掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
編程不難(全彩圖解 + 微課 + Python編程)(鳶尾花數學大系:從加減乘除到機器學習) 版權信息
- ISBN：9787302660330
- 條形碼：9787302660330 ; 978-7-302-66033-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
編程不難(全彩圖解 + 微課 + Python編程)(鳶尾花數學大系:從加減乘除到機器學習) 本書特色
這是一本前所未見的編程入門書，可視化徹底，顏值極高。很難想象一位以“術數”為業的金融家具備如此徹底的分享動機，同時，姜博士有著卓越的藝術品位和設計能力，不僅承擔了這套書的精深內容，更承擔了全系圖書的整體設計。希望讀者從枯燥的常規數學書中解脫出來，賞心悅目地慢慢走入繽紛的AI宇宙。
編程不難(全彩圖解 + 微課 + Python編程)(鳶尾花數學大系:從加減乘除到機器學習) 內容簡介
本書是“鳶尾花數學大系—從加減乘除到機器學習”叢書的**冊，也是“編程”板塊的**冊， 著重介紹如何零基礎入門學 Python 編程。雖然本書主要講解 Python 編程，但是也離不開數學。本書盡量 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、機器學習背后常用的 數學思想。 本書分為預備、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后，還講解如何搭建應用 App。我們可以把本書看作從 Python 編 程角度對“鳶尾花書”全系內容的總覽。 本書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）。本書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。 本書讀者群包括所有試圖用編程解決問題的朋友，尤其適用于初級程序員進階、高級數據分析師、機器學習開發者。
編程不難(全彩圖解 + 微課 + Python編程)(鳶尾花數學大系:從加減乘除到機器學習) 目錄
目錄 緒論 1 第 1章 聊聊“巨蟒” 9 1.1 Python 巨蟒 10 1.2 Python 和可視化有什么關系 14 1.3 Python 和數學有什么關系 14 1.4 Python 和機器學習有什么關系 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 什么是 JupyterLab 42 3.2 使用 JupyterLab：立刻用起來 43 3.3 快捷鍵：這一章可能*有用的內容 48 3.4 什么是 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 注釋：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：一個什么都能裝的箱子 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 什么是控制結構？ 124 7.2 條件語句：相當于開關 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 什么是 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 什么是面向對象編程 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 一元特征數據 241 12.3 二元特征數據 252 12.4 多元特征數據 257 第 13章 聊聊NumPy 265 13.1 什么是 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 什么是索引、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 什么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 什么是 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 合并：pandas.join() 402 22.4 合并：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 鉆取：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 平均值的鉆取：全集 vs 子集 447 第 24章 Pandas時間序列數據 453 24.1 什么是時間序列 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 什么是 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 什么是 SciPy ？ 500 26.2 距離 502 26.3 插值 507 26.4 高斯分布 510 第 27章 Statsmodels統計模型 517 27.1 什么是 Statsmodels 518 27.2 二維散點圖 + 橢圓 519 27.3 *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 什么是機器學習 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，提取主要特征 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 什么是 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 特征縮放 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 兩特征 PCA 595 31.4 三特征 PCA 601 第 32章 Scikit-Learn分類 605 32.1 什么是分類？ 606 32.2 k *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*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 了解一下Spyder 633 34.1 什么是 Spyder 634 34.2 Spyder 用起來 637 34.3 快捷鍵：這章可能*有用的內容 639 第 35章 Streamlit搭建Apps 641 35.1 什么是 Streamlit ？ 642 35.2 顯示 645 35.3 可視化 646 35.4 輸入工具 647 35.5 App 布局 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 一元高斯分布 654 36.3 二元高斯分布 655 36.4 三元高斯分布 656 36.5 多項式回歸 657 36.6 主成分分析 657 36.7 k *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
展開全部
編程不難(全彩圖解 + 微課 + Python編程)(鳶尾花數學大系:從加減乘除到機器學習) 作者簡介
姜偉生，博士 FRM。 勤奮的小鎮做題家，熱愛知識可視化和開源分享。自2022年8月開始，在GitHub上開源“鳶尾花書”學習資源，截至2024年5月，已經分享5000多頁PDF、5000多幅矢量圖、約3000個代碼文件，全球讀者數以萬計，GitHub全球排名TOP119（截止2024年4月19）。
書友推薦
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
羅庸西南聯大授課錄
- >
月亮與六便士
- >
推拿
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
唐代進士錄
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
煙與鏡
本類暢銷
