我们有对应的模块啊”，那么我只能建议他们换一本书，因为他们选错书了。重新实现的过程，能够让你感受到为了优化库的可扩展性所投入的精力。根据上下文，一些书只是为了教会你如何使用特定的库和包，这种书大多时候被称为cookbook，这类书作者会依赖笔记（分享在GitHub或其他版本控制平台用于对他们的书进行补充）。通过作者，你会发现足够的代码能够通过解释一些联系，从而帮助你掌握特定的主题。
The Elements of Statistical Learning
Trevor Hastie and Robert Tibshirani
Python Machine Learning
Sebastian Raschka
Modern Python CookBook
Steven F. Lott
Docker in Practice
Ian Miell and Aidan Hobson Sayers
Ensemble Methods: Foundations and Algorithms
Zhi-Hua Zhou
结语
这是一个非常主观的分类，如果你有不同的看法，欢迎给我留言。
附：39本数据科学相关推荐书籍
Doing Data Science
Cathy O’Neil and Rachel Schutt
Docker in Action
Jeff Nickoloff The Art Of R Programming
Norman Matloff
Introducing Data Science
Davy Cielen and Arno Meysman
Learning Predictive Analytics with Python
Ashish Kumar
Data Structures and Algorithms in Python
Michael T. Goodrich and Roberto Tamassia
Amazon Web Services in Action
Andreas Wittig and Michael Wittig
Spark for Python Developers
Amit Nandi
Machine Learning : A probabilistic perspective
Kevin P. Murphy
Real World Machine Learning
Henrik Brink and Joseph Richards
iPython Interactive Computing and Visualization Cookbook
Cyrille Rossant
Mastering Machine Learning with scikit-learn
Gavin Hackeling
Python Data Science Cookbook
Gopi Subramanian
Building Machine Learning Systems with Python
Willi Richert and Luis Pedro Coelho
Hadoop The Definitive Guide
Tom White
Statistical Learning with Sparsity
Trevor Hastie and Robert Tibshirani
The Elements of Statistical Learning
Trevor Hastie and Robert Tibshirani
Fluent Python
Luciano Ramalho
Thoughtful Machine Learning
Matthew Kirk
Machine Learning with R Cookbook
Yu-Wei, Chiu (David Chiu)
Docker in Practice
Ian Miell and Aidan Hobson Sayers
Data Science and Big Data Analytics
EMC Education Services
Mastering Object-Oriented Python
Steven F. Lott
Machine Learning with Spark
Nick Pentreath
Machine Learning for Hackers
Drew Conway and John Myles White
Data Science for Business
Foster Provost and Tom Fawcett
Developing Analytic Talent
Vincent Granville
Think Python : How to Think Like a Computer Scientist
Allen B. Downey
Python Algorithms
Magnus Lie Hetland
Python Cookbook
David Beazley and Brian K. Jones
Testing Python
David Sale
Programming Collective Intelligence
Toby Segaran
Data Analysis with open source tools
Philipp K. Janert
Python in a Nutshell: A Desktop Quick Reference
Alex Martelli, Anna Ravenscroft, Steve Holden
Python Machine Learning
Sebastian Raschka
The Art of Data Science
Roger D. Peng, Elizabeth Matsui
Machine Learning: The Art and Science of Algorithms that Make Sense of Data
Peter Flach
Modern Python CookBook
Steven F. Lott
Ensemble Methods: Foundations and Algorithms
Zhi-Hua Zhou
原文链接：
计算机科学是一个庞大的学科体系，在学习的过程中要对这个体系的知识都有一定的了解，好看以及推荐一些书籍清单。数学，算法和数据结构作为计算机科学的底层学科对于深入了解计算机运作模式等是必不可少的，深入理解计算机系统（CSAPP），名称上来看这本书讲的是对系统的深入挖掘，然而本书非常适合作为一个入门读物，在了解计算机前开始阅读，可以对计算机相关概念有一个简要的了解。计算机程序的构造和解释（SICP），本书讲的是从数据抽象、过程抽象、迭代、高阶函数等编程和控制系统复杂性的思想，到数据结构和算法，到编译器/解释器、编程语言设计。算法导论，MIT 的经典算法教材，虽然可能其中的伪代码表示法不适合所有的人轻松阅读，但是对于算法描述的地位依然非常靠前。具体数学》，本书介绍了计算机的数学基础，内容涉及求和、取整函数、数论、二项式系数、特殊数、母函数（发生函数）、离散概率、渐近等，面向从事计算机科学、计算数学、计算技术诸方面。
