編程不難 (全彩圖解 + 微課 + Python 編程)
薑偉生
- 出版商: 清華大學
- 出版日期: 2024-05-01
- 定價: $1,608
- 售價: 8.5 折 $1,367
- 語言: 簡體中文
- 頁數: 660
- ISBN: 7302660336
- ISBN-13: 9787302660330
-
相關分類:
Python、程式語言
-
相關翻譯:
AI 時代 Math 元年 - 用 Python 全精通程式設計 (繁中版)
立即出貨 (庫存=1)
買這商品的人也買了...
-
世界第一簡單馬達$280$252 -
統計學習理論基礎$258$245 -
$305Android Telephony 原理解析與開發指南 -
$393深度學習的數學 -
人工智能算法 捲1 基礎算法$354$336 -
機器學習的數學基礎 : AI、深度學習打底必讀$580$458 -
特徵工程不再難：資料科學新手也能輕鬆搞定！ (Feature Engineering Made Easy: Identify unique features from your dataset in order to build powerful machine learning systems)$520$406 -
$403機器學習中的概率統計：Python 語言描述 -
人工智能算法 捲2 受大自然啟發的算法$414$393 -
$611金融中的機器學習 -
NLP 大神 RNN 網路：Python 原始程式碼手把手帶你寫$890$703 -
$704嵌入式實時操作系統 — 基於 ARM Mbed OS 的應用實踐 -
從零開始學 Unity 遊戲開發：場景 + 角色 + 腳本 + 交互 + 體驗 + 效果 + 發布$708$673 -
Unity 手機遊戲開發：從搭建到發布上線全流程實戰$588$559 -
$454PID 控制系統設計 — 使用 MATLAB 和 Simulink 模擬與分析 -
$607利用 Python 實現概率、統計及機器學習方法（原書第2版） -
精通機器學習算法$1,014$963 -
$1,223矩陣力量 (線性代數全彩圖解 + 微課 + Python 編程) -
強化學習演算法入門$419$398 -
$1,316統計至簡 (概率統計全彩圖解 + 微課 + Python 編程) -
可視之美（數據可視化+數學藝術+學術繪圖+Python創意編程）$1,548$1,471 -
數據分析實戰 — 90個精彩案例帶你快速入門$354$336 -
Python 金融數據分析$1,074$1,020 -
機器學習 (全彩圖解 + 微課 + Python編程)$1,428$1,357 -
數據有道（數據分析+圖論與網絡+微課+Python編程）$1,428$1,357
相關主題
商品描述
《編程不難:全彩圖解+微課+Python編程》是“鳶尾花數學大系—從加減乘除到機器學習”叢書的第一冊，也是“編程”板塊的第一冊， 著重介紹如何零基礎入門學 Python 編程。雖然《編程不難:全彩圖解+微課+Python編程》主要講解 Python 編程，但是也離不開數學。《編程不難:全彩圖解+微課+Python編程》盡量 避免講解數學概念公式，而且用圖形和近乎口語化的語言描述程序設計、數據分析、機器學習背後常用的 數學思想。 《編程不難:全彩圖解+微課+Python編程》分為預備、語法、繪圖、數組、數據、數學、機器學習、應用八大板塊， 共 36 章， 內容“跨度”極大！ 從 Python 基本編程語法，到基本可視化工具，再到各種數據操作工具，還介紹常用 Python 實現的各種復 雜數學運算，進入數據分析和機器學習之後，還講解如何搭建應用 App。我們可以把《編程不難:全彩圖解+微課+Python編程》看作從 Python 編 程角度對“鳶尾花書”全系內容的總覽。 《編程不難:全彩圖解+微課+Python編程》提供代碼示例和講解，而且提供習題，每章還配套 Jupyter Notebook 代碼文件（Jupyter Notebook 不是可有可無的，而是學習生態的關鍵一環， “鳶尾花書”強調在 JupyterLab 自主探究學習才能提高大家 編程技能）。《編程不難:全彩圖解+微課+Python編程》配套微課也主要以配套 Jupyter Notebooks 為核心，希望讀者邊看視頻，邊動手練習。 《編程不難:全彩圖解+微課+Python編程》讀者群包括所有試圖用編程解決問題的朋友，尤其適用於初級程序員進階、高級數據分析師、機器學習開發者。
目錄大綱
目錄
緒論 ????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 1
第 1章 聊聊“巨蟒” 9
1.1 Python? 巨蟒 ? 10
1.2 Python 和可視化有什麽關系 ? 14
1.3 Python 和數學有什麽關系 ? 14
1.4 Python 和機器學習有什麽關系 ? 20
1.5 相信“反復 + 精進 ”的力量！ 21
第 2章 安裝使用Anaconda 29
2.1 集成開發環境 30
2.2 如何安裝 Anaconda? 31
2.3 測試 JupyterLab 33
2.4 查看 Python 第三方庫版本號 35
2.5 安裝、更新、卸載 Python 第三方庫 38
第 3章 JupyterLab，用起來！ 41
3.1 什麽是 JupyterLab? 42
3.2 使用 JupyterLab：立刻用起來 43
3.3 快捷鍵：這一章可能最有用的內容 48
3.4 什麽是 LaTeX? 51
3.5 字母和符號 52
3.6 用 LaTex 寫公式 57
第4章 Python語法，邊學邊用 63
4.1 Python 也有語法 ? 64
4.2 註釋：不被執行，卻很重要 66
4.3 縮進：四個空格，標識代碼塊 69
4.4 變量：一個什麽都能裝的箱子 72
4.5 使用 import 導入包 74
4.6 Pythonic：Python 風格 76
第 5章 Python數據類型 77
5.1 數據類型有哪些 ? 78
5.2 數字：整數、浮點數、復數 79
5.3 字符串：用引號定義的文本 81
5.4 列表：存儲多個元素的序列 88
5.5 其他數據類型：元組、集合、字典 94
5.6 矩陣、向量：線性代數概念 95
第 6章 Python常見運算 101
6.1 幾類運算符 102
6.2 算術運算符 103
6.3 比較運算符 105
6.4 邏輯運算符 106
6.5 賦值運算符 107
6.6 成員運算符 108
6.7 身份運算符 108
6.8 優先級 109
6.9 聊聊 math 庫 109
6.10 聊聊 random 庫和 statistics 庫 113
第 7章 Python控制結構 123
7.1 什麽是控制結構？ 124
7.2 條件語句：相當於開關 126
7.3 for循環語句 129
7.4 列表生成式 138
7.5 迭代器itertools 143
第 8章 Python函數 147
8.1 什麽是 Python 函數 ? 148
8.2 自定義函數 152
8.3 更多自定義線性代數函數 160
8.4 遞歸函數：自己反復調用自己 164
8.5 位置參數、關鍵字參數 165
8.6 使用 *args 和 **kwargs 167
8.7 匿名函數 169
8.8 構造模塊、庫 170
8.9 模仿別人的代碼 171
第 9章 Python面向對象編程 175
9.1 什麽是面向對象編程 ? 176
9.2 定義屬性 178
9.3 定義方法 180
9.4 裝飾器 181
9.5 父類、子類 182
第 10章 聊聊可視化 ??????????????????????????????????????????????????????????????????????????????????????????????? 187
10.1 解剖一幅圖 188
10.2 使用 Matplotlib 繪制線圖 190
10.3 圖片美化 198
10.4 使用 Plotly 繪制線圖 202
第 11章 二維和三維可視化 209
11.1 二維可視化方案 210
11.2 二維散點圖 210
11.3 二維等高線圖 216
11.4 熱圖 222
11.5 三維可視化方案 225
11.6 三維散點圖 229
11.7 三維線圖 231
11.8 三維網格曲面圖 232
11.9 三維等高線圖 234
11.10 箭頭圖 235
第 12章 Seaborn可視化數據 ?????????????????????????????????????????????????????????????????????????????????? 239
12.1 Seaborn：統計可視化利器 240
12.2 一元特徵數據 241
12.3 二元特徵數據 252
12.4 多元特徵數據 257
第 13章 聊聊NumPy ??????????????????????????????????????????????????????????????????????????????????????????????? 265
13.1 什麽是 NumPy? 266
13.2 手動構造數組 267
13.3 生成數列 273
13.4 生成網格數據 274
13.5 特殊數組 276
13.6 隨機數 276
13.7 數組導入、導出 280
第 14章 NumPy索引和切片 ??????????????????????????????????????????????????????????????????????????????????? 283
14.1 什麽是索引、切片 ? 284
14.2 一維數組索引、切片 284
14.3 視圖 vs 副本 287
14.4 二維數組索引、切片 289
第 15章 NumPy常見運算 ??????????????????????????????????????????????????????????????????????????????????????? 293
15.1 加、減、乘、除、乘冪 294
15.2 廣播原則 295
15.3 統計運算 298
15.4 常見函數 301
第 16章 NumPy數組規整 ??????????????????????????????????????????????????????????????????????????????????????? 307
16.1 從 reshape() 函數說起 309
16.2 一維數組 → 行向量、列向量 310
16.3 一維數組 → 二維數組 311
16.4 一維數組 → 三維數組 312
16.5 視圖 vs 副本 312
16.6 轉置 313
16.7 扁平化 314
16.8 旋轉、翻轉 314
16.9 堆疊 315
16.10 重復 317
16.11 分塊矩陣 318
第 17章 NumPy線性代數 321
17.1 NumPy 的 linalg 模塊 322
17.2 拆解矩陣 323
17.3 向量運算 325
17.4 矩陣運算 329
17.5 幾個常見矩陣分解 333
第18章 NumPy愛因斯坦求和約定 337
18.1 什麽是愛因斯坦求和約定？ 338
18.2 二維數組求和 340
18.3 轉置 341
18.4 矩陣乘法 343
18.5 一維數組 345
18.6 方陣 346
18.7 統計運算 347
第 19章 聊聊Pandas ??????????????????????????????????????????????????????????????????????????????????????????????? 351
19.1 什麽是 Pandas? 353
19.2 創建數據幀：從字典、列表、NumPy 數組 354
19.3 數據幀操作：以鳶尾花數據為例 357
19.4 四則運算：各列之間 363
19.5 統計運算：聚合、降維、壓縮、折疊 365
19.6 時間序列：按時間順序排列的數據 368
第 20章 Pandas快速可視化 ?????????????????????????????????????????????????????????????????????????????????? 373
20.1 Pandas 的可視化功能 374
20.2 線圖：pandas.DataFrame.plot() 375
20.3 散點圖 378
20.4 柱狀圖 381
20.5 箱型圖 382
20.6 直方圖和核密度估計曲線 382
第 21章 Pandas索引和切片 ??????????????????????????????????????????????????????????????????????????????????? 385
21.1 數據幀的索引和切片 ??????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 386
21.2 提取特定列 387
21.3 提取特定行 388
21.4 提取特定元素 388
21.5 條件索引 389
21.6 多層索引 391
21.7 時間序列數據幀索引和切片 395
第 22章 Pandas規整 ?????????????????????????????????????????????????????????????????????????????????????????????? 399
22.1 Pandas 數據幀規整 400
22.2 拼接：pandas.concat() 401
22.3 合並：pandas.join() 402
22.4 合並：pandas.merge() 405
22.5 長格式轉換為寬格式：pivot() 409
22.6 寬格式轉換為長格式：stack() 411
22.7 長格式轉換為寬格式：unstack() 414
22.8 分組聚合：groupby() 415
22.9 自定義操作：apply() 417
第 23章 Plotly統計可視化 ????????????????????????????????????????????????????????????????????????????????????? 421
23.1 Plotly 常見可視化方案：以鳶尾花數據為例 422
23.2 增加一組分類標簽 424
23.3 兩組標簽：兩個維度 428
23.4 可視化比例：柱狀圖、餅圖 432
23.5 鑽取：多個層次之間的導航和探索 434
23.6 太陽爆炸圖：展示層次結構 438
23.7 增加第三切割維度 440
23.8 平均值的鑽取：全集 vs 子集 447
第 24章 Pandas時間序列數據 ?????????????????????????????????????????????????????????????????????????????? 453
24.1 什麽是時間序列 ? 454
24.2 缺失值：用 NaN 表示 457
24.3 移動平均：一種平滑技術 460
24.4 收益率：相對漲跌 462
24.5 統計分析：均值、波動率等 464
24.6 相關性：也可以隨時間變化 474
第 25章 SymPy符號運算 481
25.1 什麽是 SymPy? 482
25.2 代數 482
25.3 線性代數 487
第 26章 SciPy數學運算 ?????????????????????????????????????????????????????????????????????????????????????????? 499
26.1 什麽是 SciPy ？ 500
26.2 距離 502
26.3 插值 507
26.4 高斯分佈 510
第 27章 Statsmodels統計模型 ?????????????????????????????????????????????????????????????????????????????? 517
27.1 什麽是 Statsmodels? 518
27.2 二維散點圖 + 橢圓 519
27.3 最小二乘線性回歸 522
27.4 主成分分析 524
27.5 概率密度估計：高斯 KDE 535
第 28章 Scikit-Learn機器學習 545
28.1 什麽是機器學習 ? 546
28.2 有標簽數據、無標簽數據 549
28.3 回歸：找到自變量與因變量關系 550
28.4 降維：降低數據維度，提取主要特徵 551
28.5 分類：針對有標簽數據 552
28.6 聚類：針對無標簽數據 553
28.7 什麽是 Scikit-Learn? 554
第29章 Scikit-Learn數據 555
29.1 Scikit-Learn 中有關數據的工具 557
29.2 樣本數據集 557
29.3 生成樣本數據 558
29.4 特徵縮放 561
29.5 處理缺失值 563
29.6 處理離群值 566
29.7 訓練集 vs 測試集 570
第30章 Scikit-Learn回歸 573
30.1 聊聊回歸 574
30.2 一元線性回歸 575
30.3 二元線性回歸 577
30.4 多項式回歸 579
30.5 正則化：抑制過度擬合 584
第 31章 Scikit-Learn降維 ??????????????????????????????????????????????????????????????????????????????????????? 589
31.1 降維 590
31.2 主成分分析 591
31.3 兩特徵 PCA 595
31.4 三特徵 PCA 601
第 32章 Scikit-Learn分類 ?????????????????????????????????????????????????????????????????????????????????????? 605
32.1 什麽是分類？ 606
32.2 k 最近鄰分類：近朱者赤，近墨者黑 607
32.3 高斯樸素貝葉斯分類：貝葉斯定理的應用 611
32.4 支持向量機：間隔最大化 613
32.5 核技巧：數據映射到高維空間 616
第 33章 Scikit-Learn聚類 ?????????????????????????????????????????????????????????????????????????????????????? 619
33.1 聚類 620
33.2 K 均值聚類 621
33.3 高斯混合模型 624
第 34章 瞭解一下Spyder ??????????????????????????????????????????????????????????????????????????????????????? 633
34.1 什麽是 Spyder? 634
34.2 Spyder 用起來 637
34.3 快捷鍵：這章可能最有用的內容 639
第 35章 Streamlit搭建Apps ??????????????????????????????????????????????????????????????????????????????????? 641
35.1 什麽是 Streamlit ？ 642
35.2 顯示 645
35.3 可視化 646
35.4 輸入工具 647
35.5 App 佈局 649
第 36章 Streamlit搭建機器學習Apps ?????????????????????????????????????????????????????????????????? 653
36.1 搭建應用 App：編程 + 數學 + 可視化 + 機器學習 654
36.2 一元高斯分佈 654
36.3 二元高斯分佈 655
36.4 三元高斯分佈 656
36.5 多項式回歸 657
36.6 主成分分析 657
36.7 k 最近鄰分類 658
36.8 支持向量機 + 高斯核 659
36.9 高斯混合模型聚類 660
