掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
>
Python大戰(zhàn)機(jī)器學(xué)習(xí)-數(shù)據(jù)科學(xué)家的第一個(gè)小目標(biāo)
包郵 Python大戰(zhàn)機(jī)器學(xué)習(xí)-數(shù)據(jù)科學(xué)家的第一個(gè)小目標(biāo)
作者：華校專,王正林編著
開本：
32開
頁(yè)數(shù)：
435
本類五星書更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥45.9
加入購(gòu)物車
Python大戰(zhàn)機(jī)器學(xué)習(xí)-數(shù)據(jù)科學(xué)家的第一個(gè)小目標(biāo) 版權(quán)信息
- ISBN：9787121308949
- 條形碼：9787121308949 ; 978-7-121-30894-9
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>
Python大戰(zhàn)機(jī)器學(xué)習(xí)-數(shù)據(jù)科學(xué)家的第一個(gè)小目標(biāo) 本書特色
數(shù)據(jù)科學(xué)家是當(dāng)下炙手可熱的職業(yè)，機(jī)器學(xué)習(xí)則是他們的**技能，機(jī)器學(xué)習(xí)在大數(shù)據(jù)分析中居于核心的地位，在互聯(lián)網(wǎng)、金融保險(xiǎn)、制造業(yè)、零售業(yè)、醫(yī)療等產(chǎn)業(yè)領(lǐng)域發(fā)揮了越來越大的作用且日益受到關(guān)注。Python是又好又熱門的編程語言之一，以簡(jiǎn)單易學(xué)、應(yīng)用廣泛、類庫(kù)強(qiáng)大而著稱，是實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法的zui佳語言。 《Python大戰(zhàn)機(jī)器學(xué)習(xí)：數(shù)據(jù)科學(xué)家的第—個(gè)小目標(biāo)》以快速上手、四分理論六分實(shí)踐為出發(fā)點(diǎn)，講述機(jī)器學(xué)習(xí)的算法和Python編程實(shí)踐，采用“原理筆記精華 算法Python實(shí)現(xiàn) 問題實(shí)例 實(shí)際代碼 運(yùn)行調(diào)參”的形式展開，理論與實(shí)踐結(jié)合，算法原理與編程實(shí)戰(zhàn)并重。全書共13 章分為4篇展開：第—篇：機(jī)器學(xué)習(xí)基礎(chǔ)篇（第1～6 章），講述機(jī)器學(xué)習(xí)的基礎(chǔ)算法，包括線性模型、決策樹、貝葉斯分類、k近鄰法、數(shù)據(jù)降維、聚類和EM算法；第二篇：機(jī)器學(xué)習(xí)高級(jí)篇（第7～10章），講述經(jīng)典而常用的高級(jí)機(jī)器學(xué)習(xí)算法，包括支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、半監(jiān)督學(xué)習(xí)和集成學(xué)習(xí)；第三篇：機(jī)器學(xué)習(xí)工程篇（第11～12章），講述機(jī)器學(xué)習(xí)工程中的實(shí)際技術(shù)，包括數(shù)據(jù)預(yù)處理，模型評(píng)估、選擇與驗(yàn)證等。第四篇：kaggle實(shí)戰(zhàn)篇（第13章），講述一個(gè)kaggle競(jìng)賽題目的實(shí)戰(zhàn)。《Python大戰(zhàn)機(jī)器學(xué)習(xí)：數(shù)據(jù)科學(xué)家的第—個(gè)小目標(biāo)》內(nèi)容豐富、深入淺出，算法與代碼齊頭并進(jìn)，無論你是新手還是有經(jīng)驗(yàn)的讀者，都能快速學(xué)到你想要的。《Python大戰(zhàn)機(jī)器學(xué)習(xí)：數(shù)據(jù)科學(xué)家的第—個(gè)小目標(biāo)》可供為高等院校計(jì)算機(jī)、金融、數(shù)學(xué)、自動(dòng)化及相關(guān)理工科專業(yè)的本科生或研究生使用，也可供對(duì)機(jī)器學(xué)習(xí)感興趣的研究人員和工程技術(shù)人員閱讀參考。
Python大戰(zhàn)機(jī)器學(xué)習(xí)-數(shù)據(jù)科學(xué)家的第一個(gè)小目標(biāo) 內(nèi)容簡(jiǎn)介
數(shù)據(jù)科學(xué)家是當(dāng)下炙手可熱的職業(yè)，機(jī)器學(xué)習(xí)則是他們的**技能，機(jī)器學(xué)習(xí)在大數(shù)據(jù)分析中居于核心的地位，在互聯(lián)網(wǎng)、金融保險(xiǎn)、制造業(yè)、零售業(yè)、醫(yī)療等產(chǎn)業(yè)領(lǐng)域發(fā)揮了越來越大的作用且日益受到關(guān)注。Python是*好*熱門的編程語言之一，以簡(jiǎn)單易學(xué)、應(yīng)用廣泛、類庫(kù)強(qiáng)大而著稱，是實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法的首選語言。 本書以快速上手、四分理論六分實(shí)踐為出發(fā)點(diǎn)，講述機(jī)器學(xué)習(xí)的算法和Python編程實(shí)踐，采用“原理筆記精華+算法Python實(shí)現(xiàn)+問題實(shí)例+實(shí)際代碼+運(yùn)行調(diào)參”的形式展開，理論與實(shí)踐結(jié)合，算法原理與編程實(shí)戰(zhàn)并重。全書共13 章分為4篇展開：**篇：機(jī)器學(xué)習(xí)基礎(chǔ)篇（第1～6 章），講述機(jī)器學(xué)習(xí)的基礎(chǔ)算法，包括線性模型、決策樹、貝葉斯分類、k近鄰法、數(shù)據(jù)降維、聚類和EM算法；第二篇：機(jī)器學(xué)習(xí)高級(jí)篇（第7～10章），講述經(jīng)典而常用的高級(jí)機(jī)器學(xué)習(xí)算法，包括支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、半監(jiān)督學(xué)習(xí)和集成學(xué)習(xí)；第三篇：機(jī)器學(xué)習(xí)工程篇（第11～12章），講述機(jī)器學(xué)習(xí)工程中的實(shí)際技術(shù)，包括數(shù)據(jù)預(yù)處理，模型評(píng)估、選擇與驗(yàn)證等。第四篇：kaggle實(shí)戰(zhàn)篇（第13章），講述一個(gè)kaggle競(jìng)賽題目的實(shí)戰(zhàn)。本書內(nèi)容豐富、深入淺出，算法與代碼齊頭并進(jìn)，無論你是新手還是有經(jīng)驗(yàn)的讀者，都能快速學(xué)到你想要的。本書可供為高等院校計(jì)算機(jī)、金融、數(shù)學(xué)、自動(dòng)化及相關(guān)理工科專業(yè)的本科生或研究生使用，也可供對(duì)機(jī)器學(xué)習(xí)感興趣的研究人員和工程技術(shù)人員閱讀參考。
Python大戰(zhàn)機(jī)器學(xué)習(xí)-數(shù)據(jù)科學(xué)家的第一個(gè)小目標(biāo) 目錄
**篇 機(jī)器學(xué)習(xí)基礎(chǔ)篇1
第1 章 線性模型 2
1.1 概述2
1.2 算法筆記精華2
1.2.1 普通線性回歸2
1.2.2 廣義線性模型5
1.2.3 邏輯回歸5
1.2.4 線性判別分析7
1.3 Python 實(shí)戰(zhàn)10
1.3.1 線性回歸模型11
1.3.2 線性回歸模型的正則化12
1.3.3 邏輯回歸22
1.3.4 線性判別分析26 第2 章 決策樹 30
2.1 概述30
2.2 算法筆記精華30
2.2.1 決策樹原理30
2.2.2 構(gòu)建決策樹的3 個(gè)步驟31
2.2.3 CART 算法37
2.2.4 連續(xù)值和缺失值的處理42
2.3 Python 實(shí)戰(zhàn)43
2.3.1 回歸決策樹（DecisionTreeRegressor） 43
2.3.2 分類決策樹（DecisionTreeClassifier） 49
2.3.3 決策圖54 第3 章 貝葉斯分類器 55
3.1 概述55
3.2 算法筆記精華55
3.2.1 貝葉斯定理55
3.2.2 樸素貝葉斯法56
3.3 Python 實(shí)戰(zhàn)59
3.3.1 高斯貝葉斯分類器（GaussianNB） 61
3.3.2 多項(xiàng)式貝葉斯分類器（MultinomialNB） 62
3.3.3 伯努利貝葉斯分類器（BernoulliNB） 65
3.3.4 遞增式學(xué)習(xí)partial_fit 方法69 第4 章 k 近鄰法 70
4.1 概述70
4.2 算法筆記精華70
4.2.1 kNN 三要素70
4.2.2 k 近鄰算法72
4.2.3 kd 樹73
4.3 Python 實(shí)踐74 第5章 數(shù)據(jù)降維 83
5.1 概述83
5.2 算法筆記精華83
5.2.1 維度災(zāi)難與降維83
5.2.2 主成分分析（PCA） 84
5.2.3 SVD 降維91
5.2.4 核化線性（KPCA）降維91
5.2.5 流形學(xué)習(xí)降維93
5.2.6 多維縮放（MDS）降維93
5.2.7 等度量映射（Isomap）降維96
5.2.8 局部線性嵌入（LLE） 97
5.3 Python 實(shí)戰(zhàn)99
5.4 小結(jié)118 第6章 聚類和EM 算法 119
6.1 概述119
6.2 算法筆記精華120
6.2.1 聚類的有效性指標(biāo)120
6.2.2 距離度量122
6.2.3 原型聚類123
6.2.4 密度聚類126
6.2.5 層次聚類127
6.2.6 EM 算法128
6.2.7 實(shí)際中的聚類要求136
6.3 Python 實(shí)戰(zhàn)137
6.3.1 K 均值聚類（KMeans） 138
6.3.2 密度聚類（DBSCAN） 143
6.3.3 層次聚類（AgglomerativeClustering） 146
6.3.4 混合高斯（GaussianMixture）模型149
6.4 小結(jié)153 第二篇 機(jī)器學(xué)習(xí)高級(jí)篇155
第7章 支持向量機(jī) 156
7.1 概述156
7.2 算法筆記精華157
7.2.1 線性可分支持向量機(jī)157
7.2.2 線性支持向量機(jī)162
7.2.3 非線性支持向量機(jī)166
7.2.4 支持向量回歸167
7.2.5 SVM 的優(yōu)缺點(diǎn)170
7.3 Python 實(shí)戰(zhàn)170
7.3.1 線性分類SVM 171
7.3.2 非線性分類SVM 175
7.3.3 線性回歸SVR 182
7.3.4 非線性回歸SVR 186 第8章 人工神經(jīng)網(wǎng)絡(luò) 192
8.1 概述192
8.2 算法筆記精華192
8.2.1 感知機(jī)模型192
8.2.2 感知機(jī)學(xué)習(xí)算法194
8.2.3 神經(jīng)網(wǎng)絡(luò)197
8.3 Python 實(shí)戰(zhàn)205
8.3.1 感知機(jī)學(xué)習(xí)算法的原始形式205
8.3.2 感知機(jī)學(xué)習(xí)算法的對(duì)偶形式209
8.3.3 學(xué)習(xí)率與收斂速度212
8.3.4 感知機(jī)與線性不可分?jǐn)?shù)據(jù)集213
8.3.5 多層神經(jīng)網(wǎng)絡(luò)215
8.3.6 多層神經(jīng)網(wǎng)絡(luò)與線性不可分?jǐn)?shù)據(jù)集216
8.3.7 多層神經(jīng)網(wǎng)絡(luò)的應(yīng)用219 第9章 半監(jiān)督學(xué)習(xí) 225
9.1 概述225
9.2 算法筆記精華226
9.2.1 生成式半監(jiān)督學(xué)習(xí)方法226
9.2.2 圖半監(jiān)督學(xué)習(xí)228
9.3 Python 實(shí)戰(zhàn)234
9.4 小結(jié)243 第10章 集成學(xué)習(xí) 244
10.1 概述244
10.2 算法筆記精華244
10.2.1 集成學(xué)習(xí)的原理及誤差244
10.2.2 Boosting 算法246
10.2.3 AdaBoost 算法246
10.2.4 AdaBoost 與加法模型252
10.2.5 提升樹253
10.2.6 Bagging 算法256
10.2.7 誤差-分歧分解257
10.2.8 多樣性增強(qiáng)259
10.3 Python 實(shí)戰(zhàn)260
10.3.1 AdaBoost 261
10.3.2 Gradient Tree Boosting 272
10.3.3 Random Forest 288
10.4 小結(jié)298 第三篇 機(jī)器學(xué)習(xí)工程篇299
第11章 數(shù)據(jù)預(yù)處理 300
11.1 概述300
11.2 算法筆記精華300
11.2.1 去除唯一屬性300
11.2.2 處理缺失值的三種方法301
11.2.3 常見的缺失值補(bǔ)全方法302
11.2.4 特征編碼307
11.2.5 數(shù)據(jù)標(biāo)準(zhǔn)化、正則化308
11.2.6 特征選擇310
11.2.7 稀疏表示和字典學(xué)習(xí)313
11.3 Python 實(shí)踐316
11.3.1 二元化316
11.3.2 獨(dú)熱碼317
11.3.3 標(biāo)準(zhǔn)化321
11.3.4 正則化325
11.3.5 過濾式特征選取326
11.3.6 包裹式特征選取330
11.3.7 嵌入式特征選取334
11.3.8 學(xué)習(xí)器流水線（Pipeline） 339
11.3.9 字典學(xué)習(xí)340 第12 章 模型評(píng)估、選擇與驗(yàn)證 345
12.1 概述345
12.2 算法筆記精華346
12.2.1 損失函數(shù)和風(fēng)險(xiǎn)函數(shù)346
12.2.2 模型評(píng)估方法348
12.2.3 模型評(píng)估349
12.2.4 性能度量350
12.2.5 偏差方差分解356
12.3 Python 實(shí)踐357
12.3.1 損失函數(shù)357
12.3.2 數(shù)據(jù)集切分359
12.3.3 性能度量370
12.3.4 參數(shù)優(yōu)化387 第四篇 Kaggle 實(shí)戰(zhàn)篇401
第13 章 Kaggle 牛刀小試 402
13.1 Kaggle 簡(jiǎn)介402
13.2 清洗數(shù)據(jù)403
13.2.1 加載數(shù)據(jù)403
13.2.2 合并數(shù)據(jù)406
13.2.3 拆分?jǐn)?shù)據(jù)407
13.2.4 去除唯一值408
13.2.5 數(shù)據(jù)類型轉(zhuǎn)換410
13.2.6 Data_Cleaner 類412
13.3 數(shù)據(jù)預(yù)處理415
13.3.1 獨(dú)熱碼編碼415
13.3.2 歸一化處理419
13.3.3 Data_Preprocesser 類421
13.4 學(xué)習(xí)曲線和驗(yàn)證曲線424
13.4.1 程序說明424
13.4.2 運(yùn)行結(jié)果430
13.5 參數(shù)優(yōu)化433
13.6 小結(jié)435 全書符號(hào) 436
第1 章 線性模型 2
1.1 概述2
1.2 算法筆記精華2
1.2.1 普通線性回歸2
1.2.2 廣義線性模型5
1.2.3 邏輯回歸5
1.2.4 線性判別分析7
1.3 Python 實(shí)戰(zhàn)10
1.3.1 線性回歸模型11
1.3.2 線性回歸模型的正則化12
1.3.3 邏輯回歸22
1.3.4 線性判別分析26 第2 章 決策樹 30
2.1 概述30
2.2 算法筆記精華30
2.2.1 決策樹原理30
2.2.2 構(gòu)建決策樹的3 個(gè)步驟31
2.2.3 CART 算法37
2.2.4 連續(xù)值和缺失值的處理42
2.3 Python 實(shí)戰(zhàn)43
2.3.1 回歸決策樹（DecisionTreeRegressor） 43
2.3.2 分類決策樹（DecisionTreeClassifier） 49
2.3.3 決策圖54 第3 章 貝葉斯分類器 55
3.1 概述55
3.2 算法筆記精華55
3.2.1 貝葉斯定理55
3.2.2 樸素貝葉斯法56
3.3 Python 實(shí)戰(zhàn)59
3.3.1 高斯貝葉斯分類器（GaussianNB） 61
3.3.2 多項(xiàng)式貝葉斯分類器（MultinomialNB） 62
3.3.3 伯努利貝葉斯分類器（BernoulliNB） 65
3.3.4 遞增式學(xué)習(xí)partial_fit 方法69 第4 章 k 近鄰法 70
4.1 概述70
4.2 算法筆記精華70
4.2.1 kNN 三要素70
4.2.2 k 近鄰算法72
4.2.3 kd 樹73
4.3 Python 實(shí)踐74 第5章 數(shù)據(jù)降維 83
5.1 概述83
5.2 算法筆記精華83
5.2.1 維度災(zāi)難與降維83
5.2.2 主成分分析（PCA） 84
5.2.3 SVD 降維91
5.2.4 核化線性（KPCA）降維91
5.2.5 流形學(xué)習(xí)降維93
5.2.6 多維縮放（MDS）降維93
5.2.7 等度量映射（Isomap）降維96
5.2.8 局部線性嵌入（LLE） 97
5.3 Python 實(shí)戰(zhàn)99
5.4 小結(jié)118 第6章 聚類和EM 算法 119
6.1 概述119
6.2 算法筆記精華120
6.2.1 聚類的有效性指標(biāo)120
6.2.2 距離度量122
6.2.3 原型聚類123
6.2.4 密度聚類126
6.2.5 層次聚類127
6.2.6 EM 算法128
6.2.7 實(shí)際中的聚類要求136
6.3 Python 實(shí)戰(zhàn)137
6.3.1 K 均值聚類（KMeans） 138
6.3.2 密度聚類（DBSCAN） 143
6.3.3 層次聚類（AgglomerativeClustering） 146
6.3.4 混合高斯（GaussianMixture）模型149
6.4 小結(jié)153 第二篇 機(jī)器學(xué)習(xí)高級(jí)篇155
第7章 支持向量機(jī) 156
7.1 概述156
7.2 算法筆記精華157
7.2.1 線性可分支持向量機(jī)157
7.2.2 線性支持向量機(jī)162
7.2.3 非線性支持向量機(jī)166
7.2.4 支持向量回歸167
7.2.5 SVM 的優(yōu)缺點(diǎn)170
7.3 Python 實(shí)戰(zhàn)170
7.3.1 線性分類SVM 171
7.3.2 非線性分類SVM 175
7.3.3 線性回歸SVR 182
7.3.4 非線性回歸SVR 186 第8章 人工神經(jīng)網(wǎng)絡(luò) 192
8.1 概述192
8.2 算法筆記精華192
8.2.1 感知機(jī)模型192
8.2.2 感知機(jī)學(xué)習(xí)算法194
8.2.3 神經(jīng)網(wǎng)絡(luò)197
8.3 Python 實(shí)戰(zhàn)205
8.3.1 感知機(jī)學(xué)習(xí)算法的原始形式205
8.3.2 感知機(jī)學(xué)習(xí)算法的對(duì)偶形式209
8.3.3 學(xué)習(xí)率與收斂速度212
8.3.4 感知機(jī)與線性不可分?jǐn)?shù)據(jù)集213
8.3.5 多層神經(jīng)網(wǎng)絡(luò)215
8.3.6 多層神經(jīng)網(wǎng)絡(luò)與線性不可分?jǐn)?shù)據(jù)集216
8.3.7 多層神經(jīng)網(wǎng)絡(luò)的應(yīng)用219 第9章 半監(jiān)督學(xué)習(xí) 225
9.1 概述225
9.2 算法筆記精華226
9.2.1 生成式半監(jiān)督學(xué)習(xí)方法226
9.2.2 圖半監(jiān)督學(xué)習(xí)228
9.3 Python 實(shí)戰(zhàn)234
9.4 小結(jié)243 第10章 集成學(xué)習(xí) 244
10.1 概述244
10.2 算法筆記精華244
10.2.1 集成學(xué)習(xí)的原理及誤差244
10.2.2 Boosting 算法246
10.2.3 AdaBoost 算法246
10.2.4 AdaBoost 與加法模型252
10.2.5 提升樹253
10.2.6 Bagging 算法256
10.2.7 誤差-分歧分解257
10.2.8 多樣性增強(qiáng)259
10.3 Python 實(shí)戰(zhàn)260
10.3.1 AdaBoost 261
10.3.2 Gradient Tree Boosting 272
10.3.3 Random Forest 288
10.4 小結(jié)298 第三篇 機(jī)器學(xué)習(xí)工程篇299
第11章 數(shù)據(jù)預(yù)處理 300
11.1 概述300
11.2 算法筆記精華300
11.2.1 去除唯一屬性300
11.2.2 處理缺失值的三種方法301
11.2.3 常見的缺失值補(bǔ)全方法302
11.2.4 特征編碼307
11.2.5 數(shù)據(jù)標(biāo)準(zhǔn)化、正則化308
11.2.6 特征選擇310
11.2.7 稀疏表示和字典學(xué)習(xí)313
11.3 Python 實(shí)踐316
11.3.1 二元化316
11.3.2 獨(dú)熱碼317
11.3.3 標(biāo)準(zhǔn)化321
11.3.4 正則化325
11.3.5 過濾式特征選取326
11.3.6 包裹式特征選取330
11.3.7 嵌入式特征選取334
11.3.8 學(xué)習(xí)器流水線（Pipeline） 339
11.3.9 字典學(xué)習(xí)340 第12 章 模型評(píng)估、選擇與驗(yàn)證 345
12.1 概述345
12.2 算法筆記精華346
12.2.1 損失函數(shù)和風(fēng)險(xiǎn)函數(shù)346
12.2.2 模型評(píng)估方法348
12.2.3 模型評(píng)估349
12.2.4 性能度量350
12.2.5 偏差方差分解356
12.3 Python 實(shí)踐357
12.3.1 損失函數(shù)357
12.3.2 數(shù)據(jù)集切分359
12.3.3 性能度量370
12.3.4 參數(shù)優(yōu)化387 第四篇 Kaggle 實(shí)戰(zhàn)篇401
第13 章 Kaggle 牛刀小試 402
13.1 Kaggle 簡(jiǎn)介402
13.2 清洗數(shù)據(jù)403
13.2.1 加載數(shù)據(jù)403
13.2.2 合并數(shù)據(jù)406
13.2.3 拆分?jǐn)?shù)據(jù)407
13.2.4 去除唯一值408
13.2.5 數(shù)據(jù)類型轉(zhuǎn)換410
13.2.6 Data_Cleaner 類412
13.3 數(shù)據(jù)預(yù)處理415
13.3.1 獨(dú)熱碼編碼415
13.3.2 歸一化處理419
13.3.3 Data_Preprocesser 類421
13.4 學(xué)習(xí)曲線和驗(yàn)證曲線424
13.4.1 程序說明424
13.4.2 運(yùn)行結(jié)果430
13.5 參數(shù)優(yōu)化433
13.6 小結(jié)435 全書符號(hào) 436
展開全部
Python大戰(zhàn)機(jī)器學(xué)習(xí)-數(shù)據(jù)科學(xué)家的第一個(gè)小目標(biāo) 作者簡(jiǎn)介
華校專，計(jì)算機(jī)專業(yè)碩士。畢業(yè)后曾在部隊(duì)從事專業(yè)相關(guān)工作，并研讀了大量專業(yè)書籍在，從操作系統(tǒng)底層到應(yīng)用APP開發(fā)，并且仿照 C STL 的風(fēng)格實(shí)現(xiàn)了各種算法（算法導(dǎo)論的C 實(shí)現(xiàn)已經(jīng)放在個(gè)人的github上），目前已從部隊(duì)退役，并順利拿到了阿里的算法工程師offer。
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
山海經(jīng)
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
月亮虎
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
龍榆生：詞曲概論/大家小書
- >
莉莉和章魚
- >
詩(shī)經(jīng)-先民的歌唱
本類暢銷
