中圖網(wǎng)小程序
一鍵登錄
更方便
>
>
Python大學(xué)教程 面向計算機(jī)科學(xué)和數(shù)據(jù)科學(xué)
包郵 Python大學(xué)教程 面向計算機(jī)科學(xué)和數(shù)據(jù)科學(xué)
開本：
16開
頁數(shù)：
736
本類五星書更多>
-
>
全國計算機(jī)等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
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)
Python大學(xué)教程 面向計算機(jī)科學(xué)和數(shù)據(jù)科學(xué) 版權(quán)信息
- ISBN：9787111717911
- 條形碼：9787111717911 ; 978-7-111-71791-1
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
Python大學(xué)教程 面向計算機(jī)科學(xué)和數(shù)據(jù)科學(xué) 本書特色
面向初學(xué)者的Python入門教程，內(nèi)容涵蓋Python基礎(chǔ)知識，Python數(shù)據(jù)結(jié)構(gòu)、字符串和文件，面向?qū)ο缶幊獭⑦f歸、搜索、排序和性能分析，以及AI、大數(shù)據(jù)和云計算領(lǐng)域的案例研究。全書共包含538個案例研究、471個練習(xí)和項目以及557道自我測驗習(xí)題，通過基于IPython和Jupyter Notebook的即時反饋，以及豐富的開源庫和可視化方法，幫助讀者快速提升編程能力和解決實際問題的能力。
Python大學(xué)教程 面向計算機(jī)科學(xué)和數(shù)據(jù)科學(xué) 內(nèi)容簡介
本書是面向初學(xué)者的Python人門教程，內(nèi)容涵蓋Python基礎(chǔ)知識，Python數(shù)據(jù)結(jié)構(gòu)、字符串和文件，面向?qū)ο缶幊獭⑦f歸、搜索、排序和性能分析，以及AI、大數(shù)據(jù)和云計算領(lǐng)域的案例研究。全書共包含538個案例研究、471道練習(xí)題和項目以及557道自我測驗題，通過基于IPython和Jupyter Notebook的即時反饋，以及豐富的開源庫和可視化方法，幫助讀者快速提升編程能力和解決實際問題的能力。本書適合作為高等院校計算機(jī)科學(xué)和數(shù)據(jù)科學(xué)等專業(yè)的教材，也適合程序設(shè)計初學(xué)者和愛好者閱讀參考。
Python大學(xué)教程 面向計算機(jī)科學(xué)和數(shù)據(jù)科學(xué) 目錄
譯者序
前言
閱讀前的準(zhǔn)備工作
第1章 計算機(jī)和Python簡介1
1.1 簡介1
1.2 硬件和軟件2
1.2.1 摩爾定律3
1.2.2 計算機(jī)組成3
1.3 數(shù)據(jù)層級結(jié)構(gòu)4
1.4 機(jī)器語言、匯編語言和高級語言7
1.5 對象技術(shù)簡介8
1.6 操作系統(tǒng)10
1.7 Python13
1.8 庫14
1.8.1 Python標(biāo)準(zhǔn)庫15
1.8.2 數(shù)據(jù)科學(xué)庫15
1.9 其他流行的編程語言16
1.10 實踐練習(xí)：使用IPython和
Jupyter Notebook17
1.10.1 將IPython的交互式模式
當(dāng)作計算器使用17
1.10.2 使用IPython解釋器執(zhí)行
Python程序19
1.10.3 在Jupyter Notebook中
編寫和執(zhí)行代碼20
1.11 互聯(lián)網(wǎng)和萬維網(wǎng)24
1.11.1 互聯(lián)網(wǎng)：網(wǎng)絡(luò)的網(wǎng)絡(luò)25
1.11.2 萬維網(wǎng)：使互聯(lián)網(wǎng)變得對
用戶友好25
1.11.3 云計算25
1.11.4 物聯(lián)網(wǎng)26
1.12 軟件技術(shù)27
1.13 大數(shù)據(jù)有多大28
1.13.1 大數(shù)據(jù)分析32
1.13.2 數(shù)據(jù)科學(xué)和大數(shù)據(jù)正在
改變世界：用例33
1.14 案例研究：一個大數(shù)據(jù)移動
應(yīng)用34
1.15 數(shù)據(jù)科學(xué)入門：人工智能—
計算機(jī)科學(xué)和數(shù)據(jù)科學(xué)的交叉
學(xué)科35
第2章 Python程序設(shè)計概述41
2.1 簡介41
2.2 變量和賦值語句41
2.3 算術(shù)運算43
2.4 print函數(shù)、單引號字符串和
雙引號字符串47
2.5 三引號字符串48
2.6 從用戶處獲得輸入50
2.7 決策：if語句和比較操作符52
2.8 對象和動態(tài)類型56
2.9 數(shù)據(jù)科學(xué)入門：描述性統(tǒng)計學(xué)
基礎(chǔ)知識58
2.10 小結(jié)60
第3章 控制語句和程序開發(fā)63
3.1 簡介63
3.2 算法63
3.3 偽代碼64
3.4 控制語句64
3.5 if語句66
3.6 if...else和if...elif...else
語句69
3.7 while語句73
3.8 for語句74
3.8.1 可迭代變量、列表和
迭代器75
3.8.2 內(nèi)置range函數(shù)76
3.9 增廣賦值76
3.10 程序開發(fā)：序列控制重復(fù)77
3.10.1 需求說明78
3.10.2 算法的偽代碼形式78
3.10.3 Python中算法的編碼79
3.10.4 格式化字符串79
3.11 程序開發(fā)：衛(wèi)士控制重復(fù)80
3.12 程序開發(fā)：嵌套控制語句83
3.13 內(nèi)置函數(shù)range：深入審視87
3.14 使用Decimal類型表達(dá)貨幣
總量88
3.15 break和continue語句91
3.16 布爾操作符and、or和not92
3.17 數(shù)據(jù)科學(xué)入門：趨中度量—
平均數(shù)、中位數(shù)、眾數(shù)95
3.18 小結(jié)96
第4章 函數(shù)102
4.1 簡介102
4.2 函數(shù)的定義102
4.3 多參數(shù)函數(shù)105
4.4 隨機(jī)數(shù)生成106
4.5 案例研究：碰運氣游戲109
4.6 Python標(biāo)準(zhǔn)庫112
4.7 math模塊函數(shù)113
4.8 IPython的Tab補(bǔ)全114
4.9 缺省形參值115
4.10 關(guān)鍵字實參116
4.11 任意實參表117
4.12 方法：屬于對象的函數(shù)118
4.13 作用域規(guī)則118
4.14 import：深入審視120
4.15 函數(shù)的實參傳遞：深入討論122
4.16 函數(shù)調(diào)用棧124
4.17 函數(shù)式程序設(shè)計126
4.18 數(shù)據(jù)科學(xué)入門：離中度量127
4.19 小結(jié)129
第5章 序列：列表和元組133
5.1 簡介133
5.2 列表133
5.3 元組138
5.4 序列解包140
5.5 序列切片143
5.6 del語句146
5.7 給函數(shù)傳遞列表147
5.8 列表排序148
5.9 序列搜索150
5.10 其他列表方法152
5.11 用列表模擬棧154
5.12 列表解析155
5.13 生成器表達(dá)式157
5.14 過濾器、映射和化簡158
5.15 其他序列處理函數(shù)160
5.16 二維列表162
5.17 數(shù)據(jù)科學(xué)入門：模擬和靜態(tài)
可視化166
5.17.1 擲600、60 000和6 000 000
次骰子的簡單圖示166
5.17.2 擲骰實驗的頻數(shù)和百分比
的可視化167
5.18 小結(jié)174
第6章 字典和集合182
6.1 簡介182
6.2 字典182
6.2.1 創(chuàng)建字典183
6.2.2 遍歷字典184
6.2.3 基本字典操作184
6.2.4 字典方法keys和
values186
6.2.5 字典比較188
6.2.6 樣例：學(xué)生成績字典188
6.2.7 樣例：詞頻統(tǒng)計189
6.2.8 字典方法update191
6.2.9 字典解析192
6.3 集合192
6.3.1 集合比較194
6.3.2 集合的數(shù)學(xué)操作196
6.3.3 集合的可變操作符和
方法197
6.3.4 集合解析199
6.4 數(shù)據(jù)科學(xué)入門：動態(tài)可視化199
6.4.1 了解動態(tài)可視化199
6.4.2 實現(xiàn)動態(tài)可視化202
6.5 小結(jié)204
第7章 使用NumPy進(jìn)行面向
數(shù)組的編程208
7.1 簡介208
7.2 從已有數(shù)據(jù)中創(chuàng)建array209
7.3 array屬性210
7.4 用特定值填充array212
7.5 從值域中創(chuàng)建array212
7.6 列表和array的性能：引入
%timeit214
7.7 array操作符216
7.8 NumPy計算方法218
7.9 普適函數(shù)220
7.10 索引和切片221
7.11 視圖：淺拷貝223
7.12 深拷貝225
7.13 重塑和轉(zhuǎn)置226
7.14 數(shù)據(jù)科學(xué)入門：pandas Series
和DataFrame229
7.14.1 pandas Series229
7.14.2 DataFrame233
7.15 小結(jié)241
第8章 字符串：深入審視247
8.1 簡介247
8.2 格式化字符串248
8.2.1 表示類型248
8.2.2 域?qū)捄蛯R249
8.2.3 數(shù)值格式化250
8.2.4 字符串的format
方法251
8.3 拼接和重復(fù)字符串252
8.4 刪除字符串的空白符253
8.5 字符大小寫轉(zhuǎn)換254
8.6 字符串的比較操作符255
8.7 子串搜索255
8.8 子串替換257
8.9 字符串拆分和合并257
8.10 字符和字符測試方法260
8.11 原生字符串260
8.12 正則表達(dá)式簡介261
8.12.1 re模塊和fullmatch
函數(shù)262
8.12.2 子串替換和字符串拆分265
8.12.3 其他搜索函數(shù)和匹配
訪問266
8.13 數(shù)據(jù)科學(xué)入門：pandas、正則
表達(dá)式和數(shù)據(jù)整理269
8.14 小結(jié)273
第9章 文件和異常278
9.1 簡介278
9.2 文件279
9.3 文本文件處理279
9.3.1 向文本文件中寫入數(shù)據(jù)：
with語句簡介280
9.3.2 從文本文件中讀取數(shù)據(jù)281
9.4 更新文本文件283
9.5 使用JSON進(jìn)行序列化285
9.6 使用pickle進(jìn)行序列化和
反序列化存在的安全問題288
9.7 關(guān)于文件的其他補(bǔ)充288
9.8 異常處理289
9.8.1 除0異常和非法輸入289
9.8.2 try語句290
9.8.3 在一個except子句中
捕獲多個異常293
9.8.4 函數(shù)或方法能夠拋出什么
異常293
9.8.5 try代碼組應(yīng)該封裝什么
代碼293
9.9 finally子句293
9.10 顯式拋出異常296
9.11 （可選）棧展開和回溯296
9.12 數(shù)據(jù)科學(xué)入門：CSV文件綜合
處理298
9.12.1 Python標(biāo)準(zhǔn)庫模塊
csv298
9.12.2 將CVS文件讀入pandas
DataFrame301
9.12.3 讀取Titanic disaster
數(shù)據(jù)集302
9.12.4 對Titanic disaster數(shù)據(jù)集
進(jìn)行簡單的數(shù)據(jù)分析303
9.12.5 乘客年齡直方圖304
9.13 小結(jié)305
第10章 面向?qū)ο蟪绦蛟O(shè)計311
10.1 簡介311
10.2 自定義Account類313
10.2.1 Account類的試用313
10.2.2 Account類的定義314
10.2.3 組合：對象引用作為
類的成員316
10.3 屬性訪問控制317
10.4 用于訪問數(shù)據(jù)的屬性318
10.4.1 Time類的試用318
10.4.2 Time類的定義320
10.4.3 Time類定義的設(shè)計
說明324
10.5 “私有”屬性模擬325
10.6 案例研究：洗牌和切牌327
10.6.1 Card和DeckofCards
類的試用327
10.6.2 Card類：引入類屬性328
10.6.3 DeckOfCards類330
10.6.4 使用Matplotlib顯示
卡牌圖像332
10.7 繼承：基類和子類335
10.8 構(gòu)建繼承層次：引入多態(tài)性337
10.8.1 基類Commission-
Employee337
10.8.2 子類SalariedCom-
missionEmployee340
10.8.3 CommissionEmployee
和SalariedCommis-
sionEmployee的
多態(tài)處理343
10.8.4 基于對象和面向?qū)ο?br /> 程序設(shè)計的補(bǔ)充344
10.9 鴨子類型和多態(tài)344
10.10 操作符重載346
10.10.1 Complex類的試用346
10.10.2 Complex類的定義347
10.11 異常類層次和自定義異常處理349
10.12 有名元組350
10.13 Python 3.7的新數(shù)據(jù)類簡介351
10.13.1 創(chuàng)建Card數(shù)據(jù)類352
10.13.2 使用Card數(shù)據(jù)類354
10.13.3 數(shù)據(jù)類相較有名元組的
優(yōu)勢356
10.13.4 數(shù)據(jù)類相較傳統(tǒng)類的
優(yōu)勢357
10.14 使用文檔字符串和doctest
進(jìn)行單元測試357
10.15 命名空間和作用域361
10.16 數(shù)據(jù)科學(xué)入門：時間序列和
簡單線性回歸364
10.17 小結(jié)372
第11章 計算機(jī)科學(xué)思維：遞歸、
搜索、排序和大O380
11.1 簡介380
11.2 階乘381
11.3 遞歸階乘樣例381
11.4 遞歸斐波那契數(shù)列樣例383
11.5 遞歸與迭代386
11.6 搜索與排序387
11.7 線性搜索388
11.8 算法的效率：大O389
11.9 二分搜索390
11.9.1 二分搜索實現(xiàn)391
11.9.2 二分搜索的大O表示393
11.10 排序算法394
11.11 選擇排序394
11.11.1 選擇排序?qū)崿F(xiàn)394
11.11.2 實用工具函數(shù)
print_pass396
11.11.3 選擇排序的大O表示396
11.12 插入排序397
11.12.1 插入排序?qū)崿F(xiàn)397
11.12.2 插入排序的大O表示399
11.13 歸并排序399
11.13.1 歸并排序?qū)崿F(xiàn)400
11.13.2 歸并排序的大O表示403
11.14 搜索和排序算法的大O總結(jié)404
11.15 可視化算法404
11.15.1 生成器函數(shù)406
11.15.2 實現(xiàn)選擇排序動畫407
11.16 小結(jié)412
第12章 自然語言處理418
12.1 簡介418
12.2 TextBlob419
12.2.1 創(chuàng)建一個TextBlob421
12.2.2 語料化：文本的斷句和
取詞421
12.2.3 詞性標(biāo)記422
12.2.4 提取名詞短語423
12.2.5 使用TextBlob的默認(rèn)情
感分析器進(jìn)行情感分析423
12.2.6 使用NaiveBayesAnalyzer
進(jìn)行情感分析425
12.2.7 語言檢測和翻譯426
12.2.8 變形：復(fù)數(shù)化和單數(shù)化428
12.2.9 拼寫檢查和更正429
12.2.10 規(guī)范化：詞干提取和
詞形還原430
12.2.11 詞頻430
12.2.12 從WordNet中獲取定
義、同義詞和反義詞431
12.2.13 刪除停止詞433
12.2.14 n-gram模型435
12.3 用柱狀圖和詞云進(jìn)行詞頻
可視化436
12.3.1 用pandas進(jìn)行詞頻
可視化436
12.3.2 用詞云進(jìn)行詞頻可視化439
12.4 使用Textatistic進(jìn)行可讀性
評估441
12.5 使用spaCy進(jìn)行命名實體識別443
12.6 使用spaCy進(jìn)行相似性檢測445
12.7 其他NLP庫和工具446
12.8 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的自然
語言應(yīng)用447
12.9 自然語言數(shù)據(jù)集447
12.10 小結(jié)448
第13章 Twitter數(shù)據(jù)挖掘452
13.1 簡介452
13.2 Twitter API概況454
13.3 創(chuàng)建一個Twitter賬戶455
13.4 獲取Twitter憑證—創(chuàng)建
一個app455
13.5 推文中有什么457
13.6 Tweepy460
13.7 通過Tweepy與Twitter進(jìn)行
身份驗證460
13.8 從Twitter賬戶中獲取信息461
13.9 Tweepy Cursor簡介：獲取一個
賬戶的關(guān)注者和好友463
13.9.1 確定一個賬戶的關(guān)注者464
13.9.2 確定一個賬戶的關(guān)注
對象466
13.9.3 獲取一個用戶的近期
推文466
13.10 搜索近期推文468
13.11 趨勢發(fā)現(xiàn)：Twitter趨勢API470
13.11.1 熱門話題的地點470
13.11.2 獲取熱門話題列表471
13.11.3 根據(jù)熱門話題創(chuàng)建
詞云473
13.12 分析推文前的清洗/預(yù)處理
過程474
13.13 Twitter流處理API476
13.13.1 創(chuàng)建StreamListener
的子類476
13.13.2 流處理初始化478
13.14 推文情感分析480
13.15 地理編碼與地圖顯示484
13.15.1 推文的獲取和地圖顯示485
13.15.2 tweetutilities.py
中的實用工具函數(shù)488
13.15.3 LocationListener類490
13.16 存儲推文的方法491
13.17 Twitter和時間序列492
13.18 小結(jié)492
第14章 IBM Watson和認(rèn)知計算496
14.1 簡介496
14.2 IBM云賬戶和云控制臺498
14.3 Watson服務(wù)498
14.4 額外的服務(wù)和工具501
14.5 Watson開發(fā)者云Python SDK503
14.6 案例研究：旅行者隨身翻譯
應(yīng)用504
14.6.1 運行前準(zhǔn)備504
14.6.2 運行應(yīng)用505
14.6.3 SimpleLanguage-
Translator.py腳本
詳細(xì)解讀506
14.7 Watson資源515
14.8 小結(jié)517
第15章 機(jī)器學(xué)習(xí)：分類、回歸和
聚類520
15.1 簡介520
15.1.1 scikit-learn521
15.1.2 機(jī)器學(xué)習(xí)的類型522
15.1.3 scikit-learn自帶的數(shù)據(jù)集523
15.1.4 典型數(shù)據(jù)科學(xué)研究步驟524
15.2 案例研究：用k近鄰算法和Digits
數(shù)據(jù)集進(jìn)行分類（第1部分）524
15.2.1 k近鄰算法525
15.2.2 加載數(shù)據(jù)集526
15.2.3 可視化數(shù)據(jù)530
15.2.4 將數(shù)據(jù)分為訓(xùn)練集和
測試集532
15.2.5 創(chuàng)建模型533
15.2.6 訓(xùn)練模型533
15.2.7 預(yù)測數(shù)字類別534
15.3 案例研究：用k近鄰算法和Digits
數(shù)據(jù)集進(jìn)行分類（第2部分）535
15.3.1 模型準(zhǔn)確度指標(biāo)536
15.3.2 k折交叉驗證539
15.3.3 運行多個模型以選擇
模型540
15.3.4 超參數(shù)調(diào)整541
15.4 案例研究：時間序列和簡單
線性回歸542
15.5 案例研究：基于加利福尼亞
房價數(shù)據(jù)集的多元線性回歸547
15.5.1 加載數(shù)據(jù)集547
15.5.2 使用pandas探索數(shù)據(jù)549
15.5.3 可視化特征551
15.5.4 將數(shù)據(jù)分為訓(xùn)練集和
測試集554
15.5.5 訓(xùn)練模型555
15.5.6 測試模型556
15.5.7 可視化預(yù)測房價和期望
房價556
15.5.8 回歸模型指標(biāo)557
15.5.9 選擇模型558
15.6 案例研究：無監(jiān)督學(xué)習(xí)（第1
部分）—降維559
15.7 案例研究：無監(jiān)督學(xué)習(xí)（第2
部分）—k均值聚類562
15.7.1 加載Iris數(shù)據(jù)集563
15.7.2 探索Iris數(shù)據(jù)集：使用
pandas進(jìn)行描述性統(tǒng)計565
15.7.3 使用Seaborn的pairplot
可視化數(shù)據(jù)集566
15.7.4 使用KMeans評估器569
15.7.5 主成分分析降維570
15.7.6 選擇聚類評估器572
15.8 小結(jié)574
第16章 深度學(xué)習(xí)581
16.1 簡介581
16.1.1 深度學(xué)習(xí)應(yīng)用583
16.1.2 深度學(xué)習(xí)演示583
16.1.3 Keras資源584
16.2 Keras內(nèi)置數(shù)據(jù)集584
16.3 自定義Anaconda環(huán)境585
16.4 神經(jīng)網(wǎng)絡(luò)586
16.5 張量587
16.6 視覺處理的卷積神經(jīng)網(wǎng)絡(luò)和使用
MNIST數(shù)據(jù)集的多分類器589
16.6.1 加載MNIST數(shù)據(jù)集590
16.6.2 數(shù)據(jù)觀察591
16.6.3 數(shù)據(jù)準(zhǔn)備592
16.6.4 構(gòu)造神經(jīng)網(wǎng)絡(luò)594
16.6.5 訓(xùn)練和評估模型602
16.6.6 保存和加載模型606
16.7 用TensorBoard進(jìn)行神經(jīng)網(wǎng)絡(luò)
訓(xùn)練的可視化607
16.8 ConvnetJS：基于瀏覽器的深度
學(xué)習(xí)訓(xùn)練和可視化609
16.9 序列處理的循環(huán)神經(jīng)網(wǎng)絡(luò)：使用
IMDb數(shù)據(jù)集進(jìn)行情感分析610
16.9.1 加載IMDb電影點評
數(shù)據(jù)集611
16.9.2 數(shù)據(jù)觀察612
16.9.3 數(shù)據(jù)準(zhǔn)備614
16.9.4 構(gòu)造神經(jīng)網(wǎng)絡(luò)615
16.9.5 訓(xùn)練和評估模型618
16.10 深度學(xué)習(xí)模型調(diào)參618
16.11 ImageNet上預(yù)訓(xùn)練的卷積
神經(jīng)網(wǎng)絡(luò)模型619
16.12 強(qiáng)化學(xué)習(xí)621
16.12.1 Deep Q-Learning621
16.12.2 OpenAI Gym622
16.13 小結(jié)622
第17章 大數(shù)據(jù)：Hadoop、Spark、
NoSQL和IoT629
17.1 簡介629
17.2 關(guān)系型數(shù)據(jù)庫和結(jié)構(gòu)化查詢
語言632
17.2.1 books數(shù)據(jù)庫634
17.2.2 SELECT查詢637
17.2.3 WHERE子句638
17.2.4 ORDER BY子句639
17.2.5 合并來自多個表的數(shù)據(jù)：
INNER JOIN640
17.2.6 INSERT INTO語句641
17.2.7 UPDATE語句642
17.2.8 DELETE FROM語句642
17.3 NoSQL和NewSQL大數(shù)據(jù)
數(shù)據(jù)庫：導(dǎo)覽644
17.3.1 NoSQL鍵值數(shù)據(jù)庫644
17.3.2 NoSQL文檔數(shù)據(jù)庫644
17.3.3 NoSQL列數(shù)據(jù)庫645
17.3.4 NoSQL圖數(shù)據(jù)庫645
17.3.5 NewSQL數(shù)據(jù)庫646
17.4 案例研究：MongoDB JSON
文檔數(shù)據(jù)庫647
17.4.1 創(chuàng)建MongoDB Atlas
集群647
17.4.2 將tweet注入
MongoDB648
17.5 Hadoop656
17.5.1 Hadoop概述656
17.5.2 用MapReduce匯總Romeo
and Juliet的詞長度659
17.5.3 在Microsoft Azure
HDInsight上創(chuàng)建
Apache Hadoop集群659
17.5.4 Hadoop Streaming660
17.5.5 實現(xiàn)mapper661
17.5.6 實現(xiàn)reducer661
17.5.7 準(zhǔn)備運行MapReduce
示例662
17.5.8 運行MapReduce
作業(yè)663
17.6 Spark666
17.6.1 Spark概述666
17.6.2 Docker和Jupyter
Docker棧667
17.6.3 使用Spark進(jìn)行詞
統(tǒng)計669
17.6.4 在Microsoft Azure上運行
Spark Word Count672
17.7 Spark流：使用pyspark-
notebook Docker棧進(jìn)行
Twitter哈希標(biāo)注統(tǒng)計675
17.7.1 將tweet注入套接字675
17.7.2 tweet哈希標(biāo)注匯總：
Spark SQL簡介678
17.8 物聯(lián)網(wǎng)和儀表盤684
17.8.1 發(fā)布和訂閱685
17.8.2 用Freeboard儀表盤可視化
PubNub樣本實時流685
17.8.3 用Python模擬聯(lián)網(wǎng)的
恒溫器687
17.8.4 使用freeboard.io創(chuàng)建
儀表盤689
17.8.5 創(chuàng)建Python PubNub
訂閱器690
17.9 小結(jié)694
前言
閱讀前的準(zhǔn)備工作
第1章 計算機(jī)和Python簡介1
1.1 簡介1
1.2 硬件和軟件2
1.2.1 摩爾定律3
1.2.2 計算機(jī)組成3
1.3 數(shù)據(jù)層級結(jié)構(gòu)4
1.4 機(jī)器語言、匯編語言和高級語言7
1.5 對象技術(shù)簡介8
1.6 操作系統(tǒng)10
1.7 Python13
1.8 庫14
1.8.1 Python標(biāo)準(zhǔn)庫15
1.8.2 數(shù)據(jù)科學(xué)庫15
1.9 其他流行的編程語言16
1.10 實踐練習(xí)：使用IPython和
Jupyter Notebook17
1.10.1 將IPython的交互式模式
當(dāng)作計算器使用17
1.10.2 使用IPython解釋器執(zhí)行
Python程序19
1.10.3 在Jupyter Notebook中
編寫和執(zhí)行代碼20
1.11 互聯(lián)網(wǎng)和萬維網(wǎng)24
1.11.1 互聯(lián)網(wǎng)：網(wǎng)絡(luò)的網(wǎng)絡(luò)25
1.11.2 萬維網(wǎng)：使互聯(lián)網(wǎng)變得對
用戶友好25
1.11.3 云計算25
1.11.4 物聯(lián)網(wǎng)26
1.12 軟件技術(shù)27
1.13 大數(shù)據(jù)有多大28
1.13.1 大數(shù)據(jù)分析32
1.13.2 數(shù)據(jù)科學(xué)和大數(shù)據(jù)正在
改變世界：用例33
1.14 案例研究：一個大數(shù)據(jù)移動
應(yīng)用34
1.15 數(shù)據(jù)科學(xué)入門：人工智能—
計算機(jī)科學(xué)和數(shù)據(jù)科學(xué)的交叉
學(xué)科35
第2章 Python程序設(shè)計概述41
2.1 簡介41
2.2 變量和賦值語句41
2.3 算術(shù)運算43
2.4 print函數(shù)、單引號字符串和
雙引號字符串47
2.5 三引號字符串48
2.6 從用戶處獲得輸入50
2.7 決策：if語句和比較操作符52
2.8 對象和動態(tài)類型56
2.9 數(shù)據(jù)科學(xué)入門：描述性統(tǒng)計學(xué)
基礎(chǔ)知識58
2.10 小結(jié)60
第3章 控制語句和程序開發(fā)63
3.1 簡介63
3.2 算法63
3.3 偽代碼64
3.4 控制語句64
3.5 if語句66
3.6 if...else和if...elif...else
語句69
3.7 while語句73
3.8 for語句74
3.8.1 可迭代變量、列表和
迭代器75
3.8.2 內(nèi)置range函數(shù)76
3.9 增廣賦值76
3.10 程序開發(fā)：序列控制重復(fù)77
3.10.1 需求說明78
3.10.2 算法的偽代碼形式78
3.10.3 Python中算法的編碼79
3.10.4 格式化字符串79
3.11 程序開發(fā)：衛(wèi)士控制重復(fù)80
3.12 程序開發(fā)：嵌套控制語句83
3.13 內(nèi)置函數(shù)range：深入審視87
3.14 使用Decimal類型表達(dá)貨幣
總量88
3.15 break和continue語句91
3.16 布爾操作符and、or和not92
3.17 數(shù)據(jù)科學(xué)入門：趨中度量—
平均數(shù)、中位數(shù)、眾數(shù)95
3.18 小結(jié)96
第4章 函數(shù)102
4.1 簡介102
4.2 函數(shù)的定義102
4.3 多參數(shù)函數(shù)105
4.4 隨機(jī)數(shù)生成106
4.5 案例研究：碰運氣游戲109
4.6 Python標(biāo)準(zhǔn)庫112
4.7 math模塊函數(shù)113
4.8 IPython的Tab補(bǔ)全114
4.9 缺省形參值115
4.10 關(guān)鍵字實參116
4.11 任意實參表117
4.12 方法：屬于對象的函數(shù)118
4.13 作用域規(guī)則118
4.14 import：深入審視120
4.15 函數(shù)的實參傳遞：深入討論122
4.16 函數(shù)調(diào)用棧124
4.17 函數(shù)式程序設(shè)計126
4.18 數(shù)據(jù)科學(xué)入門：離中度量127
4.19 小結(jié)129
第5章 序列：列表和元組133
5.1 簡介133
5.2 列表133
5.3 元組138
5.4 序列解包140
5.5 序列切片143
5.6 del語句146
5.7 給函數(shù)傳遞列表147
5.8 列表排序148
5.9 序列搜索150
5.10 其他列表方法152
5.11 用列表模擬棧154
5.12 列表解析155
5.13 生成器表達(dá)式157
5.14 過濾器、映射和化簡158
5.15 其他序列處理函數(shù)160
5.16 二維列表162
5.17 數(shù)據(jù)科學(xué)入門：模擬和靜態(tài)
可視化166
5.17.1 擲600、60 000和6 000 000
次骰子的簡單圖示166
5.17.2 擲骰實驗的頻數(shù)和百分比
的可視化167
5.18 小結(jié)174
第6章 字典和集合182
6.1 簡介182
6.2 字典182
6.2.1 創(chuàng)建字典183
6.2.2 遍歷字典184
6.2.3 基本字典操作184
6.2.4 字典方法keys和
values186
6.2.5 字典比較188
6.2.6 樣例：學(xué)生成績字典188
6.2.7 樣例：詞頻統(tǒng)計189
6.2.8 字典方法update191
6.2.9 字典解析192
6.3 集合192
6.3.1 集合比較194
6.3.2 集合的數(shù)學(xué)操作196
6.3.3 集合的可變操作符和
方法197
6.3.4 集合解析199
6.4 數(shù)據(jù)科學(xué)入門：動態(tài)可視化199
6.4.1 了解動態(tài)可視化199
6.4.2 實現(xiàn)動態(tài)可視化202
6.5 小結(jié)204
第7章 使用NumPy進(jìn)行面向
數(shù)組的編程208
7.1 簡介208
7.2 從已有數(shù)據(jù)中創(chuàng)建array209
7.3 array屬性210
7.4 用特定值填充array212
7.5 從值域中創(chuàng)建array212
7.6 列表和array的性能：引入
%timeit214
7.7 array操作符216
7.8 NumPy計算方法218
7.9 普適函數(shù)220
7.10 索引和切片221
7.11 視圖：淺拷貝223
7.12 深拷貝225
7.13 重塑和轉(zhuǎn)置226
7.14 數(shù)據(jù)科學(xué)入門：pandas Series
和DataFrame229
7.14.1 pandas Series229
7.14.2 DataFrame233
7.15 小結(jié)241
第8章 字符串：深入審視247
8.1 簡介247
8.2 格式化字符串248
8.2.1 表示類型248
8.2.2 域?qū)捄蛯R249
8.2.3 數(shù)值格式化250
8.2.4 字符串的format
方法251
8.3 拼接和重復(fù)字符串252
8.4 刪除字符串的空白符253
8.5 字符大小寫轉(zhuǎn)換254
8.6 字符串的比較操作符255
8.7 子串搜索255
8.8 子串替換257
8.9 字符串拆分和合并257
8.10 字符和字符測試方法260
8.11 原生字符串260
8.12 正則表達(dá)式簡介261
8.12.1 re模塊和fullmatch
函數(shù)262
8.12.2 子串替換和字符串拆分265
8.12.3 其他搜索函數(shù)和匹配
訪問266
8.13 數(shù)據(jù)科學(xué)入門：pandas、正則
表達(dá)式和數(shù)據(jù)整理269
8.14 小結(jié)273
第9章 文件和異常278
9.1 簡介278
9.2 文件279
9.3 文本文件處理279
9.3.1 向文本文件中寫入數(shù)據(jù)：
with語句簡介280
9.3.2 從文本文件中讀取數(shù)據(jù)281
9.4 更新文本文件283
9.5 使用JSON進(jìn)行序列化285
9.6 使用pickle進(jìn)行序列化和
反序列化存在的安全問題288
9.7 關(guān)于文件的其他補(bǔ)充288
9.8 異常處理289
9.8.1 除0異常和非法輸入289
9.8.2 try語句290
9.8.3 在一個except子句中
捕獲多個異常293
9.8.4 函數(shù)或方法能夠拋出什么
異常293
9.8.5 try代碼組應(yīng)該封裝什么
代碼293
9.9 finally子句293
9.10 顯式拋出異常296
9.11 （可選）棧展開和回溯296
9.12 數(shù)據(jù)科學(xué)入門：CSV文件綜合
處理298
9.12.1 Python標(biāo)準(zhǔn)庫模塊
csv298
9.12.2 將CVS文件讀入pandas
DataFrame301
9.12.3 讀取Titanic disaster
數(shù)據(jù)集302
9.12.4 對Titanic disaster數(shù)據(jù)集
進(jìn)行簡單的數(shù)據(jù)分析303
9.12.5 乘客年齡直方圖304
9.13 小結(jié)305
第10章 面向?qū)ο蟪绦蛟O(shè)計311
10.1 簡介311
10.2 自定義Account類313
10.2.1 Account類的試用313
10.2.2 Account類的定義314
10.2.3 組合：對象引用作為
類的成員316
10.3 屬性訪問控制317
10.4 用于訪問數(shù)據(jù)的屬性318
10.4.1 Time類的試用318
10.4.2 Time類的定義320
10.4.3 Time類定義的設(shè)計
說明324
10.5 “私有”屬性模擬325
10.6 案例研究：洗牌和切牌327
10.6.1 Card和DeckofCards
類的試用327
10.6.2 Card類：引入類屬性328
10.6.3 DeckOfCards類330
10.6.4 使用Matplotlib顯示
卡牌圖像332
10.7 繼承：基類和子類335
10.8 構(gòu)建繼承層次：引入多態(tài)性337
10.8.1 基類Commission-
Employee337
10.8.2 子類SalariedCom-
missionEmployee340
10.8.3 CommissionEmployee
和SalariedCommis-
sionEmployee的
多態(tài)處理343
10.8.4 基于對象和面向?qū)ο?br /> 程序設(shè)計的補(bǔ)充344
10.9 鴨子類型和多態(tài)344
10.10 操作符重載346
10.10.1 Complex類的試用346
10.10.2 Complex類的定義347
10.11 異常類層次和自定義異常處理349
10.12 有名元組350
10.13 Python 3.7的新數(shù)據(jù)類簡介351
10.13.1 創(chuàng)建Card數(shù)據(jù)類352
10.13.2 使用Card數(shù)據(jù)類354
10.13.3 數(shù)據(jù)類相較有名元組的
優(yōu)勢356
10.13.4 數(shù)據(jù)類相較傳統(tǒng)類的
優(yōu)勢357
10.14 使用文檔字符串和doctest
進(jìn)行單元測試357
10.15 命名空間和作用域361
10.16 數(shù)據(jù)科學(xué)入門：時間序列和
簡單線性回歸364
10.17 小結(jié)372
第11章 計算機(jī)科學(xué)思維：遞歸、
搜索、排序和大O380
11.1 簡介380
11.2 階乘381
11.3 遞歸階乘樣例381
11.4 遞歸斐波那契數(shù)列樣例383
11.5 遞歸與迭代386
11.6 搜索與排序387
11.7 線性搜索388
11.8 算法的效率：大O389
11.9 二分搜索390
11.9.1 二分搜索實現(xiàn)391
11.9.2 二分搜索的大O表示393
11.10 排序算法394
11.11 選擇排序394
11.11.1 選擇排序?qū)崿F(xiàn)394
11.11.2 實用工具函數(shù)
print_pass396
11.11.3 選擇排序的大O表示396
11.12 插入排序397
11.12.1 插入排序?qū)崿F(xiàn)397
11.12.2 插入排序的大O表示399
11.13 歸并排序399
11.13.1 歸并排序?qū)崿F(xiàn)400
11.13.2 歸并排序的大O表示403
11.14 搜索和排序算法的大O總結(jié)404
11.15 可視化算法404
11.15.1 生成器函數(shù)406
11.15.2 實現(xiàn)選擇排序動畫407
11.16 小結(jié)412
第12章 自然語言處理418
12.1 簡介418
12.2 TextBlob419
12.2.1 創(chuàng)建一個TextBlob421
12.2.2 語料化：文本的斷句和
取詞421
12.2.3 詞性標(biāo)記422
12.2.4 提取名詞短語423
12.2.5 使用TextBlob的默認(rèn)情
感分析器進(jìn)行情感分析423
12.2.6 使用NaiveBayesAnalyzer
進(jìn)行情感分析425
12.2.7 語言檢測和翻譯426
12.2.8 變形：復(fù)數(shù)化和單數(shù)化428
12.2.9 拼寫檢查和更正429
12.2.10 規(guī)范化：詞干提取和
詞形還原430
12.2.11 詞頻430
12.2.12 從WordNet中獲取定
義、同義詞和反義詞431
12.2.13 刪除停止詞433
12.2.14 n-gram模型435
12.3 用柱狀圖和詞云進(jìn)行詞頻
可視化436
12.3.1 用pandas進(jìn)行詞頻
可視化436
12.3.2 用詞云進(jìn)行詞頻可視化439
12.4 使用Textatistic進(jìn)行可讀性
評估441
12.5 使用spaCy進(jìn)行命名實體識別443
12.6 使用spaCy進(jìn)行相似性檢測445
12.7 其他NLP庫和工具446
12.8 機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的自然
語言應(yīng)用447
12.9 自然語言數(shù)據(jù)集447
12.10 小結(jié)448
第13章 Twitter數(shù)據(jù)挖掘452
13.1 簡介452
13.2 Twitter API概況454
13.3 創(chuàng)建一個Twitter賬戶455
13.4 獲取Twitter憑證—創(chuàng)建
一個app455
13.5 推文中有什么457
13.6 Tweepy460
13.7 通過Tweepy與Twitter進(jìn)行
身份驗證460
13.8 從Twitter賬戶中獲取信息461
13.9 Tweepy Cursor簡介：獲取一個
賬戶的關(guān)注者和好友463
13.9.1 確定一個賬戶的關(guān)注者464
13.9.2 確定一個賬戶的關(guān)注
對象466
13.9.3 獲取一個用戶的近期
推文466
13.10 搜索近期推文468
13.11 趨勢發(fā)現(xiàn)：Twitter趨勢API470
13.11.1 熱門話題的地點470
13.11.2 獲取熱門話題列表471
13.11.3 根據(jù)熱門話題創(chuàng)建
詞云473
13.12 分析推文前的清洗/預(yù)處理
過程474
13.13 Twitter流處理API476
13.13.1 創(chuàng)建StreamListener
的子類476
13.13.2 流處理初始化478
13.14 推文情感分析480
13.15 地理編碼與地圖顯示484
13.15.1 推文的獲取和地圖顯示485
13.15.2 tweetutilities.py
中的實用工具函數(shù)488
13.15.3 LocationListener類490
13.16 存儲推文的方法491
13.17 Twitter和時間序列492
13.18 小結(jié)492
第14章 IBM Watson和認(rèn)知計算496
14.1 簡介496
14.2 IBM云賬戶和云控制臺498
14.3 Watson服務(wù)498
14.4 額外的服務(wù)和工具501
14.5 Watson開發(fā)者云Python SDK503
14.6 案例研究：旅行者隨身翻譯
應(yīng)用504
14.6.1 運行前準(zhǔn)備504
14.6.2 運行應(yīng)用505
14.6.3 SimpleLanguage-
Translator.py腳本
詳細(xì)解讀506
14.7 Watson資源515
14.8 小結(jié)517
第15章 機(jī)器學(xué)習(xí)：分類、回歸和
聚類520
15.1 簡介520
15.1.1 scikit-learn521
15.1.2 機(jī)器學(xué)習(xí)的類型522
15.1.3 scikit-learn自帶的數(shù)據(jù)集523
15.1.4 典型數(shù)據(jù)科學(xué)研究步驟524
15.2 案例研究：用k近鄰算法和Digits
數(shù)據(jù)集進(jìn)行分類（第1部分）524
15.2.1 k近鄰算法525
15.2.2 加載數(shù)據(jù)集526
15.2.3 可視化數(shù)據(jù)530
15.2.4 將數(shù)據(jù)分為訓(xùn)練集和
測試集532
15.2.5 創(chuàng)建模型533
15.2.6 訓(xùn)練模型533
15.2.7 預(yù)測數(shù)字類別534
15.3 案例研究：用k近鄰算法和Digits
數(shù)據(jù)集進(jìn)行分類（第2部分）535
15.3.1 模型準(zhǔn)確度指標(biāo)536
15.3.2 k折交叉驗證539
15.3.3 運行多個模型以選擇
模型540
15.3.4 超參數(shù)調(diào)整541
15.4 案例研究：時間序列和簡單
線性回歸542
15.5 案例研究：基于加利福尼亞
房價數(shù)據(jù)集的多元線性回歸547
15.5.1 加載數(shù)據(jù)集547
15.5.2 使用pandas探索數(shù)據(jù)549
15.5.3 可視化特征551
15.5.4 將數(shù)據(jù)分為訓(xùn)練集和
測試集554
15.5.5 訓(xùn)練模型555
15.5.6 測試模型556
15.5.7 可視化預(yù)測房價和期望
房價556
15.5.8 回歸模型指標(biāo)557
15.5.9 選擇模型558
15.6 案例研究：無監(jiān)督學(xué)習(xí)（第1
部分）—降維559
15.7 案例研究：無監(jiān)督學(xué)習(xí)（第2
部分）—k均值聚類562
15.7.1 加載Iris數(shù)據(jù)集563
15.7.2 探索Iris數(shù)據(jù)集：使用
pandas進(jìn)行描述性統(tǒng)計565
15.7.3 使用Seaborn的pairplot
可視化數(shù)據(jù)集566
15.7.4 使用KMeans評估器569
15.7.5 主成分分析降維570
15.7.6 選擇聚類評估器572
15.8 小結(jié)574
第16章 深度學(xué)習(xí)581
16.1 簡介581
16.1.1 深度學(xué)習(xí)應(yīng)用583
16.1.2 深度學(xué)習(xí)演示583
16.1.3 Keras資源584
16.2 Keras內(nèi)置數(shù)據(jù)集584
16.3 自定義Anaconda環(huán)境585
16.4 神經(jīng)網(wǎng)絡(luò)586
16.5 張量587
16.6 視覺處理的卷積神經(jīng)網(wǎng)絡(luò)和使用
MNIST數(shù)據(jù)集的多分類器589
16.6.1 加載MNIST數(shù)據(jù)集590
16.6.2 數(shù)據(jù)觀察591
16.6.3 數(shù)據(jù)準(zhǔn)備592
16.6.4 構(gòu)造神經(jīng)網(wǎng)絡(luò)594
16.6.5 訓(xùn)練和評估模型602
16.6.6 保存和加載模型606
16.7 用TensorBoard進(jìn)行神經(jīng)網(wǎng)絡(luò)
訓(xùn)練的可視化607
16.8 ConvnetJS：基于瀏覽器的深度
學(xué)習(xí)訓(xùn)練和可視化609
16.9 序列處理的循環(huán)神經(jīng)網(wǎng)絡(luò)：使用
IMDb數(shù)據(jù)集進(jìn)行情感分析610
16.9.1 加載IMDb電影點評
數(shù)據(jù)集611
16.9.2 數(shù)據(jù)觀察612
16.9.3 數(shù)據(jù)準(zhǔn)備614
16.9.4 構(gòu)造神經(jīng)網(wǎng)絡(luò)615
16.9.5 訓(xùn)練和評估模型618
16.10 深度學(xué)習(xí)模型調(diào)參618
16.11 ImageNet上預(yù)訓(xùn)練的卷積
神經(jīng)網(wǎng)絡(luò)模型619
16.12 強(qiáng)化學(xué)習(xí)621
16.12.1 Deep Q-Learning621
16.12.2 OpenAI Gym622
16.13 小結(jié)622
第17章 大數(shù)據(jù)：Hadoop、Spark、
NoSQL和IoT629
17.1 簡介629
17.2 關(guān)系型數(shù)據(jù)庫和結(jié)構(gòu)化查詢
語言632
17.2.1 books數(shù)據(jù)庫634
17.2.2 SELECT查詢637
17.2.3 WHERE子句638
17.2.4 ORDER BY子句639
17.2.5 合并來自多個表的數(shù)據(jù)：
INNER JOIN640
17.2.6 INSERT INTO語句641
17.2.7 UPDATE語句642
17.2.8 DELETE FROM語句642
17.3 NoSQL和NewSQL大數(shù)據(jù)
數(shù)據(jù)庫：導(dǎo)覽644
17.3.1 NoSQL鍵值數(shù)據(jù)庫644
17.3.2 NoSQL文檔數(shù)據(jù)庫644
17.3.3 NoSQL列數(shù)據(jù)庫645
17.3.4 NoSQL圖數(shù)據(jù)庫645
17.3.5 NewSQL數(shù)據(jù)庫646
17.4 案例研究：MongoDB JSON
文檔數(shù)據(jù)庫647
17.4.1 創(chuàng)建MongoDB Atlas
集群647
17.4.2 將tweet注入
MongoDB648
17.5 Hadoop656
17.5.1 Hadoop概述656
17.5.2 用MapReduce匯總Romeo
and Juliet的詞長度659
17.5.3 在Microsoft Azure
HDInsight上創(chuàng)建
Apache Hadoop集群659
17.5.4 Hadoop Streaming660
17.5.5 實現(xiàn)mapper661
17.5.6 實現(xiàn)reducer661
17.5.7 準(zhǔn)備運行MapReduce
示例662
17.5.8 運行MapReduce
作業(yè)663
17.6 Spark666
17.6.1 Spark概述666
17.6.2 Docker和Jupyter
Docker棧667
17.6.3 使用Spark進(jìn)行詞
統(tǒng)計669
17.6.4 在Microsoft Azure上運行
Spark Word Count672
17.7 Spark流：使用pyspark-
notebook Docker棧進(jìn)行
Twitter哈希標(biāo)注統(tǒng)計675
17.7.1 將tweet注入套接字675
17.7.2 tweet哈希標(biāo)注匯總：
Spark SQL簡介678
17.8 物聯(lián)網(wǎng)和儀表盤684
17.8.1 發(fā)布和訂閱685
17.8.2 用Freeboard儀表盤可視化
PubNub樣本實時流685
17.8.3 用Python模擬聯(lián)網(wǎng)的
恒溫器687
17.8.4 使用freeboard.io創(chuàng)建
儀表盤689
17.8.5 創(chuàng)建Python PubNub
訂閱器690
17.9 小結(jié)694
展開全部
Python大學(xué)教程 面向計算機(jī)科學(xué)和數(shù)據(jù)科學(xué) 相關(guān)資料
本書完美地平衡了計算機(jī)科學(xué)基礎(chǔ)知識的教學(xué)和數(shù)據(jù)科學(xué)技術(shù)的實踐，使得讀者不僅能夠?qū)W到程序設(shè)計方法，還能夠在大量程序庫的支持下僅編寫少量代碼就完成實際任務(wù)。書中將基礎(chǔ)概念與豐富的Python示例緊密結(jié)合，幫助學(xué)生迅速找到各種數(shù)據(jù)科學(xué)問題的解決方案，其中對云服務(wù)的應(yīng)用尤其值得稱贊。
—— David Koop，馬薩諸塞大學(xué)達(dá)特茅斯分校數(shù)據(jù)科學(xué)助理教授
來自真實世界的有趣示例和練習(xí)有助于學(xué)生開展有效的數(shù)據(jù)分析。本書對于數(shù)據(jù)科學(xué)概念的解釋非常到位，并且介紹了多種實用的機(jī)器學(xué)習(xí)模型，你將了解如何選擇合適的模型，以及這個模型到底好在哪里。此外，書中對大數(shù)據(jù)技術(shù)的概述也值得一讀。
—— Jamie Whitacre，數(shù)據(jù)科學(xué)顧問
非常贊的Python入門書籍！無論是Python編程還是數(shù)據(jù)科學(xué)方面的初學(xué)者，我都要向你們強(qiáng)烈推薦本書。同時，書中對IBM Watson及其服務(wù)的介紹也很實用。
—— Shyamal Mitra，得克薩斯大學(xué)高級講師
在同類技術(shù)書籍中，本書是極其出眾的數(shù)據(jù)科學(xué)/Python入門教程。
—— Roland Depratti，東康涅狄格州立大學(xué)計算機(jī)科學(xué)系兼職教授
通過閱讀本書，你將學(xué)會在工業(yè)標(biāo)準(zhǔn)庫和云計算服務(wù)的基礎(chǔ)上開發(fā)應(yīng)用程序。
—— Daniel Chen，Lander Analytics公司數(shù)據(jù)科學(xué)家
本書以學(xué)生為中心，通過大量自頂向下、逐步精化的程序范例來解讀程序開發(fā)的真實過程。書中涵蓋必要的機(jī)器學(xué)習(xí)基礎(chǔ)知識，但又避免了過多的數(shù)學(xué)細(xì)節(jié)，因此不會給讀者造成負(fù)擔(dān)。
—— Garrett Dancik，東康涅狄格州立大學(xué)計算機(jī)科學(xué)/生物信息學(xué)系副教授
Python大學(xué)教程 面向計算機(jī)科學(xué)和數(shù)據(jù)科學(xué) 作者簡介
保羅·戴特爾（Paul Deitel）
Deitel＆Associates公司首席執(zhí)行官兼首席技術(shù)官，畢業(yè)于麻省理工學(xué)院，在計算機(jī)領(lǐng)域擁有38年的經(jīng)驗。他自1992年以來就為軟件開發(fā)人員教授專業(yè)課程，為包括思科、IBM、西門子、戴爾、NASA、北電網(wǎng)絡(luò)在內(nèi)的全球企業(yè)客戶提供了數(shù)百門編程課程。
哈維·戴特爾（Harvey Deitel）
Deitel＆Associates公司董事長兼首席戰(zhàn)略官，在計算機(jī)領(lǐng)域擁有58年的經(jīng)驗。他在麻省理工學(xué)院獲得理學(xué)學(xué)士學(xué)位和碩士學(xué)位，在波士頓大學(xué)獲得博士學(xué)位。在1991年創(chuàng)立Deitel＆Associates公司之前，他已經(jīng)獲得了波士頓大學(xué)的終身職位并擔(dān)任計算機(jī)科學(xué)系主任。Deitel品牌的出版物贏得了國際上的廣泛認(rèn)可，并被翻譯為日語、德語、漢語等100多種語言出版。
保羅·戴特爾（Paul Deitel）
Deitel＆Associates公司首席執(zhí)行官兼首席技術(shù)官，畢業(yè)于麻省理工學(xué)院，在計算機(jī)領(lǐng)域擁有38年的經(jīng)驗。他自1992年以來就為軟件開發(fā)人員教授專業(yè)課程，為包括思科、IBM、西門子、戴爾、NASA、北電網(wǎng)絡(luò)在內(nèi)的全球企業(yè)客戶提供了數(shù)百門編程課程。
哈維·戴特爾（Harvey Deitel）
Deitel＆Associates公司董事長兼首席戰(zhàn)略官，在計算機(jī)領(lǐng)域擁有58年的經(jīng)驗。他在麻省理工學(xué)院獲得理學(xué)學(xué)士學(xué)位和碩士學(xué)位，在波士頓大學(xué)獲得博士學(xué)位。在1991年創(chuàng)立Deitel＆Associates公司之前，他已經(jīng)獲得了波士頓大學(xué)的終身職位并擔(dān)任計算機(jī)科學(xué)系主任。Deitel品牌的出版物贏得了國際上的廣泛認(rèn)可，并被翻譯為日語、德語、漢語等100多種語言出版。
通過與Pearson/Prentice Hall 44年的合作，Deitel＆Associates公司以印刷物和電子書的形式出版了前沿的編程教科書和專業(yè)書籍，發(fā)布了前沿的編程方面的LiveLessons視頻課程、Safari-Live在線研討會和Revel交互式多媒體課程。如果你需要聯(lián)系Deitel＆Associates公司和作者，或者希望給有講師指導(dǎo)的現(xiàn)場培訓(xùn)課程提出建議，請發(fā)送電子郵件至deitel@deitel.com。希望了解更多關(guān)于Deitel現(xiàn)場企業(yè)培訓(xùn)的信息，請訪問http://www.deitel.com/training。希望購買Deitel書籍的個人客戶，請訪問https://www.amazon.com/。公司、政府、軍隊和學(xué)術(shù)機(jī)構(gòu)的大宗訂單請直接與Pearson聯(lián)系。希望了解更多信息，請訪問https://www.informit.com/store/sales.aspx。
書友推薦
- >
月亮虎
- >
姑媽的寶刀
- >
名家?guī)阕x魯迅:朝花夕拾
- >
【精裝繪本】畫給孩子的中國神話
- >
山海經(jīng)
- >
朝聞道
- >
羅曼·羅蘭讀書隨筆-精裝
- >
伯納黛特,你要去哪(2021新版)
本類暢銷
