《Python极简讲义》内容简介

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