Python极简讲义

Python极简讲义

一本书入门数据分析与机器学习

暂无评价综合评分的显示会考虑用户真实性等多项因素,每部作品出现综合评分的时间不定。
¥89.60¥44.99
今日特价截止至:2026-01-07 02:00:00了解详情

作品简介

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

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。

张玉宏

大数据分析师(高级),2012年于电子科技大学获得博士学位,2009—2011年美国西北大学访问学者,2019—2020年美国IUPUI高级访问学者,YOCSEF郑州2019—2020年度副主席。现执教于河南工业大学,主要研究方向为大数据、机器学习。发表学术论文30余篇,先后撰写《深度学习之美:AI时代的数据处理与最佳实践》《品味大数据》等科技图书7本,参与编写英文学术专著2部。

作品目录

  1. 内容简介
  2. 推荐语
  3. 前言
  4. 第1章 初识Python与Jupyter
  5. 1.1 Python概要
  6. 1.2 Python的版本之争
  7. 1.3 安装Anaconda
  8. 1.4 运行Python
  9. 1.5 Python中的内置函数
  10. 1.6 文学化编程—Jupyter
  11. 1.7 Jupyter中的魔法函数
  12. 1.8 本章小结
  13. 1.9 思考与提高
  14. 第2章 数据类型与程序控制结构
  15. 2.1 为什么需要不同的数据类型
  16. 2.2 Python中的基本数据类型
  17. 2.3 程序控制结构
  18. 2.4 高效的推导式
  19. 2.5 本章小结
  20. 2.6 思考与提高
  21. 第3章 自建Python模块与第三方模块
  22. 3.1 导入Python标准库
  23. 3.2 编写自己的模块
  24. 3.3 模块的搜索路径
  25. 3.4 创建模块包
  26. 3.5 常用的内建模块
  27. 3.6 本章小结
  28. 3.7 思考与提高
  29. 第4章 Python函数
  30. 4.1 Python中的函数
  31. 4.2 函数参数的“花式”传递
  32. 4.3 函数的递归
  33. 4.4 函数式编程的高阶函数
  34. 4.5 本章小结
  35. 4.6 思考与提高
  36. 第5章 Python高级特性
  37. 5.1 面向对象程序设计
  38. 5.2 生成器与迭代器
  39. 5.3 文件操作
  40. 5.4 异常处理
  41. 5.5 错误调试
  42. 5.6 本章小结
  43. 5.7 思考与提高
  44. 第6章 NumPy向量计算
  45. 6.1 为何需要NumPy
  46. 6.2 如何导入NumPy
  47. 6.3 生成NumPy数组
  48. 6.4 N维数组的属性
  49. 6.5 NumPy数组中的运算
  50. 6.6 爱因斯坦求和约定
  51. 6.7 NumPy中的“轴”方向
  52. 6.8 操作数组元素
  53. 6.9 NumPy中的广播
  54. 6.10 NumPy数组的高级索引
  55. 6.11 数组的堆叠操作
  56. 6.12 NumPy中的随机数模块
  57. 6.13 本章小结
  58. 6.14 思考与提高
  59. 第7章 Pandas数据分析
  60. 7.1 Pandas简介
  61. 7.2 Pandas的安装
  62. 7.3 Series类型数据
  63. 7.4 DataFrame 类型数据
  64. 7.5 基于Pandas的文件读取与分析
  65. 7.6 泰坦尼克幸存者数据预处理
  66. 7.7 本章小结
  67. 7.8 思考与提高
  68. 第8章 Matplotlib与Seaborn可视化分析
  69. 8.1 Matplotlib与图形绘制
  70. 8.2 绘制简单图形
  71. 8.3 pyplot的高级功能
  72. 8.4 散点图
  73. 8.5 条形图与直方图
  74. 8.6 饼图
  75. 8.7 箱形图
  76. 8.8 误差条
  77. 8.9 绘制三维图形
  78. 8.10 与Pandas协作绘图—以谷歌流感趋势数据为例
  79. 8.11 惊艳的Seaborn
  80. 8.12 本章小结
  81. 8.13 思考与提高
  82. 第9章 机器学习初步
  83. 9.1 机器学习定义
  84. 9.2 监督学习
  85. 9.3 非监督学习
  86. 9.4 半监督学习
  87. 9.5 机器学习的哲学视角
  88. 9.6 模型性能评估
  89. 9.7 性能度量
  90. 9.8 本章小结
  91. 9.9 思考与提高
  92. 第10章 sklearn与经典机器学习算法
  93. 10.1 机器学习的利器—sklearn
  94. 10.2 线性回归
  95. 10.3 k-近邻算法
  96. 10.4 Logistic回归
  97. 10.5 神经网络学习算法
  98. 10.6 非监督学习的代表—k均值聚类
  99. 10.7 本章小结
  100. 10.8 思考与提高