跳转至

Python极简讲义:一本书入门数据分析与机器学习-张玉宏

  •  Python极简讲义:一本书入门数据分析与机器学习|200
  • 书名: Python极简讲义:一本书入门数据分析与机器学习
  • 作者: 张玉宏
  • 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。
  • 出版时间 2020-04-01 00:00:00
  • ISBN: 9787121387043
  • 分类: 计算机-编程设计
  • 出版社: 电子工业出版社

高亮划线

封面

版权信息

作者简介

内容简介

推荐语

前言

  • 📌 我看到有人提出了类似的概念——最少必要知识(Minimal Actionable Knowledge and Experience,MAKE)。 ^106-1203-1275

    • ⏱ 2024-02-20 18:58:53
  • 📌 其实还有另一条备选之路,那就是走一走MAKE之道。在学习某项技能(如Python、数据分析、机器学习)时,我们要想办法在最短的时间内,摸索清楚这项技能的“最少必要知识”。一方面,它已然可以帮我们解决工作中的大部分问题;另一方面,入门之后,技能的提升通道可以在实践中寻得,缺啥补啥。有明确的任务导向,学习就会有如神助,这也是当前时代的快节奏学习法。 ^106-1630-1803

    • ⏱ 2024-02-20 18:59:01

第1章 初识Python与Jupyter

1.1 Python概要

  • 📌 scikit-learn构建于NumPy和SciPy之上,提供了一系列经典的机器学习算法,如聚类、分类和回归等,也提供了一些数据集供初学者学习、使用,如鸢尾花分类数据集、波士顿房价预测数据集、手写数字识别数据集等,还提供了统一的接口供用户调用 ^107-3608-3729
    • ⏱ 2024-02-20 19:13:57

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

  • 📌 Python解释器在执行代码时有很多内置变量,name__就是其中之一,其意义是“模块名”。这个内置变量很神奇,其神奇之处在于,它的值能够“见风使舵”,懂得“内外有别”,即面对不同的对象将呈现出不同的值。假设当前模块声明了这个内置变量,如果本模块直接执行,那么这个__name__的值就为__main[插图]。如果它被第三方引用(即通过import导入),那么它的值就是这个模块名,即它所在Python文件的文件名(不含扩展名.py)。 ^120-2742-3092
    • ⏱ 2024-02-20 19:26:39

3.3 模块的搜索路径

3.4 创建模块包

  • 📌 在文件夹中创建一个__init__.py文件[插图]。通常__init__.py文件的内容为空,其存在的意义就是要告知Python解释器,当前文件夹被标记为一个包。 ^122-1031-1214

    • ⏱ 2024-02-20 19:38:20
  • 📌 实际上,init.py中还有一个重要的变量__all__,其作用是,由它定义的对象可在执行“from包名import *”命令时,自动把__all__定义的模块,一次性批量导入。init.py中的代码如下。 ^122-2914-3025

    • ⏱ 2024-02-20 19:39:48

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

  • 📌 ●以“return [表达式]”结束函数,选择性地返回某个特定值给调用方。如果不写return表达式,系统会自动返回一个默认值None ^125-1353-1420
    • ⏱ 2024-02-27 20:57:39

4.2 函数参数的“花式”传递

  • 📌 一个星号()将多个参数打包为一个元组,而两个星号(*)的作用是什么呢?它的作用就是把可变参数打包成字典模样。 ^126-3279-3335
    • ⏱ 2024-02-27 21:05:32

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

专家推荐

读书笔记

本书评论