跨領域學 Python:資料科學基礎養成

施威銘研究室

  • 出版商: 旗標科技
  • 出版日期: 2020-11-30
  • 定價: $480
  • 售價: 7.9$379
  • 語言: 繁體中文
  • 頁數: 320
  • 裝訂: 平裝
  • ISBN: 9863126403
  • ISBN-13: 9789863126409
  • 相關分類: Python資料科學

立即出貨 (庫存 > 10)

  • 跨領域學 Python:資料科學基礎養成-preview-1
  • 跨領域學 Python:資料科學基礎養成-preview-2
  • 跨領域學 Python:資料科學基礎養成-preview-3
  • 跨領域學 Python:資料科學基礎養成-preview-4
  • 跨領域學 Python:資料科學基礎養成-preview-5
  • 跨領域學 Python:資料科學基礎養成-preview-6
  • 跨領域學 Python:資料科學基礎養成-preview-7
  • 跨領域學 Python:資料科學基礎養成-preview-8
  • 跨領域學 Python:資料科學基礎養成-preview-9
跨領域學 Python:資料科學基礎養成-preview-1

買這商品的人也買了...

相關主題

商品描述

我又不是程式設計師, 為什麼逼我寫程式?

學 Python 到底要幹嘛?


█ 全民 AI 時代來臨, 資料科學順勢崛起

身在數位新世代, 任何行業都會接觸到龐大的資料, 而 Python 正是當今最常用的大數據 (Big Data) 處理工具。考慮到世界各國紛紛搶著將程式語言列入正規教育體系、台灣在 108 年度高中課綱跟進, 資料科學 (data science) 與機器學習 (machine learning) 又成為時下最搶手的新興行業, 學 Python 已經蔚為全民運動。

再不學 Python, 你將喪失競爭力, 等著淪為昨日黃花!


█ 對未來徬徨的文科生, 也能靠程式培養斜槓好本事

為什麼學程式一定要數學好、懂理論?大學修過的計概、微積分或統計早就忘光光了, 怎麼辦?

學 Python 絕非理科系學生的專利, 任何人都能輕鬆學會並運用 Python。用 Python 處理資料絕對出乎你意料地容易──無須高深技術或數學知識, 只需撰寫短短幾行程式碼, 便能輕鬆獲得統計數據和繪製圖表。一旦學會程式/資料科學技能, 再與你自身科系的知識及專長結合, 便能創造出獨一無二的跨領域價值, 大大提升就業前景、不怕畢業即失業!


█ 從做中學, 零程式基礎也保證學得會

從 Python 的基本語法與重要基礎觀念, 到使用 Python 抓取報表、分析資料關聯、預測資料趨勢、繪製各種圖表, 甚至看似艱深、實際上簡單易用的機器學習模型...在耳聞已久的神秘面紗底下, 透過這本書引進門, 各位將發現使用 Python 來運用這些工具, 居然是如此簡單。

本書由同樣文科系出身的資深程式學習者操刀, 跳脫電腦書過去沉悶無趣的印象, 改以輕鬆又不失幽默的筆法、簡單但超實用的範例, 一步步帶各位體驗 Python 語言及資料科學的驚人威力。

學 Python 從未如此簡單──你到底還在等什麼? 
本書特色: 
  ★ 以易讀、高親和力的方式講解 Python 語言 (變數、邏輯判斷、迴圈、資料結構、函式...等) 及資料科學套件, 超級零基礎文科生也學得會, 從第一頁就有感!

★ 用簡單套件打好資料科學基礎, 零基礎、高效率處理好大量資料, 包括:NumPy、Pandas、matplotlib、seaborn、scikit-learn、requests 等熱門套件。

★ 還不知道學 Python 能做什麼嗎?本書用極短程式碼完成超實用範例, 包括:整理報表、統計試算、繪製圖表、爬取網頁、預測分析、機器學習...等等。

★ 大數據時代必備的資料科學基礎, 從基礎統計學到機器學習, 你將快速搞懂像是中位數、四分位數、變異數、標準差、直方圖 (histogram)、箱型圖 (box plot)、相關係數 (correlation coefficient)、決定係數 (R2)、精準率與召回率 (Precision/Recall)、線性迴歸 (linear regression)、K-近鄰 (KNN)、邏輯斯迴歸 (Logistic Regression)、支援向量機 (SVM)、主成分分析 (PCA)、標籤 (labels)、特徵 (features)、分類器 (classifier)、標準化 (standardization)、降維 (dimension reduction)...

★ 特別附贈 Bonus:線上即時更新的 Jupyter Notebook 和 Anaconda 安裝操作手冊

作者簡介

施威銘研究室

持續專注科技教育, 卓越的品質是我們的堅持。致力推廣「Learning by doing 從學理到實作」, 希望培養更多的 AI 人才, 實踐學以致用的理想。

目錄大綱

第 0 章 有沒有 Python 超好用的八卦?
0-0 最簡單的 Python 程式
0-1 資料視覺化
0-2 從網路抓資料
0-3 資料分析大神 Python
0-4 繼續往下翻之前的兩三事
0-5 準備好了嗎?執行這個程式

第 1 章 運算式、變數與資料型別
1-0 運算式:可算出值的式子
1-1 Python 的基礎資料型別 (type)
1-2 變數:給資料一個名字
1-3 變數的型別
1-4 變數的命名

第 2 章 邏輯判斷
2-0 用 if-else 做判斷
2-1 條件運算式
2-2 多重的 if 與 elif
2-3 以 input() 輸入資料
2-4 以 random 模組產生亂數

第 3 章 串列 list 與字典 dictionary 資料結構
3-0 串列 (list):收集一連串資料的容器
3-1 串列切片 slicing:擷取串列中某範圍的一些元素
3-2 串列資料的增刪、加總與排序
3-3 字典:有鍵、值對照表的容器
3-4 其他資料結構:tuple 與集合

第 4 章 for、while 迴圈與走訪 iteration
4-0 做 10 件事情就要寫 10 行程式?可以少一點嗎?
4-1 用 for 迴圈走訪容器
4-2 用 for 迴圈產生索引來存取另一個容器
4-3 用 for 迴圈走訪字典
4-4 while 迴圈:有停止條件的迴圈

第 5 章 數值、字串與簡易統計計算
5-0 Python 數值處理
5-1 math 模組
5-2 簡易統計量數計算
5-3 Python 字串處理
5-4 字串走訪、擷取及與串列的互轉

第 6 章 自訂函式 Function
6-0 用 def 自訂函式
6-1 能傳遞參數的函式
6-2 呼叫函式常見的錯誤與解決方法
6-3 有傳回值的函式
6-4 函式內外變數的差異:區域變數 vs. 全域變數

第 7 章 數值資料分析與其視覺化:使用 NumPy 及 matplotlib
7-0 認識 NumPy 與 matplotlib
7-1 NumPy 的基礎:ndarray 陣列
7-2 ndarray 陣列的運算及統計
7-3 將 ndarray 畫成折線圖:使用 matplotlib
7-4 直方圖與箱型圖:比較資料的偏度及離散程度

第 8 章 資料相關度與簡單線性迴歸分析 Data correlation coefficient and simple linear regression
8-0 相關係數 (correlation coefficient):資料的相關程度
8-1 簡單線性迴歸 (linear regression):預測資料的模型
8-2 簡單線性迴歸的視覺化 (visualization) 及圖表調整
8-3 非線性迴歸模型 [補充]

第 9 章 報表處理及視覺化:使用 pandas 及 seaborn
9-0 使用 pandas 匯入並分析資料
9-1 DataFrame 物件的行列選取及統計量數
9-2 以 seaborn 將報表資料視覺化
9-3 讀取空汙資訊的 CSV 格式報表

第 10 章 爬取網路資料:使用 requests
10-0 用 requests 存取網路資源
10-1 以 requests 取得網路服務
10-2 解析網路服務的資料內容
10-3 網路服務實用範例:中央氣象局 36 小時天氣預報
10-4 網路資料圖形化:以地震震度統計為例

第 11 章 多元線性迴歸分析:scikit-learn
11-0 使用 scikit-learn 並匯入測試資料集
11-1 訓練並評估多元線性迴歸模型
11-2 評估模型的表現 (performance)
11-3 用真實世界的資料做迴歸分析:共享單車與天氣

第 12 章 運用機器學習做分類 (classification) 預測及資料簡化
12-0 資料分類 (classification)
12-1 KNN (K 近鄰) 預測模型
12-2 邏輯斯 (Logistic) 迴歸模型
12-3 改善邏輯斯迴歸模型
12-4 主成分分析 (PCA):減少需分析的變數

附錄 A 安裝並使用 Jupyter Notebook 編輯器
A-0 下載並安裝 Anaconda
A-1 啟動 Jupyter Notebook
A-2 使用編輯器記事本