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

  • 内容简介
  • 推荐语
  • 前言
  • 第1章 初识Python与Jupyter
  • 1.1 Python概要
  • 1.2 Python的版本之争
  • 1.3 安装Anaconda
  • 1.4 运行Python
  • 1.5 Python中的内置函数
  • 1.6 文学化编程—Jupyter
  • 1.7 Jupyter中的魔法函数
  • 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
  • 2.3 程序控制结构
  • 2.4 高效的推导式
  • 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
  • 3.6 本章小结
  • 3.7 思考与提高
  • 第4章 Python函数
  • 4.1 Python中的函数
  • 4.2 函数参数的“花式”传递
  • 4.3 函数的递归
  • 4.4 函数式编程的高阶函数
  • 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
  • 5.2 生成器与迭代器
  • 5.3 文件操作
  • 5.4 异常处理
  • 5.5 错误调试
  • 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
  • 6.4 N维数组的属性
  • 6.5 NumPy数组中的运算
  • 6.6 爱因斯坦求和约定
  • 6.7 NumPy中的“轴”方向
  • 6.8 操作数组元素
  • 6.9 NumPy中的广播
  • 6.10 NumPy数组的高级索引
  • 6.11 数组的堆叠操作
  • 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
  • 7.4 DataFrame 类型数据
  • 7.5 基于Pandas的文件读取与分析
  • 7.6 泰坦尼克幸存者数据预处理
  • 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
  • 8.4 散点图
  • 8.5 条形图与直方图
  • 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
  • 8.11 惊艳的Seaborn
  • 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
  • 9.2 监督学习
  • 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
  • 9.7 性能度量
  • 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
  • 10.2 线性回归
  • 10.3 k-近邻算法
  • 10.4 Logistic回归
  • 10.5 神经网络学习算法
  • 10.6 非监督学习的代表—k均值聚类
  • 10.7 本章小结
  • 10.8 思考与提高
展开全部