書馨卡幫你省薪 2024個(gè)人購書報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請 | 注冊
> >
編程不難(全彩圖解 + 微課 + Python編程)(鳶尾花數(shù)學(xué)大系:從加減乘除到機(jī)器學(xué)習(xí))

編程不難(全彩圖解 + 微課 + Python編程)(鳶尾花數(shù)學(xué)大系:從加減乘除到機(jī)器學(xué)習(xí))

作者：姜偉生
出版社：清華大學(xué)出版社出版時(shí)間：暫無
開本： 16開 頁數(shù)： 662
中 圖 價(jià):¥195.6(7.3折) 定價(jià)  ¥268.0 登錄后可看到會(huì)員價(jià)
加入購物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

編程不難(全彩圖解 + 微課 + Python編程)(鳶尾花數(shù)學(xué)大系:從加減乘除到機(jī)器學(xué)習(xí)) 版權(quán)信息

編程不難(全彩圖解 + 微課 + Python編程)(鳶尾花數(shù)學(xué)大系:從加減乘除到機(jī)器學(xué)習(xí)) 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(shù)數(shù)”為業(yè)的金融家具備如此徹底的分享動(dòng)機(jī)，同時(shí)，姜博士有著卓越的藝術(shù)品位和設(shè)計(jì)能力，不僅承擔(dān)了這套書的精深內(nèi)容，更承擔(dān)了全系圖書的整體設(shè)計(jì)。希望讀者從枯燥的常規(guī)數(shù)學(xué)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(shù)學(xué)大系:從加減乘除到機(jī)器學(xué)習(xí)) 內(nèi)容簡介

本書是“鳶尾花數(shù)學(xué)大系—從加減乘除到機(jī)器學(xué)習(xí)”叢書的**冊，也是“編程”板塊的**冊， 著重介紹如何零基礎(chǔ)入門學(xué) Python 編程。雖然本書主要講解 Python 編程，但是也離不開數(shù)學(xué)。本書盡量 避免講解數(shù)學(xué)概念公式，而且用圖形和近乎口語化的語言描述程序設(shè)計(jì)、數(shù)據(jù)分析、機(jī)器學(xué)習(xí)背后常用的 數(shù)學(xué)思想。 本書分為預(yù)備、語法、繪圖、數(shù)組、數(shù)據(jù)、數(shù)學(xué)、機(jī)器學(xué)習(xí)、應(yīng)用八大板塊， 共 36 章， 內(nèi)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(shù)據(jù)操作工具，還介紹常用 Python 實(shí)現(xiàn)的各種復(fù) 雜數(shù)學(xué)運(yùn)算，進(jìn)入數(shù)據(jù)分析和機(jī)器學(xué)習(xí)之后，還講解如何搭建應(yīng)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(nèi)容的總覽。 本書提供代碼示例和講解，而且提供習(xí)題，每章還配套 Jupyter Notebook 代碼文件（Jupyter Notebook 不是可有可無的，而是學(xué)習(xí)生態(tài)的關(guān)鍵一環(huán)， “鳶尾花書”強(qiáng)調(diào)在 JupyterLab 自主探究學(xué)習(xí)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(dòng)手練習(xí)。 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(jìn)階、高級數(shù)據(jù)分析師、機(jī)器學(xué)習(xí)開發(fā)者。

編程不難(全彩圖解 + 微課 + Python編程)(鳶尾花數(shù)學(xué)大系:從加減乘除到機(jī)器學(xué)習(xí)) 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(guān)系 14 1.3 Python 和數(shù)學(xué)有什么關(guān)系 14 1.4 Python 和機(jī)器學(xué)習(xí)有什么關(guān)系 20 1.5 相信“反復(fù) + 精進(jìn) ”的力量！ 21 第 2章 安裝使用Anaconda 29 2.1 集成開發(fā)環(huán)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(nèi)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(xué)邊用 63 4.1 Python 也有語法 64 4.2 注釋：不被執(zhí)行，卻很重要 66 4.3 縮進(jìn)：四個(gè)空格，標(biāo)識代碼塊 69 4.4 變量：一個(gè)什么都能裝的箱子 72 4.5 使用 import 導(dǎo)入包 74 4.6 Pythonic：Python 風(fēng)格 76 第 5章 Python數(shù)據(jù)類型 77 5.1 數(shù)據(jù)類型有哪些 78 5.2 數(shù)字：整數(shù)、浮點(diǎn)數(shù)、復(fù)數(shù) 79 5.3 字符串：用引號定義的文本 81 5.4 列表：存儲(chǔ)多個(gè)元素的序列 88 5.5 其他數(shù)據(jù)類型：元組、集合、字典 94 5.6 矩陣、向量：線性代數(shù)概念 95 第 6章 Python常見運(yùn)算 101 6.1 幾類運(yùn)算符 102 6.2 算術(shù)運(yùn)算符 103 6.3 比較運(yùn)算符 105 6.4 邏輯運(yùn)算符 106 6.5 賦值運(yùn)算符 107 6.6 成員運(yùn)算符 108 6.7 身份運(yùn)算符 108 6.8 優(yōu)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(jié)構(gòu) 123 7.1 什么是控制結(jié)構(gòu)？ 124 7.2 條件語句：相當(dāng)于開關(guān) 126 7.3 for循環(huán)語句 129 7.4 列表生成式 138 7.5 迭代器itertools 143 第 8章 Python函數(shù) 147 8.1 什么是 Python 函數(shù) 148 8.2 自定義函數(shù) 152 8.3 更多自定義線性代數(shù)函數(shù) 160 8.4 遞歸函數(shù)：自己反復(fù)調(diào)用自己 164 8.5 位置參數(shù)、關(guān)鍵字參數(shù) 165 8.6 使用 *args 和 **kwargs 167 8.7 匿名函數(shù) 169 8.8 構(gòu)造模塊、庫 170 8.9 模仿別人的代碼 171 第 9章 Python面向?qū)ο缶幊? 175 9.1 什么是面向?qū)ο缶幊? 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(diǎn)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(diǎn)圖 229 11.7 三維線圖 231 11.8 三維網(wǎng)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(shù)據(jù) 239 12.1 Seaborn：統(tǒng)計(jì)可視化利器 240 12.2 一元特征數(shù)據(jù) 241 12.3 二元特征數(shù)據(jù) 252 12.4 多元特征數(shù)據(jù) 257 第 13章 聊聊NumPy 265 13.1 什么是 NumPy 266 13.2 手動(dòng)構(gòu)造數(shù)組 267 13.3 生成數(shù)列 273 13.4 生成網(wǎng)格數(shù)據(jù) 274 13.5 特殊數(shù)組 276 13.6 隨機(jī)數(shù) 276 13.7 數(shù)組導(dǎo)入、導(dǎo)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(shù)組索引、切片 284 14.3 視圖 vs 副本 287 14.4 二維數(shù)組索引、切片 289 第 15章 NumPy常見運(yùn)算 293 15.1 加、減、乘、除、乘冪 294 15.2 廣播原則 295 15.3 統(tǒng)計(jì)運(yùn)算 298 15.4 常見函數(shù) 301 第 16章 NumPy數(shù)組規(guī)整 307 16.1 從 reshape() 函數(shù)說起 309 16.2 一維數(shù)組 → 行向量、列向量 310 16.3 一維數(shù)組 → 二維數(shù)組 311 16.4 一維數(shù)組 → 三維數(shù)組 312 16.5 視圖 vs 副本 312 16.6 轉(zhuǎn)置 313 16.7 扁平化 314 16.8 旋轉(zhuǎn)、翻轉(zhuǎn) 314 16.9 堆疊 315 16.10 重復(fù) 317 16.11 分塊矩陣 318 第 17章 NumPy線性代數(shù) 321 17.1 NumPy 的 linalg 模塊 322 17.2 拆解矩陣 323 17.3 向量運(yùn)算 325 17.4 矩陣運(yùn)算 329 17.5 幾個(gè)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(shù)組求和 340 18.3 轉(zhuǎn)置 341 18.4 矩陣乘法 343 18.5 一維數(shù)組 345 18.6 方陣 346 18.7 統(tǒng)計(jì)運(yùn)算 347 第 19章 聊聊Pandas 351 19.1 什么是 Pandas 353 19.2 創(chuàng)建數(shù)據(jù)幀：從字典、列表、NumPy 數(shù)組 354 19.3 數(shù)據(jù)幀操作：以鳶尾花數(shù)據(jù)為例 357 19.4 四則運(yùn)算：各列之間 363 19.5 統(tǒng)計(jì)運(yùn)算：聚合、降維、壓縮、折疊 365 19.6 時(shí)間序列：按時(shí)間順序排列的數(shù)據(jù) 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(diǎn)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(jì)曲線 382 第 21章 Pandas索引和切片 385 21.1 數(shù)據(jù)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(shí)間序列數(shù)據(jù)幀索引和切片 395 第 22章 Pandas規(guī)整 399 22.1 Pandas 數(shù)據(jù)幀規(guī)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(zhuǎn)換為寬格式：pivot() 409 22.6 寬格式轉(zhuǎn)換為長格式：stack() 411 22.7 長格式轉(zhuǎn)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(tǒng)計(jì)可視化 421 23.1 Plotly 常見可視化方案：以鳶尾花數(shù)據(jù)為例 422 23.2 增加一組分類標(biāo)簽 424 23.3 兩組標(biāo)簽：兩個(gè)維度 428 23.4 可視化比例：柱狀圖、餅圖 432 23.5 鉆。憾鄠(gè)層次之間的導(dǎo)航和探索 434 23.6 太陽爆炸圖：展示層次結(jié)構(gòu) 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(shí)間序列數(shù)據(jù) 453 24.1 什么是時(shí)間序列 454 24.2 缺失值：用 NaN 表示 457 24.3 移動(dòng)平均：一種平滑技術(shù) 460 24.4 收益率：相對漲跌 462 24.5 統(tǒng)計(jì)分析：均值、波動(dòng)率等 464 24.6 相關(guān)性：也可以隨時(shí)間變化 474 第 25章 SymPy符號運(yùn)算 481 25.1 什么是 SymPy 482 25.2 代數(shù) 482 25.3 線性代數(shù) 487 第 26章 SciPy數(shù)學(xué)運(yùn)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(tǒng)計(jì)模型 517 27.1 什么是 Statsmodels 518 27.2 二維散點(diǎn)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(jì)：高斯 KDE 535 第 28章 Scikit-Learn機(jī)器學(xué)習(xí) 545 28.1 什么是機(jī)器學(xué)習(xí) 546 28.2 有標(biāo)簽數(shù)據(jù)、無標(biāo)簽數(shù)據(jù) 549 28.3 回歸：找到自變量與因變量關(guān)系 550 28.4 降維：降低數(shù)據(jù)維度，提取主要特征 551 28.5 分類：針對有標(biāo)簽數(shù)據(jù) 552 28.6 聚類：針對無標(biāo)簽數(shù)據(jù) 553 28.7 什么是 Scikit-Learn 554 第29章 Scikit-Learn數(shù)據(jù) 555 29.1 Scikit-Learn 中有關(guān)數(shù)據(jù)的工具 557 29.2 樣本數(shù)據(jù)集 557 29.3 生成樣本數(shù)據(jù) 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(xùn)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(xiàng)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(yīng)用 611 32.4 支持向量機(jī)：間隔*大化 613 32.5 核技巧：數(shù)據(jù)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(nèi)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(jī)器學(xué)習(xí)Apps 653 36.1 搭建應(yīng)用 App：編程 + 數(shù)學(xué) + 可視化 + 機(jī)器學(xué)習(xí) 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(xiàng)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(jī) + 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(shù)學(xué)大系:從加減乘除到機(jī)器學(xué)習(xí)) 作者簡介

姜偉生，博士 FRM。 勤奮的小鎮(zhèn)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(xué)習(xí)資源，截至2024年5月，已經(jīng)分享5000多頁P(yáng)DF、5000多幅矢量圖、約3000個(gè)代碼文件，全球讀者數(shù)以萬計(jì)，GitHub全球排名TOP119（截止2024年4月19）。

商品評論(0條)
暫無評論……
書友推薦
編輯推薦
返回頂部
中圖網(wǎng)
在線客服