AI 時代 Math 元年 - 用 Python 全精通程式設計
姜偉生 著
- 出版商: 深智曬書季精選2書66
- 出版日期: 2024-11-19
- 定價: $1,280
- 售價: 7.9 折 $1,011
- 語言: 繁體中文
- 頁數: 992
- ISBN: 6267569241
- ISBN-13: 9786267569245
-
相關分類:
Python、程式語言、人工智慧
尚未上市,歡迎預購
買這商品的人也買了...
-
$474$450 -
$354$336 -
$880$581 -
$458代替 VBA!用 Python 輕松實現 Excel 編程
-
$680$537 -
$420$378 -
$680$510 -
$680$537 -
$600$468 -
$680$530 -
$720$562 -
$780$616 -
$880$581 -
$620$490 -
$650$507 -
$720$562 -
$352巧用 ChatGPT 輕鬆學演講
-
$780$608 -
$850$638 -
$680$530 -
$690$545 -
$1,000$790 -
$980$774 -
$680$537 -
$880$695
相關主題
商品描述
AI時代Math元年 - 用Python全精通程式設計
本書旨在幫助零基礎的讀者學習Python程式設計。涵蓋了Anaconda和JupyterLab的安裝與使用,並深入介紹Python的基本語法、資料型態、常見運算、控制結構、函式以及物件導向程式設計,讓讀者能夠掌握Python的核心概念。在資料視覺化方面,本書探討了二維和三維視覺化技術,並使用Seaborn進行資料視覺化,幫助讀者將資料轉化為可視化的圖形。此外,書中詳細介紹了NumPy的使用,包括索引和切片、常見運算、陣列規整、線性代數以及愛因斯坦求和約定,這些都是進行資料分析的重要工具。
Pandas部分則著重於快速視覺化、索引和切片、時間序列資料的處理及資料規整,讓讀者能夠有效管理和分析資料。在進階視覺化和運算方面,本書介紹了Plotly的統計視覺化、SymPy的符號運算、SciPy的數學運算及Statsmodels的統計模型,這些工具能夠幫助讀者進行更複雜的資料分析。在機器學習的部分,書中探討了Scikit-Learn的應用,包括資料預處理、回歸、降維、分類和聚類等技術,讓讀者了解如何利用機器學習解決實際問題。
作者簡介
姜偉生
博士FRM。勤奮的小鎮做題家,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」學習資源,截至2023年9月,已經分享4000多頁PDF、4000多幅矢量圖、約2000個代碼文件,全球讀者數以萬計。
目錄大綱
第 1 篇 預備
第 1 章 聊聊「巨蟒」
1.1 Python? 巨蟒?
1.2 Python和視覺化有什麼關係?
1.3 Python和數學有什麼關係?
1.4 Python和機器學習有什麼關係?
1.5 相信「反覆+精進」的力量!
第 2 章 安裝使用Anaconda
2.1 整合式開發環境
2.2 如何安裝Anaconda?
2.3 測試JupyterLab
2.4 查看Python第三方函式庫版本編號
2.5 安裝、更新、卸載Python 第三方函式庫
第 3 章 JupyterLab,用起來!
3.1 什麼是JupyterLab?
3.2 使用JupyterLab:立刻用起來
3.3 快速鍵:這一章可能最有用的內容
3.4 什麼是LaTeX?
3.5 字母和符號
3.6 用LaTex寫公式
第 2 篇 語法
第 4 章 Python 語法,邊學邊用
4.1 Python也有語法?
4.2 註釋:不被執行,卻很重要
4.3 縮進:四個空格,標識程式區塊
4.4 變數:一個什麼都能裝的箱子
4.5 使用import匯入套件
4.6 Pythonic:Python風格
第 5 章 Python資料型態
5.1 資料型態有哪些?
5.2 數字:整數、浮點數、複數
5.3 字串:用引號定義的文字
5.4 串列:儲存多個元素的序列
5.5 其他資料型態:元組、集合、字典
5.6 矩陣、向量:線性代數概念
第 6 章 Python常見運算
6.1 幾類運算子
6.2 算術運算子
6.3 比較運算子
6.4 邏輯運算子
6.5 設定運算子
6.6 成員運算子
6.7 身份運算子
6.8 優先順序
6.9 聊聊math函式庫
6.10 聊聊random函式庫和statistics函式庫
第 7 章 Python控制結構
7.1 什麼是控制結構?
7.2 條件陳述式:相當於開關
7.3 for迴圈敘述
7.4 串列生成式
7.5 迭代器itertools
第 8 章 Python函式
8.1 什麼是Python函式?
8.2 自訂函式
8.3 更多自訂線性代數函式
8.4 遞迴函式:自己反覆呼叫自己
8.5 位置參數、關鍵字參數
8.6 使用*args 和**kwargs
8.7 匿名函式
8.8 構造模組、函式庫
8.9 模仿別人的程式
第 9 章 Python物件導向程式設計
9.1 什麼是物件導向程式設計?
9.2 定義屬性
9.3 定義方法
9.4 裝飾器
9.5 父類別、子類別
第 3 篇 繪圖
第 10 章 聊聊視覺化
10.1 解剖一幅圖
10.2 使用Matplotlib繪製線圖
10.3 圖片美化
10.4 使用Plotly繪製線圖
第 11 章 二維和三維視覺化
11.1 二維視覺化方案
11.2 二維散點圖
11.3 二維等高線圖
11.4 熱圖
11.5 三維視覺化方案
11.6 三維散點圖
11.7 三維線圖
11.8 三維網格曲面圖
11.9 三維等高線圖
11.10 箭頭圖
第 12 章 Seaborn視覺化資料
12.1 Seaborn:統計視覺化利器
12.2 一元特徵資料
12.3 二元特徵資料
12.4 多元特徵資料
第 4 篇 陣列
第 13 章 聊聊NumPy
13.1 什麼是NumPy?
13.2 手動構造陣列
13.3 生成數列
13.4 生成網格資料
13.5 特殊陣列
13.6 隨機數
13.7 陣列匯入、匯出
第 14 章 NumPy索引和切片
14.1 什麼是索引、切片?
14.2 一維陣列索引、切片
14.3 視圖vs副本
14.4 二維陣列索引、切片
第 15 章 NumPy常見運算
15.1 加、減、乘、除、乘冪
15.2 廣播原則
15.3 統計運算
15.4 常見函式
第 16 章 NumPy陣列規整
16.1 從reshape()函式說起
16.2 一維陣列→行向量、列向量
16.3 一維陣列→二維陣列
16.4 一維陣列→三維陣列
16.5 視圖vs副本
16.6 轉置
16.7 扁平化
16.8 旋轉、翻轉
16.9 堆疊
16.10 重複
16.11 分塊矩陣
第 17 章 NumPy線性代數
17.1 NumPy的linalg模組
17.2 拆解矩陣
17.3 向量運算
17.4 矩陣運算
17.5 幾個常見矩陣分解
第 18 章 NumPy愛因斯坦求和約定
18.1 什麼是愛因斯坦求和約定?
18.2 二維陣列求和
18.3 轉置
18.4 矩陣乘法
18.5 一維陣列
18.6 方陣
18.7 統計運算
第 5 篇 資料
第 19 章 聊聊Pandas
19.1 什麼是Pandas?
19.2 建立資料幀:從字典、串列、NumPy 陣列⋯⋯
19.3 資料幀操作:以鳶尾花資料為例
19.4 四則運算:各列之間
19.5 統計運算:聚合、降維、壓縮、折疊⋯⋯
19.6 時間序列:按時間順序排列的資料
第 20 章 Pandas快速視覺化
20.1 Pandas的視覺化功能
20.2 線圖:pandas.DataFrame.plot()
20.3 散點圖
20.4 柱狀圖
20.5 箱型圖
20.6 長條圖和核心密度估計曲線
第 21 章 Pandas索引和切片
21.1 資料幀的索引和切片
21.2 提取特定列
21.3 提取特定行
21.4 提取特定元素
21.5 條件索引
21.6 多層索引
21.7 時間序列資料幀索引和切片
第 22 章 Pandas規整
22.1 Pandas資料幀規整
22.2 拼接:pandas.concat()
22.3 合併:pandas.join()
22.4 合併:pandas.merge()
22.5 長格式轉為寬格式:pivot()
22.6 寬格式轉為長格式:stack()
22.7 長格式轉為寬格式:unstack()
22.8 分組聚合:groupby()
22.9 自訂操作:apply()
第 23 章 Plotly統計視覺化
23.1 Plotly常見視覺化方案:以鳶尾花資料為例
23.2 增加一組分類標籤
23.3 兩組標籤:兩個維度
23.4 視覺化比例:柱狀圖、圓形圖
23.5 鑽取:多個層次之間的導覽和探索
23.6 太陽爆炸圖:展示層次結構
23.7 增加第三切割維度
23.8 平均值的鑽取:全集vs子集
第 24 章 Pandas時間序列資料
24.1 什麼是時間序列?
24.2 遺漏值:用NaN表示
24.3 移動平均:一種平滑技術
24.4 收益率:相對漲跌
24.5 統計分析:平均值、波動率等
24.6 相關性:也可以隨時間變化
第 6 篇 數學
第 25 章 SymPy符號運算
25.1 什麼是SymPy?
25.2 代數
25.3 線性代數
第 26 章 SciPy數學運算
26.1 什麼是SciPy?
26.2 距離
26.3 插植
26.4 高斯分佈
第 27 章 Statsmodels統計模型
27.1 什麼是Statsmodels?
27.2 二維散點圖+橢圓
27.3 最小平方線性回歸
27.4 主成分分析
27.5 機率密度估計:高斯KDE
第 7 篇 機器學習
第 28 章 Scikit-Learn機器學習
28.1 什麼是機器學習?
28.2 有標籤資料、無標籤資料
28.3 回歸:找到引數與因變數關係
28.4 降維:降低資料維度,提取主要特徵
28.5 分類:針對有標籤資料
28.6 聚類:針對無標籤資料
28.7 什麼是Scikit-Learn?
第 29 章 Scikit-Learn資料
29.1 Scikit-Learn中有關資料的工具
29.2 樣本資料集
29.3 生成樣本資料
29.4 特徵縮放
29.5 處理遺漏值
29.6 處理離群值
29.7 訓練集vs測試集
第 30 章 Scikit-Learn回歸
30.1 聊聊回歸
30.2 一元線性回歸
30.3 二元線性回歸
30.4 多項式回歸
30.5 正規化:抑制過度擬合
第 31 章 Scikit-Learn降維
31.1 降維
31.2 主成分分析
31.3 兩特徵PCA
31.4 三特徵PCA
第 32 章 Scikit-Learn分類
32.1 什麼是分類?
32.2 k最近鄰分類:近朱者赤,近墨者黑
32.3 高斯單純貝氏分類:貝氏定理的應用
32.4 支援向量機:間隔最大化
32.5 核心技巧:資料映射到高維空間
第 33 章 Scikit-Learn聚類
33.1 聚類
33.2 K平均值聚類
33.3 高斯混合模型
第 8 篇 應用
第 34 章 了解一下Spyder
34.1 什麼是Spyder?
34.2 Spyder用起來
34.3 快速鍵:這章可能最有用的內容
第 35 章 Streamlit架設Apps
35.1 什麼是Streamlit?
35.2 顯示
35.3 視覺化
35.4 輸入工具
35.5 App版面配置
第 36 章 Streamlit架設機器學習Apps
36.1 架設應用App:程式設計+數學+視覺化+機器學習
36.2 一元高斯分佈
36.3 二元高斯分佈
36.4 三元高斯分佈
36.5 多項式回歸
36.6 主成分分析
36.7 k最近鄰分類
36.8 支援向量機+高斯核心
36.9 高斯混合模型聚類