展开全部

主编推荐语

以图文并茂的方式介绍Python的基础内容,并深入浅出地介绍数据分析和机器学习领域的相关入门知识。

内容简介

本书第1章至第5章以极简方式讲解了Python的常用语法和使用技巧,包括数据类型与程序控制结构、自建Python模块与第三方模块、Python函数和面向对象程序设计等。第6章至第8章介绍了数据分析必备技能,如NumPy、Pandas和Matplotlib。第9章和第10章主要介绍了机器学习的基本概念和机器学习框架sklearn的基本用法。

对人工智能相关领域、数据科学相关领域的读者而言,本书是一本极简入门手册。

对于从事人工智能产品研发的工程技术人员,本书亦有一定的参考价值。

目录

  • 版权信息
  • 内容简介
  • 推荐语
  • 前言
  • 第1章 初识Python与Jupyter
  • 1.1 Python概要
  • 1.1.1 为什么要学习Python
  • 1.1.2 Python中常用的库
  • 1.2 Python的版本之争
  • 1.3 安装Anaconda
  • 1.3.1 Linux环境下的Anaconda安装
  • 1.3.2 conda命令的使用
  • 1.3.3 Windows环境下的Anaconda安装
  • 1.4 运行Python
  • 1.4.1 验证Python
  • 1.4.2 Python版本的Hello World
  • 1.4.3 Python的脚本文件
  • 1.4.4 代码缩进
  • 1.4.5 代码注释
  • 1.5 Python中的内置函数
  • 1.6 文学化编程—Jupyter
  • 1.6.1 Jupyter的由来
  • 1.6.2 Jupyter的安装
  • 1.6.3 Jupyter的使用
  • 1.6.4 Markdown编辑器
  • 1.7 Jupyter中的魔法函数
  • 1.7.1 %lsmagic函数
  • 1.7.2 %matplotlib inline函数
  • 1.7.3 %timeit函数
  • 1.7.4 %%writefile函数
  • 1.7.5 其他常用的魔法函数
  • 1.7.6 在Jupyter中执行shell命令
  • 1.8 本章小结
  • 1.9 思考与提高
  • 第2章 数据类型与程序控制结构
  • 2.1 为什么需要不同的数据类型
  • 2.2 Python中的基本数据类型
  • 2.2.1 数值型(Number)
  • 2.2.2 布尔类型(Boolean)
  • 2.2.3 字符串型(String)
  • 2.2.4 列表(List)
  • 2.2.5 元组(Tuple)
  • 2.2.6 字典(Dictionary)
  • 2.2.7 集合(Set)
  • 2.3 程序控制结构
  • 2.3.1 回顾那段难忘的历史
  • 2.3.2 顺序结构
  • 2.3.3 选择结构
  • 2.3.4 循环结构
  • 2.4 高效的推导式
  • 2.4.1 列表推导式
  • 2.4.2 字典推导式
  • 2.5 本章小结
  • 2.6 思考与提高
  • 第3章 自建Python模块与第三方模块
  • 3.1 导入Python标准库
  • 3.2 编写自己的模块
  • 3.3 模块的搜索路径
  • 3.4 创建模块包
  • 3.5 常用的内建模块
  • 3.5.1 collections模块
  • 3.5.2 datetime模块
  • 3.5.3 json模块
  • 3.5.4 random模块
  • 3.6 本章小结
  • 3.7 思考与提高
  • 第4章 Python函数
  • 4.1 Python中的函数
  • 4.1.1 函数的定义
  • 4.1.2 函数返回多个值
  • 4.1.3 函数文档的构建
  • 4.2 函数参数的“花式”传递
  • 4.2.1 关键字参数
  • 4.2.2 可变参数
  • 4.2.3 默认参数
  • 4.2.4 参数序列的打包与解包
  • 4.2.5 传值还是传引用
  • 4.3 函数的递归
  • 4.3.1 感性认识递归
  • 4.3.2 思维与递归思维
  • 4.3.3 递归调用的函数
  • 4.4 函数式编程的高阶函数
  • 4.4.1 lambda表达式
  • 4.4.2 filter()函数
  • 4.4.3 map()函数
  • 4.4.4 reduce()函数
  • 4.4.5 sorted()函数
  • 4.5 本章小结
  • 4.6 思考与提高
  • 第5章 Python高级特性
  • 5.1 面向对象程序设计
  • 5.1.1 面向过程与面向对象之辩
  • 5.1.2 类的定义与使用
  • 5.1.3 类的继承
  • 5.2 生成器与迭代器
  • 5.2.1 生成器
  • 5.2.2 迭代器
  • 5.3 文件操作
  • 5.3.1 打开文件
  • 5.3.2 读取一行与读取全部行
  • 5.3.3 写入文件
  • 5.4 异常处理
  • 5.4.1 感性认识程序中的异常
  • 5.4.2 异常处理的三步走
  • 5.5 错误调试
  • 5.5.1 利用print()输出观察变量
  • 5.5.2 assert断言
  • 5.6 本章小结
  • 5.7 思考与提高
  • 第6章 NumPy向量计算
  • 6.1 为何需要NumPy
  • 6.2 如何导入NumPy
  • 6.3 生成NumPy数组
  • 6.3.1 利用序列生成
  • 6.3.2 利用特定函数生成
  • 6.3.3 Numpy数组的其他常用函数
  • 6.4 N维数组的属性
  • 6.5 NumPy数组中的运算
  • 6.5.1 向量运算
  • 6.5.2 算术运算
  • 6.5.3 逐元素运算与张量点乘运算
  • 6.6 爱因斯坦求和约定
  • 6.6.1 不一样的标记法
  • 6.6.2 NumPy中的einsum()方法
  • 6.7 NumPy中的“轴”方向
  • 6.8 操作数组元素
  • 6.8.1 通过索引访问数组元素
  • 6.8.2 NumPy中的切片访问
  • 6.8.3 二维数组的转置与展平
  • 6.9 NumPy中的广播
  • 6.10 NumPy数组的高级索引
  • 6.10.1 “花式”索引
  • 6.10.2 布尔索引
  • 6.11 数组的堆叠操作
  • 6.11.1 水平方向堆叠hstack()
  • 6.11.2 垂直方向堆叠vstack()
  • 6.11.3 深度方向堆叠hstack()
  • 6.11.4 列堆叠与行堆叠
  • 6.11.5 数组的分割操作
  • 6.12 NumPy中的随机数模块
  • 6.13 本章小结
  • 6.14 思考与提高
  • 第7章 Pandas数据分析
  • 7.1 Pandas简介
  • 7.2 Pandas的安装
  • 7.3 Series类型数据
  • 7.3.1 Series的创建
  • 7.3.2 Series中的数据访问
  • 7.3.3 Series中的向量化操作与布尔索引
  • 7.3.4 Series中的切片操作
  • 7.3.5 Series中的缺失值
  • 7.3.6 Series中的删除与添加操作
  • 7.3.7 Series中的name属性
  • 7.4 DataFrame 类型数据
  • 7.4.1 构建DataFrame
  • 7.4.2 访问DataFrame中的列与行
  • 7.4.3 DataFrame中的删除操作
  • 7.4.4 DataFrame中的“轴”方向
  • 7.4.5 DataFrame中的添加操作
  • 7.5 基于Pandas的文件读取与分析
  • 7.5.1 利用Pandas读取文件
  • 7.5.2 DataFrame中的常用属性
  • 7.5.3 DataFrame中的常用方法
  • 7.5.4 DataFrame的条件过滤
  • 7.5.5 DataFrame的切片操作
  • 7.5.6 DataFrame的排序操作
  • 7.5.7 Pandas的聚合和分组运算
  • 7.5.8 DataFrame的透视表
  • 7.5.9 DataFrame的类SQL操作
  • 7.5.10 DataFrame中的数据清洗方法
  • 7.6 泰坦尼克幸存者数据预处理
  • 7.6.1 数据集简介
  • 7.6.2 数据集的拼接
  • 7.6.3 缺失值的处理
  • 7.7 本章小结
  • 7.8 思考与提高
  • 第8章 Matplotlib与Seaborn可视化分析
  • 8.1 Matplotlib与图形绘制
  • 8.2 绘制简单图形
  • 8.3 pyplot的高级功能
  • 8.3.1 添加图例与注释
  • 8.3.2 设置图形标题及坐标轴
  • 8.3.3 添加网格线
  • 8.3.4 绘制多个子图
  • 8.3.5 Axes与Subplot的区别
  • 8.4 散点图
  • 8.5 条形图与直方图
  • 8.5.1 垂直条形图
  • 8.5.2 水平条形图
  • 8.5.3 并列条形图
  • 8.5.4 叠加条形图
  • 8.5.5 直方图
  • 8.6 饼图
  • 8.7 箱形图
  • 8.8 误差条
  • 8.9 绘制三维图形
  • 8.10 与Pandas协作绘图—以谷歌流感趋势数据为例
  • 8.10.1 谷歌流感趋势数据描述
  • 8.10.2 导入数据与数据预处理
  • 8.10.3 绘制时序曲线图
  • 8.10.4 选择合适的数据可视化表达
  • 8.10.5 基于条件判断的图形绘制
  • 8.10.6 绘制多个子图
  • 8.11 惊艳的Seaborn
  • 8.11.1 pairplot(对图)
  • 8.11.2 heatmap(热力图)
  • 8.11.3 boxplot(箱形图)
  • 8.11.4 violin plot(小提琴图)
  • 8.11.5 Density Plot(密度图)
  • 8.12 本章小结
  • 8.13 思考与提高
  • 第9章 机器学习初步
  • 9.1 机器学习定义
  • 9.1.1 什么是机器学习
  • 9.1.2 机器学习的三个步骤
  • 9.1.3 传统编程与机器学习的差别
  • 9.1.4 为什么机器学习不容易
  • 9.2 监督学习
  • 9.2.1 感性认识监督学习
  • 9.2.2 监督学习的形式化描述
  • 9.2.3 损失函数
  • 9.3 非监督学习
  • 9.4 半监督学习
  • 9.5 机器学习的哲学视角
  • 9.6 模型性能评估
  • 9.6.1 经验误差与测试误差
  • 9.6.2 过拟合与欠拟合
  • 9.6.3 模型选择与数据拟合
  • 9.7 性能度量
  • 9.7.1 二分类的混淆矩阵
  • 9.7.2 查全率、查准率与F1分数
  • 9.7.3 P-R曲线
  • 9.7.4 ROC曲线
  • 9.7.5 AUC
  • 9.8 本章小结
  • 9.9 思考与提高
  • 第10章 sklearn与经典机器学习算法
  • 10.1 机器学习的利器—sklearn
  • 10.1.1 sklearn简介
  • 10.1.2 sklearn的安装
  • 10.2 线性回归
  • 10.2.1 线性回归的概念
  • 10.2.2 使用sklearn实现波士顿房价预测
  • 10.3 k-近邻算法
  • 10.3.1 算法简介
  • 10.3.2 k值的选取
  • 10.3.3 特征数据的归一化
  • 10.3.4 邻居距离的度量
  • 10.3.5 分类原则的制定
  • 10.3.6 基于sklearn的k-近邻算法实战
  • 10.4 Logistic回归
  • 10.4.1 为什么需要Logistic回归
  • 10.4.2 Logistic源头初探
  • 10.4.3 Logistic回归实战
  • 10.5 神经网络学习算法
  • 10.5.1 人工神经网络的定义
  • 10.5.2 神经网络中的“学习”本质
  • 10.5.3 神经网络结构的设计
  • 10.5.4 利用sklearn搭建多层神经网络
  • 10.6 非监督学习的代表—k均值聚类
  • 10.6.1 聚类的基本概念
  • 10.6.2 簇的划分
  • 10.6.3 k均值聚类算法核心
  • 10.6.4 k均值聚类算法优缺点
  • 10.6.5 基于sklearn的k均值聚类算法实战
  • 10.7 本章小结
  • 10.8 思考与提高
展开全部

评分及书评

评分不足
1个评分
  • 用户头像
    给这本书评了
    4.0
    适合入门者学习!

    由于工作需要,这两周泛读了三本关于 Python 入门级的书籍。综合对比后,觉得这本书面向初级学习者更好。 结构清晰,内容覆盖全面,符合需要,每个模块代码都有解释。还思考题加深理解和能力。金句:用一门知识 20% 的技能,解决 80% 的问题。泛读的三本书籍:1. 《Python 极简讲义:一本书入门数据分析与机器学习》张玉宏,2020.5。2. 《让工作化简为繁:用 Python 实现办公自动化》李杰臣,2021.3。3. 《Python 自动化办公:3 分钟完成一天的工作》廖茂文,2121.7。

      转发
      评论

    出版方

    电子工业出版社

    电子工业出版社成立于1982年10月,是国务院独资、工信部直属的中央级科技与教育出版社,是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展,已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域,综合出版能力位居全国出版行业前列。