施威銘《跨領域學 Python：資料科學基礎養成》旗標

销售价：
商品评分： (共0人评论)

货品编号：

P607318B268D83

数量： -+

商品详情

品牌：
所属分类：Python
商品编号：9789863126409

跨領域學 Python：資料科學基礎養成
 
详细资料 作者： 施威銘研究室 出版社：旗標 出版日期：2020/11/30 語言：繁體中文 定價：480元 ISBN：9789863126409 規格：平裝 / 320頁 / 17 x 23 x 1.9 cm / 普通級 / 部份全彩 / 初版 內容簡介 　　我又不是程式設計師, 為什麼逼我寫程式？ 　　學 Python 到底要幹嘛？
　　█ 全民 AI 時代來臨, 資料科學順勢崛起 　　身在數位新世代, 任何行業都會接觸到龐大的資料, 而 Python 正是當今最常用的大數據 (Big Data) 處理工具。考慮到世界各國紛紛搶著將程式語言列入正規教育體系、台灣在 108 年度高中課綱跟進, 資料科學 (data science) 與機器學習 (machine learning) 又成為時下最搶手的新興行業, 學 Python 已經蔚為全民運動。
　　再不學 Python, 你將喪失競爭力, 等著淪為昨日黃花！
　　█ 對未來徬徨的文科生, 也能靠程式培養斜槓好本事 　　為什麼學程式一定要數學好、懂理論？大學修過的計概、微積分或統計早就忘光光了, 怎麼辦？
　　學 Python 絕非理科系學生的專利, 任何人都能輕鬆學會並運用 Python。用 Python 處理資料絕對出乎你意料地容易──無須高深技術或數學知識, 只需撰寫短短幾行程式碼, 便能輕鬆獲得統計數據和繪製圖表。一旦學會程式／資料科學技能, 再與你自身科系的知識及專長結合, 便能創造出獨一無二的跨領域價值, 大大提升就業前景、不怕畢業即失業！
　　█ 從做中學, 零程式基礎也保證學得會 　　從 Python 的基本語法與重要基礎觀念, 到使用 Python 抓取報表、分析資料關聯、預測資料趨勢、繪製各種圖表, 甚至看似艱深、實際上簡單易用的機器學習模型...在耳聞已久的神秘面紗底下, 透過這本書引進門, 各位將發現使用 Python 來運用這些工具, 居然是如此簡單。
　　本書由同樣文科系出身的資深程式學習者操刀, 跳脫電腦書過去沉悶無趣的印象, 改以輕鬆又不失幽默的筆法、簡單但超實用的範例, 一步步帶各位體驗 Python 語言及資料科學的驚人威力。
　　學 Python 從未如此簡單──你到底還在等什麼？
本書特色
　　★ 以易讀、高親和力的方式講解 Python 語言 (變數、邏輯判斷、迴圈、資料結構、函式...等) 及資料科學套件, 超級零基礎文科生也學得會, 從第一頁就有感！
　　★ 用簡單套件打好資料科學基礎, 零基礎、高效率處理好大量資料, 包括：NumPy、Pandas、matplotlib、seaborn、scikit-learn、requests 等熱門套件。
　　★ 還不知道學 Python 能做什麼嗎？本書用極短程式碼完成超實用範例, 包括：整理報表、統計試算、繪製圖表、爬取網頁、預測分析、機器學習...等等。
　　★ 大數據時代必備的資料科學基礎, 從基礎統計學到機器學習, 你將快速搞懂像是中位數、四分位數、變異數、標準差、直方圖 (histogram)、箱型圖 (box plot)、相關係數 (correlation coefficient)、決定係數 (R2)、精準率與召回率 (Precision/Recall)、線性迴歸 (linear regression)、K-近鄰 (KNN)、邏輯斯迴歸 (Logistic Regression)、支援向量機 (SVM)、主成分分析 (PCA)、標籤 (labels)、特徵 (features)、分類器 (classifier)、標準化 (standardization)、降維 (dimension reduction)...
　　★ 特別附贈 Bonus：線上即時更新的 Jupyter Notebook 和 Anaconda 安裝操作手冊   目錄 第 0 章 超好用的 Python 程式語言初體驗 第 1 章 運算式、變數與資料型別 第 2 章 邏輯判斷 第 3 章 串列 list 與字典 dictionary 資料結構 第 4 章 for、while 迴圈與走訪 iteration 第 5 章 數值、字串與簡易統計計算 第 6 章 自訂函式 function 第 7 章 數值資料分析與其視覺化：使用 NumPy 及 matplotlib 第 8 章 資料相關度與簡單線性迴歸分析 Data correlation coefficient and simple linear regression 第 9 章 報表處理及視覺化：使用 pandas 及 seaborn 第 10 章 爬取網路資料：使用 requests 第 11 章 多元線性迴歸分析：使用 scikit-learn 第 12 章 運用機器學錫做分類 (classification) 預測及資料簡化 附錄 安裝並使用 Jupyter Notebook 編輯器
<div></div>