Python極簡講義:一本書入門數據分析與機器學習
作 者: 張玉宏 著
定 價: 128
出?版?社: 電子工業出版社
出版日期: 2020年04月01日
頁 數: 588
裝 幀: 平裝
ISBN: 9787121387043
●第１章 初識Python與Jupyter11.1 Python概要21.1.1 為什麼要學習Python21.1.2 Python中常用的庫21.2 Python的版本之爭41.3 安裝Anaconda51.3.1 Linux環境下的Anaconda安裝51.3.2 conda命令的使用61.3.3 Windows環境下的Anaconda安裝71.4 運行Python111.4.1 驗證Python111.4.2 Python版本的Hello World121.4.3 Python的腳本文件131.4.4 代碼縮進151.4.5 代碼注釋171.5 Python中的內置函數171.6 文學化編程―Jupyter201.6.1 Jupyter的由來201.6.2 Jupyter的安裝211.6.3 Jupyter的使用231.6.4 Markdown編輯器261.7 Jupyter中的魔法函數311.7.1 %lsmagic函數311.7.2 %matplotlib inline函數321.7.3 %timeit函數321.7.4 %%writefile函數331.7.5 其他常用的魔法函數341.7.6 在Jupyter中執行shell命令351.8 本章小結351.9 思考與提高36第2章 數據類型與程序控制結構402.1 為什麼需要不同的數據類型412.2 Python中的基本數據類型422.2.1 數值型（Number）422.2.2 布爾類型（Boolean）452.2.3 字符串型（String）452.2.4 列表（List）492.2.5 &nb組（Tuple）592.2.6 字典（Dictionary）622.2.7 集合（Set）652.3 程序控制結構672.3.1 回顧那段難忘的歷史672.3.2 順序結構692.3.3 選擇結構702.3.4 循環結構742.4 高效的推導式802.4.1 列表推導式802.4.2 字典推導式832.4.3 集合推導式832.5 本章小結842.6 思考與提高84第3章 自建Python模塊與第三方模塊903.1 導入Python標準庫913.2 編寫自己的模塊933.3 模塊的搜索路徑973.4 創建模塊包1003.5 常用的內建模塊1033.5.1 collection模塊1033.5.2 datetime模塊1103.5.3 json模塊1153.5.4 random模塊1183.6 本章小結1213.7 思考與提高122第4章 Python函數1244.1 Python中的函數1254.1.1 函數的定義1254.1.2 函數返回多個值1274.1.3 函數文檔的構建1284.2 函數參數的“花式”傳遞1324.2.1 關鍵字參數1324.2.2 可變參數1334.2.3 默認參數1364.2.4 參數序列的打包與解包1384.2.5 傳值還是傳引用1424.3 函數的遞歸1464.3.1 感性認識遞歸1464.3.2 思維與遞歸思維1484.3.3 遞歸調用的函數1494.4 函數式編程的高階函數1514.4.1 lambda表達式1524.4.2 filter()函數1534.4.3 map()函數1554.4.4 reduce()函數1574.4.5 sorted()函數1584.5 本章小結1594.6 思考與提高160第5章 Python不錯特性1655.1 面向對像程序設計1665.1.1 面向過程與面向對像之辯1665.1.2 類的定義與使用1695.1.3 類的繼承1735.2 生成器與迭代器1765.2.1 生成器1765.2.2 迭代器1835.3 文件操作1875.3.1 打開文件1875.3.2 讀取一行與讀取全部行1915.3.3 寫入文件1935.4 異常處理1935.4.1 感性認識程序中的異常1945.4.2 異常處理的三步走1955.5 錯誤調試1975.5.1 利用print()輸出觀察變量1975.5.2 assert斷言1985.6 本章小結2015.7 思考與提高202第6章 NumPy向量計算2046.1 為何需要NumPy2056.2 如何導入NumPy2056.3 生成NumPy數組2066.3.1 利用序列生成2066.3.2 利用特定函數生成2076.3.3 Numpy數組的其他常用函數2096.4 N維數組的屬性2126.5 NumPy數組中的運算2156.5.1 向量運算2166.5.2 算術運算2166.5.素運算與張量點乘運算2186.6 愛因斯坦求和約定2226.6.1 不一樣的標記法2226.6.2 NumPy中的einsum()方法2246.7 NumPy中的“軸”方向2316.8 操素2346.8.1 通過索引訪素2346.8.2 NumPy中的切片訪問2366.8.3 二維數組的轉置與展平2386.9 NumPy中的廣播2396.10 NumPy數組的不錯索引2426.10.1 “花式”索引2426.10.2 布爾索引2476.11 數組的堆疊操作2496.11.1 水平方向堆疊hstack()2506.11.2 垂直方向堆疊vstack()2516.11.3 深度方向堆疊hstack()2526.11.4 列堆疊與行堆疊2556.11.5 數組的分割操作2576.12 NumPy中的隨機數模塊2646.13 本章小結2666.14 思考與提高267第7章 Pandas數據分析2717.1 Pandas簡介2727.2 Pandas的安裝2727.3 Series類型數據2737.3.1 Series的創建2737.3.2 Series中的數據訪問2777.3.3 Series中的向量化操作與布爾索引2807.3.4 Series中的切片操作2837.3.5 Series中的缺失值2847.3.6 Series中的刪除與添加操作2867.3.7 Series中的name屬性2887.4 DataFrame 類型數據2897.4.1 構建DataFrame2897.4.2 訪問DataFrame中的列與行2937.4.3 DataFrame中的刪除操作2987.4.4 DataFrame中的“軸”方向3017.4.5 DataFrame中的添加操作3037.5 基於Pandas的文件讀取與分析3107.5.1 利用Pandas讀取文件3117.5.2 DataFrame中的常用屬性3127.5.3 DataFrame中的常用方法3147.5.4 DataFrame的條件過濾3187.5.5 DataFrame的切片操作3207.5.6 DataFrame的排序操作3237.5.7 Pandas的聚合和分組運算3257.5.8 DataFrame的透視表3347.5.9 DataFrame的類SQL操作3397.5.10 DataFrame中的數據清洗方法3417.6 泰坦尼克幸存者數據預處理3427.6.1 數據集簡介3427.6.2 數據集的拼接3447.6.3 缺失值的處理3507.7 本章小結3537.8 思考與提高353第8章 Matplotlib與Seaborn可視化分析3658.1 Matplotlib與圖形繪制3668.2 繪制簡單圖形3668.3 pyplot的不錯功能3718.3.1 添加圖例與注釋3718.3.2 設置圖形標題及坐標軸3748.3.3 添加網格線3788.3.4 繪制多個子圖3808.3.5 Axes與Subplot的區別3828.4 散點圖3888.5 條形圖與直方圖3928.5.1 垂直條形圖3928.5.2 水平條形圖3948.5.3 並列條形圖3958.5.4 疊加條形圖4008.5.5 直方圖4028.6 餅圖4078.7 箱形圖4098.8 誤差條4118.9 繪制三維圖形4138.10 與Pandas協作繪圖―以谷歌流感趨勢數據為例4168.10.1 谷歌流感趨勢數據描述4168.10.2 導入數據與數據預處理4178.10.3 繪制時序曲線圖4218.10.4 選擇合適的數據可視化表達4238.10.5 基於條件判斷的圖形繪制4278.10.6 繪制多個子圖4308.11 驚艷的Seaborn4318.11.1 pairplot（對圖）4328.11.2 heatmap（熱力圖）4348.11.3 boxplot（箱形圖）4368.11.4 violin plot（小提琴圖）4428.11.5 Density Plot（密度圖）4468.12 本章小結4508.13 思考與提高450第9章 機器學習初步4599.1 機器學習定義4609.1.1 什麼是機器學習4609.1.2 機器學習的三個步驟4619.1.3 傳統編程與機器學習的差別4649.1.4 為什麼機器學習不容易4659.2 監督學習4679.2.1 感性認識監督學習4679.2.2 監督學習的形式化描述4689.2.3 損失函數4709.3 非監督學習4719.4 半監督學習4739.5 機器學習的哲學視角4749.6 模型性能評估4769.6.1 經驗誤差與測試誤差4769.6.2 過擬合與欠擬合4779.6.3 模型選擇與數據擬合4799.7 性能度量4809.7.1 二分類的混淆矩陣4809.7.2 查全率、查準率與F1分數4819.7.3 P-R曲線4849.7.4 ROC曲線4859.7.5 AUC4899.8 本章小結4899.9 思考與提高4900章 sklearn與經典機器學習算法49210.1 機器學習的利器―sklearn49310.1.1 sklearn簡介49410.1.3 sklearn的安裝49610.2 線性回歸49710.2.1 線性回歸的概念49710.2.2 使用sklearn實現波士頓房價預測49910.3 k-近鄰算法51610.3.1 算法簡介51610.3.2 k值的選取51810.3.3 特征數據的歸一化51910.3.4 鄰居距離的度量52110.3.5 分類原則的制定52210.3.6 基於sklearn的k-近鄰算法實戰52210.4 Logistic回歸52710.4.1 為什麼需要Logistic回歸52710.4.2 Logistic源頭初探52910.4.3 Logistic回歸實戰53210.5 神經網絡學習算法53610.5.1 人工神經網絡的定義53710.5.2 神經網絡中的“學習”本質53710.5.3 神經網絡結構的設計54010.5.4 利用sklearn搭建多層神經網絡54110.6 非監督學習的代表―k均值聚類55010.6.1 聚類的基本概念55110.6.2 簇的劃分55210.6.3 k均值聚類算法核心55210.6.4 k均值聚類算法優缺點55410.6.5 基於sklearn的k均值聚類算法實戰55510.7 本章小結56110.8 思考與提高562
內容簡介
本書以圖文並茂的方式介紹了Python的基礎內容，並深入淺出地介紹了數據分析和機器學習領域的相關入門知識。章至第5章以極簡方式講解了Python的常用語法和使用技巧，包括數據類型與程序控制結構、自建Python模塊與第三方模塊、Python函數和面向對像程序設計等。第6章至第8章介紹了數據分析推薦技能，如NumPy、Pandas和Matplotlib。第9章和0章主要介紹了機器學習的基本概念和機器學習框架sklearn的基本用法。對人工智能相關領域、數據科學相關領域的讀者而言，本書是一本極簡入門手冊。對於從事人工智能產品研發的工程技術人員，本書亦有一定的參考價值。
