幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

編程不難(全彩圖解+微課+Python編程)/鳶尾花數學大系

  • 作者：姜偉生|責編:欒大成
  • 出版社：清華大學
  • ISBN：9787302660330
  • 出版日期：2024/05/01
  • 裝幀：平裝
  • 頁數：660
人民幣：RMB 268 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是「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、機器學習背後常用的數學思想。
    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實現的各種複雜數學運算，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，尤其適用於初級程序員進階、高級數據分析師、機器學習開發者。
作者介紹
姜偉生|責編:欒大成
    姜偉生，博士，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2023年5月，已經分享3000多頁PDF、3000多幅矢量圖、約1000個代碼文件，全球讀者數以萬計。
目錄
緒論
第1章  聊聊「巨蟒」
  1.1  Python?巨蟒
  1.2  Python和可視化有什麼關係
  1.3  Python和數學有什麼關係
  1.4  Python和機器學習有什麼關係
  1.5  相信「反覆+精進」的力量！
第2章  安裝使用Anaconda
  2.1  集成開發環境
  2.2  如何安裝Anaconda
  2.3  測試JupyterLab
  2.4  查看Python第三方庫版本號
  2.5  安裝、更新、卸載Python第三方庫
第3章  JupyterLab，用起來！
  3.1  什麼是JupyterLab
  3.2  使用JupyterLab：立刻用起來
  3.3  快捷鍵：這一章可能最有用的內容
  3.4  什麼是LaTeX
  3.5  字母和符號
  3.6  用LaTex寫公式
第4章  Python語法，邊學邊用
  4.1  Python也有語法
  4.2  註釋：不被執行，卻很重要
  4.3  縮進：四個空格，標識代碼塊
  4.4  變數：一個什麼都能裝的箱子
  4.5  使用import導入包
  4.6  Pythonic：Python風格
第5章  Python數據類型
  5.1  數據類型有哪些
  5.2  數字：整數、浮點數、複數
  5.3  字元串：用引號定義的文本
  5.4  列表：存儲多個元素的序列
  5.5  其他數據類型：元組、集合、字典
  5.6  矩陣、向量：線性代數概念
第6章  Python常見運算
  6.1  幾類運算符
  6.2  算術運算符
  6.3  比較運算符
  6.4  邏輯運算符
  6.5  賦值運算符
  6.6  成員運算符
  6.7  身份運算符
  6.8  優先順序
  6.9  聊聊math庫
  6.10  聊聊random庫和statistics庫
第7章  Python控制結構
  7.1  什麼是控制結構？
  7.2  條件語句：相當於開關
  7.3  for循環語句
  7.4  列表生成式

  7.5  迭代器itertools
第8章  Python函數
  8.1  什麼是Python函數
  8.2  自定義函數
  8.3  更多自定義線性代數函數
  8.4  遞歸函數：自己反覆調用自己
  8.5  位置參數、關鍵字參數
  8.6  使用*args和**kwargs
  8.7  匿名函數
  8.8  構造模塊、庫
  8.9  模仿別人的代碼
第9章  Python面向對象編程
  9.1  什麼是面向對象編程
  9.2  定義屬性
  9.3  定義方法
  9.4  裝飾器
  9.5  父類、子類
第10章  聊聊可視化
  10.1  解剖一幅圖
  10.2  使用Matplotlib繪製線圖
  10.3  圖片美化
  10.4  使用Plotly繪製線圖
第11章  二維和三維可視化
  11.1  二維可視化方案
  11.2  二維散點圖
  11.3  二維等高線圖
  11.4  熱圖
  11.5  三維可視化方案
  11.6  三維散點圖
  11.7  三維線圖
  11.8  三維網格曲面圖
  11.9  三維等高線圖
  11.10  箭頭圖
第12章  Seaborn可視化數據
  12.1  Seaborn：統計可視化利器
  12.2  一元特徵數據
  12.3  二元特徵數據
  12.4  多元特徵數據
第13章  聊聊NumPy
  13.1  什麼是NumPy
  13.2  手動構造數組
  13.3  生成數列
  13.4  生成網格數據
  13.5  特殊數組
  13.6  隨機數
  13.7  數組導入、導出
第14章  NumPy索引和切片
  14.1  什麼是索引、切片
  14.2  一維數組索引、切片
  14.3  視圖vs副本

  14.4  二維數組索引、切片
第15章  NumPy常見運算
  15.1  加、減、乘、除、乘冪
  15.2  廣播原則
  15.3  統計運算
  15.4  常見函數
第16章  NumPy數組規整
  16.1  從reshape()函數說起
  16.2  一維數組→行向量、列向量
  16.3  一維數組→二維數組
  16.4  一維數組→三維數組
  16.5  視圖vs副本
  16.6  轉置
  16.7  扁平化
  16.8  旋轉、翻轉
  16.9  堆疊
  16.10  重複
  16.11  分塊矩陣
第17章  NumPy線性代數
  17.1  NumPy的linalg模塊
  17.2  拆解矩陣
  17.3  向量運算
  17.4  矩陣運算
  17.5  幾個常見矩陣分解
第18章  NumPy愛因斯坦求和約定
  18.1  什麼是愛因斯坦求和約定？
  18.2  二維數組求和
  18.3  轉置
  18.4  矩陣乘法
  18.5  一維數組
  18.6  方陣
  18.7  統計運算
第19章  聊聊Pandas
  19.1  什麼是Pandas
  19.2  創建數據幀：從字典、列表、NumPy數組
  19.3  數據幀操作：以鳶尾花數據為例
  19.4  四則運算：各列之間
  19.5  統計運算：聚合、降維、壓縮、摺疊
  19.6  時間序列：按時間順序排列的數據
第20章  Pandas快速可視化
  20.1  Pandas的可視化功能
  20.2  線圖：pandas.DataFrame.plot()
  20.3  散點圖
  20.4  柱狀圖
  20.5  箱型圖
  20.6  直方圖和核密度估計曲線
第21章  Pandas索引和切片
  21.1  數據幀的索引和切片
?????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????
??

  21.2  提取特定列
  21.3  提取特定行
  21.4  提取特定元素
  21.5  條件索引
  21.6  多層索引
  21.7  時間序列數據幀索引和切片
第22章  Pandas規整
  22.1  Pandas數據幀規整
  22.2  拼接：pandas.concat()
  22.3  合併：pandas.join()
  22.4  合併：pandas.merge()
  22.5  長格式轉換為寬格式：pivot()
  22.6  寬格式轉換為長格式：stack()
  22.7  長格式轉換為寬格式：unstack()
  22.8  分組聚合：groupby()
  22.9  自定義操作：apply()
第23章  Plotly統計可視化
  23.1  Plotly常見可視化方案：以鳶尾花數據為例
  23.2  增加一組分類標籤
  23.3  兩組標籤：兩個維度
  23.4  可視化比例：柱狀圖、餅圖
  23.5  鑽取：多個層次之間的導航和探索
  23.6  太陽爆炸圖：展示層次結構
  23.7  增加第三切割維度
  23.8  平均值的鑽取：全集vs子集
第24章  Pandas時間序列數據
  24.1  什麼是時間序列
  24.2  缺失值：用NaN表示
  24.3  移動平均：一種平滑技術
  24.4  收益率：相對漲跌
  24.5  統計分析：均值、波動率等
  24.6  相關性：也可以隨時間變化
第25章  SymPy符號運算
  25.1  什麼是SymPy
  25.2  代數
  25.3  線性代數
第26章  SciPy數學運算
  26.1  什麼是SciPy？
  26.2  距離
  26.3  插值
  26.4  高斯分佈
第27章  Statsmodels統計模型
  27.1  什麼是Statsmodels
  27.2  二維散點圖+橢圓
  27.3  最小二乘線性回歸
  27.4  主成分分析
  27.5  概率密度估計：高斯KDE
第28章  Scikit-Learn機器學習
  28.1  什麼是機器學習
  28.2  有標籤數據、無標籤數據

  28.3  回歸：找到自變數與因變數關係
  28.4  降維：降低數據維度，提取主要特徵
  28.5  分類：針對有標籤數據
  28.6  聚類：針對無標籤數據
  28.7  什麼是Scikit-Learn
第29章  Scikit-Learn數據
  29.1  Scikit-Learn中有關數據的工具
  29.2  樣本數據集
  29.3  生成樣本數據
  29.4  特徵縮放
  29.5  處理缺失值
  29.6  處理離群值
  29.7  訓練集vs測試集
第30章  Scikit-Learn回歸
  30.1  聊聊回歸
  30.2  一元線性回歸
  30.3  二元線性回歸
  30.4  多項式回歸
  30.5  正則化：抑制過度擬合
第31章  Scikit-Learn降維
  31.1  降維
  31.2  主成分分析
  31.3  兩特徵PCA
  31.4  三特徵PCA
第32章  Scikit-Learn分類
  32.1  什麼是分類？
  32.2  k最近鄰分類：近朱者赤，近墨者黑
  32.3  高斯樸素貝葉斯分類：貝葉斯定理的應用
  32.4  支持向量機：間隔最大化
  32.5  核技巧：數據映射到高維空間
第33章  Scikit-Learn聚類
  33.1  聚類
  33.2  K均值聚類
  33.3  高斯混合模型
第34章  了解一下Spyder
  34.1  什麼是Spyder
  34.2  Spyder用起來
  34.3  快捷鍵：這章可能最有用的內容
第35章  Streamlit搭建Apps
  35.1  什麼是Streamlit？
  35.2  顯示
  35.3  可視化
  35.4  輸入工具
  35.5  App布局
第36章  Streamlit搭建機器學習Apps
  36.1  搭建應用App：編程+數學+可視化+機器學習
  36.2  一元高斯分佈
  36.3  二元高斯分佈
  36.4  三元高斯分佈
  36.5  多項式回歸

  36.6  主成分分析
  36.7  k最近鄰分類
  36.8  支持向量機+高斯核
  36.9  高斯混合模型聚類

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032