Python极简讲义：一本书入门数据分析与机器学习

10.8 思考与提高

10.7 本章小结

10.6 非监督学习的代表—k均值聚类

10.5 神经网络学习算法

10.4 Logistic回归

10.3 k-近邻算法

10.2 线性回归

10.1 机器学习的利器—sklearn

第10章 sklearn与经典机器学习算法

9.9 思考与提高

9.8 本章小结

9.7 性能度量

9.6 模型性能评估

9.5 机器学习的哲学视角

9.4 半监督学习

9.3 非监督学习

9.2 监督学习

9.1 机器学习定义

第9章 机器学习初步

8.13 思考与提高

8.12 本章小结

8.11 惊艳的Seaborn

8.10 与Pandas协作绘图—以谷歌流感趋势数据为例

8.9 绘制三维图形

8.8 误差条

8.7 箱形图

8.6 饼图

8.5 条形图与直方图

8.4 散点图

8.3 pyplot的高级功能

8.2 绘制简单图形

8.1 Matplotlib与图形绘制

第8章 Matplotlib与Seaborn可视化分析

7.8 思考与提高

7.7 本章小结

7.6 泰坦尼克幸存者数据预处理

7.5 基于Pandas的文件读取与分析

7.4 DataFrame类型数据

7.3 Series类型数据

7.2 Pandas的安装

7.1 Pandas简介

第7章 Pandas数据分析

6.14 思考与提高

6.13 本章小结

6.12 NumPy中的随机数模块

6.11 数组的堆叠操作

6.10 NumPy数组的高级索引

6.9 NumPy中的广播

6.8 操作数组元素

6.7 NumPy中的“轴”方向

6.6 爱因斯坦求和约定

6.5 NumPy数组中的运算

6.4 N维数组的属性

6.3 生成NumPy数组

6.2 如何导入NumPy

6.1 为何需要NumPy

第6章 NumPy向量计算

5.7 思考与提高

5.6 本章小结

5.5 错误调试

5.4 异常处理

5.3 文件操作

5.2 生成器与迭代器

5.1 面向对象程序设计

第5章 Python高级特性

4.6 思考与提高

4.5 本章小结

4.4 函数式编程的高阶函数

4.3 函数的递归

4.2 函数参数的“花式”传递

4.1 Python中的函数

第4章 Python函数

3.7 思考与提高

3.6 本章小结

3.5 常用的内建模块

3.4 创建模块包

3.3 模块的搜索路径

3.2 编写自己的模块

3.1 导入Python标准库

第3章 自建Python模块与第三方模块

2.6 思考与提高

2.5 本章小结

2.4 高效的推导式

2.3 程序控制结构

2.2 Python中的基本数据类型

2.1 为什么需要不同的数据类型

第2章 数据类型与程序控制结构

1.9 思考与提高

1.8 本章小结

1.7 Jupyter中的魔法函数

1.6 文学化编程—Jupyter

1.5 Python中的内置函数

1.4 运行Python

1.3 安装Anaconda

1.2 Python的版本之争

1.1 Python概要

第1章 初识Python与Jupyter

前言

推荐语

内容简介

作者简介

版权信息

封面

封面

版权信息

作者简介

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