全新正版 Python程序设计:人工智能案例实践 保罗·戴特尔(PaulDeitel),哈维·戴特尔(Harv 9787111678458 机械工业出版社
本店所售图书,保证正版新书,有个别图片和实书封面不一样,以实书封面为准,最快当天,一般隔天发货。支持7天无理由退换货.开票联系客服
¥
113.59
7.6折
¥
149
全新
库存6件
作者 保罗·戴特尔(PaulDeitel),哈维·戴特尔(Harv
出版社 机械工业出版社
ISBN 9787111678458
出版时间 2021-04
装帧 平装
开本 16开
定价 149元
货号 31133260
上书时间 2023-05-12
商品详情
品相描述:全新
商品描述
作者简介 保罗·戴特尔 Deitel&Associates公司首席执行官兼首席技术官,毕业于麻省理工学院,拥有38年的计算经验。保罗是世界上很有经验的编程语言培训师之一,自1992年以来一直针对软件开发人员教授专业课程。他服务过的靠前客户包括思科、IBM、西门子、Oracle、戴尔、富达、美国国家航空航天局肯尼迪航天中心等。他也是靠前上很畅销的编程语言经典图书的撰写者,如C++ How to program、C How to program、Java How to program、Visual C# How to Program,等等。 目录 审稿人评论 译者序 前言 作者简介 开始阅读本书之前 部分Python基础知识快速入门 章Python及大数据概述2 1.1简介2 1.2快速回顾面向对象技术的基础知识3 1.3Python5 1.4Python库7 1.4.1Python标准库7 1.4.2数据科学库8 1.5试用IPython和Jupyter Notebook9 1.5.1使用IPython交互模式作为计算器10 1.5.2使用IPython 解释器执行Python程序11 1.5.3在Jupyter Notebook中编写和执行代码12 1.6云和物联网16 1.6.1云16 1.6.2物联网17 1.7大数据有多大18 1.7.1大数据分析22 1.7.2数据科学和大数据正在带来改变:用例23 1.8案例研究:大数据移动应用程序24 1.9数据科学入门:人工智能——计算机科学与数据科学的交叉学科26 1.10小结28 第2章Python程序设计概述29 2.1简介29 2.2变量和赋值语句30 2.3算术运算31 2.4print函数、单引号和双引号34 2.5三引号字符串36 2.6从用户处获取输入37 2.7决策:if语句和比较运算符39 2.8对象和动态类型43 2.9数据科学入门:基础的描述性统计44 2.10小结46 第3章控制语句48 3.1简介48 3.2控制语句概述49 3.3if语句49 3.4if...else和if...elif...else语句50 3.5while语句53 3.6for语句54 3.6.1可迭代对象、列表和迭代器55 3.6.2内置函数range55 3.7增强赋值56 3.8序列控制迭代和格式化字符串56 3.9边界值控制的迭代57 3.10内置函数range:深入讨论59 3.11使用Decimal类型处理货币金额59 3.12break和continue语句63 3.13布尔运算符and、or和not63 3.14数据科学入门:集中趋势度量——均值、中值和众数66 3.15小结67 第4章函数69 4.1简介69 4.2函数定义70 4.3多参数函数72 4.4随机数生成74 4.5案例研究:一个运气游戏76 4.6Python标准库79 4.7math模块中的函数80 4.8在IPython中使用制表符自动补全81 4.9默认参数值82 4.10关键字参数83 4.11不定长参数列表83 4.12方法:属于对象的函数84 4.13作用域规则85 4.14import:深入讨论87 4.15向函数传递参数:深入讨论88 4.16递归91 4.17函数式编程93 4.18数据科学入门:离中趋势度量95 4.19小结96 第5章序列:列表和元组97 5.1简介97 5.2列表98 5.3元组102 5.4序列解包104 5.5序列切片106 5.6使用del声明108 5.7将列表传递给函数109 5.8列表排序110 5.9序列搜索111 5.10列表的其他方法113 5.11使用列表模拟堆栈115 5.12列表推导式116 5.13生成器表达式118 5.14过滤、映射和归约118 5.15其他的序列处理函数120 5.16二维列表122 5.17数据科学入门:模拟和静态可视化124 5.17.1掷600、60,000、6,000,000次骰子的图例124 5.17.2实现掷骰子中不同点数出现次数和百分比的可视化126 5.18小结132 第二部分Python数据结构、字符串和文件 第6章字典和集合136 6.1简介136 6.2字典137 6.2.1创建字典137 6.2.2遍历字典138 6.2.3基本的字典操作138 6.2.4字典的keys和values方法140 6.2.5字典的比较141 6.2.6示例:学生成绩字典142 6.2.7示例:单词计数143 6.2.8字典的update方法144 6.2.9字典推导式145 6.3集合146 6.3.1集合的比较147 6.3.2集合的数学运算148 6.3.3集合的可变运算符和方法150 6.3.4集合推导式151 6.4数据科学入门:动态可视化151 6.4.1动态可视化的工作原理152 6.4.2实现动态可视化154 6.5小结156 第7章使用NumPy进行面向数组的编程158 7.1简介158 7.2从现有数据创建数组159 7.3数组属性160 7.4用特定值填充数组162 7.5从范围创建数组162 7.6列表与数组的性能比较:引入%timeit164 7.7数组运算符165 7.8NumPy计算方法167 7.9通用函数168 7.10索引和切片170 7.11视图:浅拷贝171 7.12视图:深拷贝173 7.13重塑和转置174 7.14数据科学入门:pandas Series和DataFrame176 7.14.1Series177 7.14.2DataFrame181 7.15小结188 第8章字符串:深入讨论190 8.1简介190 8.2格式化字符串191 8.2.1表示类型191 8.2.2字段宽度和对齐方式193 8.2.3数字格式化193 8.2.4字符串的format方法194 8.3拼接和重复字符串195 8.4去除字符串中的空白字符196 8.5字符大小写转换196 8.6字符串的比较运算符197 8.7查找子字符串197 8.8替换子字符串199 8.9字符串拆分和连接199 8.10字符串测试方法201 8.11原始字符串202 8.12正则表达式介绍202 8.12.1re模块与fullmatch函数203 8.12.2替换子字符串和拆分字符串207 8.12.3其他搜索功能、访问匹配207 8.13数据科学入门:pandas、正则表达式和数据治理210 8.14小结214 第9章文件和异常215 9.1简介215 9.2文件216 9.3文本文件处理217 9.3.1向文本文件中写入数据:with语句的介绍217 9.3.2从文本文件中读取数据218 9.4更新文本文件220 9.5使用JSON进行序列化221 9.6关注安全:pickle序列化和反序列化224 9.7关于文件的附加说明224 9.8处理异常225 9.8.1被零除和无效输入226 9.8.2try语句226 9.8.3在一条except子句中捕获多个异常229 9.8.4一个函数或方法引发了什么异常229 9.8.5try子句的语句序列中应该书写什么代码229 9.9finally子句229 9.10显式地引发一个异常231 9.11(选学)堆栈展开和回溯232 9.12数据科学入门:使用CSV文件234 9.12.1Python标准库模块csv234 9.12.2将CSV文件数据读入pandas DataFrame中236 9.12.3读取泰坦尼克号灾难数据集237 9.12.4用泰坦尼克号灾难数据集做简单的数据分析238 9.12.5乘客年龄直方图239 9.13小结240 第三部分Python不错主题 0章面向对象编程242 10.1简介242 10.2自定义Account类244 10.2.1试用Account类245 10.2.2Account类的定义246 10.2.3组合:对象引用作为类的成员248 10.3属性访问控制248 10.4用于数据访问的property249 10.4.1试用Time类249 10.4.2Time类的定义251 10.4.3Time类定义的设计说明254 10.5模拟“私有”属性255 10.6案例研究:洗牌和分牌模拟257 10.6.1试用Card类和DeckOfCards类257 10.6.2Card类:引入类属性258 10.6.3DeckOfCards类260 10.6.4利用Matplotlib显示扑克牌图像262 10.7继承:基类和子类265 10.8构建继承层次结构:引入多态性267 10.8.1基类CommissionEmployee267 10.8.2子类SalariedCommission-Employee270 10.8.3以多态方式处理Commission-Employee和SalariedComm-issionEmployee273 10.8.4关于基于对象和面向对象编程的说明274 10.9鸭子类型和多态性274 10.10运算符重载276 10.10.1试用Complex类277 10.10.2Complex类的定义278 10.11异常类层次结构和自定义异常279 10.12具名元组280 10.13Python 3.7的新数据类简介281 10.13.1创建Card数据类282 10.13.2使用Card数据类284 10.13.3数据类相对于具名元组的优势286 10.13.4数据类相对于传统类的优势286 10.14使用文档字符串和doctest进行单元测试286 10.15命名空间和作用域290 10.16数据科学入门:时间序列和简单线性回归293 10.17小结300 第四部分人工智能、云和大数据案例研究 1章自然语言处理304 11.1简介304 11.2TextBlob305 11.2.1创建一个TextBlob对象307 11.2.2将文本标记为句子和单词307 11.2.3词性标注308 11.2.4提取名词短语309 11.2.5使用TextBlob的默认情感分析器进行情感分析309 11.2.6使用NaiveBayesAnalyzer进行情感分析310 11.2.7语言检测与翻译311 11.2.8变形:复数化和单数化312 11.2.9拼写检查和拼写校正313 11.2.10规范化:词干提取和词形还原314 11.2.11词频314 11.2.12从WordNet中获取单词定义、同义词和反义词315 11.2.13删除停用词317 11.2.14n元318 11.3使用柱状图和词云可视化词频319 11.3.1使用pandas可视化词频319 11.3.2使用词云可视化词频321 11.4使用Textatistic库进行可读性评估324 11.5使用spaCy命名实体识别326 11.6使用spaCy进行相似性检测327 11.7其他NLP库和工具328 11.8机器学习和深度学习自然语言应用328 11.9自然语言数据集329 11.10小结329 2章Twitter数据挖掘331 12.1简介331 12.2Twitter API概况333 12.3创建一个Twitter账户334 12.4获取Twitter凭据,创建应用程序334 12.5什么是推文336 12.6Tweepy339 12.7通过Tweepy进行Twitter身份验证340 12.8获取一个Twitter账户的相关信息341 12.9Tweepy Cursor简介:获得一个账户的关注者和朋友343 12.9.1确定一个账户的关注者343 12.9.2确定一个账户的关注对象345 12.9.3获取一个用户的推文345 12.10搜索的推文346 12.11热门话题发现:Twitter热门话题API348 12.11.1有热门话题的地点348 12.11.2获取热门话题列表349 12.11.3根据热门话题创建词云351 12.12推文分析前的清理或预处理352 12.13Twitter流API353 12.13.1创建StreamListener的子类353 12.13.2启动流处理356 12.14推文情感分析357 12.15地理编码和映射361 12.15.1获取和映射推文362 12.15.2tweetutilities.py中的实用函数366 12.15.3LocationListener类367 12.16存储推文的方法368 12.17Twitter和时间序列369 12.18小结369 3章IBM Watson和认知计算370 13.1简介370 13.2IBM云账户和云控制台372 13.3Watson服务372 13.4额外的服务和工具375 13.5Watson开发者云Python SDK377 13.6案例研究:旅行者翻译伴侣APP377 13.6.1准备工作378 13.6.2运行APP379 13.6.3SimpleLanguageTranslator.py脚本代码分析380 13.7Watson资源390 13.8小结391 4章机器学习:分类、回归和聚类392 14.1简介392 14.1.1scikit-learn393 14.1.2机器学习的类别394 14.1.3scikit-learn中内置的数据集396 14.1.4典型的数据科学研究的步骤396 14.2案例研究:用k近邻算法和Digits数据集进行分类(部分)397 14.2.1k近邻算法398 14.2.2加载数据集399 14.2.3可视化数据402 14.2.4拆分数据以进行训练和测试404 14.2.5创建模型405 14.2.6训练模型405 14.2.7预测数字类别406 14.3案例研究:利用k近邻算法和Digits数据集进行分类(第2部分)407 14.3.1模型准确性指标407 14.3.2k折交叉验证410 14.3.3运行多个模型以找到模型411 14.3.4超参数调整413 14.4案例研究:时间序列和简单线性回归413 14.5案例研究:基于加利福尼亚房价数据集的多元线性回归418 14.5.1加载数据集418 14.5.2使用pandas探索数据420 14.5.3可视化特征422 14.5.4拆分数据以进行训练和测试426 14.5.5训练模型426 14.5.6测试模型427 14.5.7可视化预测房价和期望房价427 14.5.8回归模型指标428 14.5.9选择模型429 14.6案例研究:无监督学习(部分)——降维430 14.7案例研究:无监督学习(第2部分)——k均值聚类433 14.7.1加载Iris数据集435 14.7.2探索Iris数据集:使用pandas进行描述性统计436 14.7.3使用Seaborn的pairplot可视化数据集438 14.7.4使用KMeans估计器440 14.7.5主成分分析降维442 14.7.6选择聚类估计器444 14.8小结445 5章深度学习447 15.1简介447 15.1.1深度学习应用449 15.1.2深度学习演示450 15.1.3Keras资源450 15.2Keras内置数据集450 15.3自定义Anaconda环境451 15.4神经网络452 15.5张量454 15.6用于视觉的卷积神经网络:使用MNIST数据集进行多分类455 15.6.1加载MNIST数据集457 15.6.2数据探索457 15.6.3数据准备459 15.6.4创建神经网络模型461 15.6.5训练和评价模型468 15.6.6保存和加载模型472 15.7用TensorBoard可视化神经网络的训练过程473 15.8ConvnetJS:基于浏览器的深度学习训练和可视化476 15.9针对序列的递归神经网络:使用IMDb数据集进行情感分析477 15.9.1加载IMDb影评数据集478 15.9.2数据探索478 15.9.3数据准备480 15.9.4创建神经网络481 15.9.5训练和评价模型483 15.10调整深度学习模型484 15.11在ImageNet上预训练的CNN模型485 15.12小结486 6章大数据:Hadoop、Spark、NoSQL和IoT488 16.1简介488 16.2关系数据库和结构化查询语言492 16.2.1books数据库493 16.2.2SELECT查询497 16.2.3WHERE子句497 16.2.4ORDER BY子句498 16.2.5从多个表中合并数据:INNER JOIN499 16.2.6INSERT INTO语句500 16.2.7UPDATE语句501 16.2.8DELETE FROM语句502 16.3NoSQL和NewSQL大数据数据库简述502 16.3.1NoSQL键-值数据库503 16.3.2NoSQL文档数据库503 16.3.3NoSQL列式数据库504 16.3.4NoSQL图数据库504 16.3.5NewSQL数据库505 16.4案例研究:MongoDB JSON文档数据库506 16.4.1创建MongoDB Atlas集群506 16.4.2将推文存入MongoDB中507 16.5Hadoop515 16.5.1概述516 16.5.2通过MapReduce汇总Romeo-AndJuliet.txt中的单词长度518 16.5.3在Microsoft Azure HDInsight中创建Apache Hadoop集群518 16.5.4Hadoop流520 16.5.5实现映射器520 16.5.6实现归约器521 16.5.7准备运行MapReduce示例522 16.5.8运行MapReduce作业523 16.6Spark525 16.6.1概述525 16.6.2Docker和Jupyter Docker堆栈526 16.6.3使用Spark的单词计数529 16.6.4Microsoft Azure上的Spark单词计数532 16.7Spark流:使用pyspark-notebookDocker堆栈计算Twitter主题标签535 16
— 没有更多了 —
以下为对购买帮助不大的评价