Python自學聖經(第三版)：從程式素人到開發強者的技術、實戰與AI應用大全(附影音/範例程式) (3版)

類似書籍推薦給您

【簡介】 集Python程式技術大成，新增AI應用，強大內容全面再進化～ 【Python系列書在台累計銷量近12萬冊】 國內眾多讀者與程式人選書第一指名，學業界指定Python講師、 榮登暢銷榜最多Python圖書的作者團隊代表作 八大領域、39個主題、上百種模組套件、近1,200個範例， 涵蓋語法入門，橫跨各大熱門技術、軟硬整合與AI實戰應用。 一本帶你入行！系統化分章、大量圖表解說， 全面跨入Python程式開發殿堂！ 給需要本書的人： ★不知道如何開始才能自學好Python的人 ★有接觸過但又不想打掉重練的人 ★老是寫不好Python程式的人 ★想運用Python開發專案的人 掌握系統化的學習途徑 才能真正駕馭Python Python廣泛應用於大數據、網路爬蟲、人工智慧、機器學習、物聯網等熱門領域，是一套直譯式、物件導向，功能強大的程式語言。具備簡潔的語法，擁有許多模組套件，跨平台且容易擴充，所以非常適合初學者學習，但沒有系統性與結構化的學習，只能一知半解，而胡亂網路爬文，也只會迷失在資訊叢林。 本書從Python自學角度出發，系統化的分章學習，全面涵蓋語法、模組套件、主題應用、軟硬整合，規劃出最好的學習曲線，縮短自學途徑，排除學習障礙，真正從初學入門到業界活用！ ■完整詳實的程式入門： 從開發環境建置開始，由淺入深、循序漸進、完整且詳細的解說變數、運算、判斷式、迴圈、串列、元組、字典、集合、函式與模組等語法觀念與實作。 ■晉級專業的進階心法： 包括物件導向開發、例外處理、正規表達式、檔案管理、圖形使用者介面設計等內容。 ■應用廣泛的資料科學： 涵蓋網路爬蟲、數據資料儲存與讀取、資訊視覺圖表化、Numpy、Pandas資料與分析的完整學習。 ■無所不在的網路應用： 囊括Flask網站開發、建立Web API與Vercel部署、Django資料庫網站架設，還有LINE Bot機器人整合應用。 ■邁向未來的AI人工智慧： 具備機器學習入門、機器學習特徵處理、分類與迴歸演算法、深度學習MLP、CNN與RNN的應用，以及NLP自然語言處理等能力。 ■玩轉創意的多媒體互動： 包含讀取圖片、編輯圖片、合成、濾鏡效果、大量圖片處理，還有PyGame遊戲開發、PyTube影音下載等運用。 ■提升效率的開發加值： 介紹目前業界最熱門的Google Colab雲端開發平台與VS Code編輯神器，也深入介紹如何將程式打包成執行檔。 ■萬物可通的IoT物聯網： 從MicroPython程式實作、硬體實作、感測器應用、加入顯示裝置、使用Wi-Fi無線網路，到物聯網整合應用。 ■熱門強大的ChatGPT應用： 運用ChatGPT解釋程式碼、撰寫指定功能語法與幫程式除錯…等，可輔助Python的學習。 透過ChatGPT API的應用，則可以在程式中與ChatGPT對話，例如經由LINE Bot，在手機的LINE中輸入對話訊息，就可以藉由ChatGPT回覆內容。 使用Playground則可在不用程式碼開發的狀態下調教GPT模型的參數，甚至生成對應的程式碼。 【超值學習資源】 獨家收錄：「Python物件導向程式開發」影音教學、 「Google Colab雲端開發平台入門」影音教學、 「善用ChatGPT學Python入門」影音教學、 「ChatGPT API及LINE Bot應用」教學PDF、 全書範例程式檔 第三版新書是依據最新應用趨勢與市場回饋的寶貴訊息調整內容， 讓本書更全面，並與資訊科技脈動同步。 在基礎入門篇中，將開發環境的安裝與設定更新到目前最新狀態 在網路應用篇中，除了更新重要範例的應用外，因應Selenium的改版而進行了語法的調整。 在網路架站方面，無論是Flask或是Django，這次特別選擇Vercel作為最後的架設平台， 並且連接PostgreSQL資料庫，讓網頁服務有更好的表現。 在人工智慧篇中，特別加入了最新的ChatGPT API開發，讓讀者也能體驗最火熱的AI主題。 在開發加值篇中，更新了PyInstaller執行檔編譯的內容。 在IoT物聯網篇則選擇了最熱門的ESP32進行介紹， 讓實戰更加得心應手。 【目錄】 【基礎入門篇】 01 建置 Python 開發環境 1.1 建置 Anaconda 開發環境 1.2 Spyder 編輯器 1.3 Jupyter Notebook 編輯器 02 變數、運算及判斷式 2.1 變數與資料型別 2.2 運算式 2.3 判斷式 03 迴圈、串列與元組 3.1 迴圈與串列 3.2 進階串列與元組 04 字典與集合的使用 4.1 字典基本操作 4.2 字典進階操作 4.3 集合 4.4 凍結集合 05 函式與模組 5.1 自訂函式 5.2 數值函式 5.3 字串函式 5.4 亂數模組 5.5 時間模組 【進階學習篇】 06 物件導向程式開發 6.1 類別與物件 6.2 類別封裝 6.3 類別繼承 6.4 多型 6.5 多重繼承 6.6 類別應用 6.7 建立 Python 專案 6.8 打造自己的模組 07 例外處理 7.1 例外處理 7.2 try...except 常用例外錯誤表 7.3 捕捉多個例外 7.4 raise 拋出例外 7.5 Traceback 記錄字串 7.6 assert 斷言 08 正規表達式 8.1 使用傳統程式設計方式搜尋 8.2 使用正規表達式 8.3 使用 re.complie() 建立正規表達式物件 8.4 使用 re 模組建立隱含正規表達式物件 8.5 更豐富的搜尋方式 8.6 使用 re.sub() 取代字串 8.7 實戰：網路爬蟲資料格式檢查 09 檔案系統的使用 9.1 檔案和目錄管理 9.2 檔案的讀寫 9.3 二進位檔案的讀寫 10 圖形使用者介面設計 10.1 Tkinter 模組：圖形使用者介面 10.2 排版方式 10.3 視窗區塊 (Frame) 10.4 實戰：英文單字王視窗版 【資料科學篇】 11 數據資料的爬取 11.1 requests 模組：讀取網站檔案 11.2 BeautifulSoup 模組：網頁解析 11.3 Selenium 模組：瀏覽器自動化操作 12 數據資料的儲存與讀取 12.1 csv 資料的儲存與讀取 12.2 Excel 資料儲存與讀取 12.3 json 資料的讀取與輸出 12.4 XML 資料的儲存與讀取 12.5 SQLite 資料庫的操作 12.6 MySQL 資料庫的操作 12.7 Google 試算表的操作 13 數據資料視覺化 13.1 繪製折線圖：plot 13.2 繪製長條圖：bar 13.3 繪製圓餅圖：pie 13.4 設定圖表區：figure 13.5 在圖表區加入多張圖表：subplot、axes 13.6 實戰：台灣股市股價走勢圖 14 Numpy 與 Pandas 14.1 Numpy 陣列建立 14.2 Numpy 陣列取值 14.3 Numpy 的運算功能 14.4 Pandas Series 14.5 Pandas DataFrame 的建立 14.6 Pandas DataFrame 資料取值 14.7 Pandas DataFrame 資料操作 14.8 Pandas 資料存取 14.9 Pandas 繪圖應用 15 Pandas 資料分析 15.1 資料預處理 15.2 資料合併 15.3 樞紐分析表 15.4 實戰：鐵達尼號生存機率預測 【網路應用篇】 16 Flask 網站開發 16.1 基本 Flask 網站應用程式 16.2 使用模板 16.3 Template 語言 16.4 以 GET 及 POST 傳送資料 17 Flask 建立 Web API 及 Vercel 部署 17.1 建立 PM2.5 資料 Web API 17.2 部署 Web API 到 Vercel 17.3 Web API 應用：PM2.5 查詢系統 18 LINE Bot 申請設定及開發 18.1 LINE 開發者管理控制台 18.2 實戰：「鸚鵡」LINE Bot 開發 19 Django 網站開發 19.1 Django 是什麼？ 19.2 建立 Django 專案 19.3 視圖 (view) 與 URL 19.4 視圖、模版與 Template 語言 19.5 以 GET 及 POST 傳送資料 20 Django 資料庫連結與應用 20.1 PostgreSQL 資料庫 20.2 Django 資料庫 20.3 admin 後台管理與 ModelAdmin 類別 20.4 資料庫查詢 20.5 資料庫管理 21 Django 專題實戰及 Vercel 部署 21.1 實戰：Django 新聞公告系統 21.2 部署 Django 專案到 Vercel 【人工智慧篇】 22 機器學習：特徵提取 22.1 認識機器學習 22.2 文字特徵處理 22.3 數值標準縮放 22.4 特徵降維：特徵選擇 23 機器學習：分類及迴歸演算法 23.1 scikit-learn 資料集 23.2 K 近鄰演算法 23.3 樸素貝葉斯演算法 23.4 迴歸演算法 24 深度學習起點：多層感知器 (MLP) 24.1 認識多層感知器 (MLP) 24.2 Mnist 資料集 24.3 訓練 Mnist 手寫數字圖片辨識模型 24.4 模型儲存與預測 25 深度學習重點：CNN 及 RNN 25.1 卷積神經網路 (CNN) 基本結構 25.2 卷積神經網路實戰：Mnist 手寫數字圖片辨識 25.3 循環神經網路 (RNN) 基本結構 25.4 實戰：市場股價預測 26 自然語言處理 (NLP) 26.1 Jieba 模組 26.2 文字雲 27 ChatGPT API 及 Playground 27.1 ChatGPT API 27.2 ChatGPT Playground 【多媒體互動篇】 28 圖片批次處理：pillow 28.1 認識 pillow 28.2 圖片基本操作 28.3 圖片編輯 28.4 圖片切割、複製和合成 28.5 圖片濾鏡 28.6 繪製圖形 28.7 實戰：大量圖片處理 29 電腦遊戲開發：PyGame 29.1 Pygame 入門教學 29.2 Pygame 動畫處理 29.3 實戰：打磚塊遊戲 30 線上影音下載：PyTube 30.1 Pytube：下載 YouTube 影片模組 30.2 播放清單及相關資源下載 【開發加值篇】 31 雲端開發平台：Google Colab 31.1 Google Colab：雲端的開發平台 31.2 Markdown 語法 32 萬用編輯神器：VS Code 32.1 VS Code：最多人使用的程式編輯器 32.2 VS Code 執行 Python 程式 32.3 讓 VS Code 更有效率 33 編譯程式執行檔：PyInstaller 33.1 程式打包前的準備工作 33.2 實戰：打包 exe 執行檔 33.3 實戰：打包含有資源檔的執行檔 33.4 實戰：使用 .spec 打包含有資源檔的執行檔 33.5 資料儲存的考量 【附錄、IOT 物聯網篇】 （本篇為PDF形式電子書，請線上下載） 附錄 A MicroPython 與 ESP32 附錄 B MicroPython 小專題實作 附錄 C 感測器應用：溫溼度與超音波感測器 附錄 D 顯示裝置：LCD 液晶顯示器 附錄 E Wi-Fi 無線網路 附錄 F 物聯網應用 物聯網篇使用材料表

Python資料科學自學聖經：不只是建模！用實戰帶你預測趨勢、找出問題與發現價值(附關鍵影音教學、範例檔) (1版)

類似書籍推薦給您

Python資料科學自學聖經：不只是建模！用實戰帶你預測趨勢、找出問題與發現價值（附關鍵影音教學、範例檔） 系列名：程式設計 ISBN13：9786263241657 出版社：碁峰資訊 作者：鄧文淵-總監製;文淵閣工作室-編著 裝訂／頁數：平裝／440頁 規格：23cm*17cm*2cm (高/寬/厚) 出版日：2022/05/09 中國圖書分類：電腦程式語言 內容簡介 網路書店年度百大電腦資訊暢銷書 《Python自學聖經》系列力作 運用Python掌握資料科學的價值 讓人工智慧機器學習找出趨勢的關鍵密碼 完整涵蓋Python資料科學技術，從開發工具、資料預處理、 機器學習、深度學習到模型訓練進化一應俱全！ 給需要本書的人： ★想進入Python資料科學領域，又不知怎麼切入的人 ★面對資料科學龐大又雜亂的理論與資訊卻不知如何下手的人 ★想快速且有系統收集大量資料，並提高處理運用效率的人 ★想利用大量資料進行分析，找出隱藏訊息與趨勢以協助決策的人 ★想運用資料數據訓練人工智慧模型，開發適用的演算法進行預測與解決問題的人 隨著AI人工智慧帶來的科技革命，資料科學的應用正在改變你我的生活。如何由龐大的資料數據中擷取爬梳出有價值的資訊，判斷決策，甚至能預測趨勢、掌握契機，是資料科學為現代社會帶來的新視野。 　 資料科學橫跨多個領域，涵蓋數學、統計與電腦科學等面向。如果想有系統的進入資料科學領域，歡迎藉由本書循序漸進的學習。書中除了有資料科學的觀念，還有技術應用與發展方向，讓每個艱澀觀念都能在範例實作的引導下有著更清楚的輪廓，讓你一探資料科學迷人的樣貌。 【重要關鍵】 ■應用工具：雲端開發平台(Google Colab)、資料科學工具(Numpy、Pandas、Matplotlib、Seaborn)、網路爬蟲(requests、BeautifulSoup)。 ■資料預處理：資料清洗、缺失值、重複值及異常值的處理、資料檢查、資料合併、樞紐分析表、圖片增量，以及資料標準化、資料轉換與特徵選擇。 ■機器學習：學習工具(Scikit-Learn)、非監督式學習(K-means演算法、DBSCAN演算法、PCA降維演算法)、監督式學習分類演算法(Scikit-Learn資料集、K近鄰演算法、單純貝氏演算法、決策樹演算法、隨機森林演算法)、監督式學習迴歸演算法(線性迴歸演算法、邏輯迴歸演算法、支持向量機演算法)。 ■深度學習：學習工具(TensorFlow、Keras)、深度神經網路(DNN)、MNIST手寫數字圖片辨識實作、Gradio模組(深度學習成果展示、過擬合)、卷積神經網路(CNN)與循環神經網路(RNN)。 ■模型訓練進化：預訓練模型、遷移學習、深度學習參數調校、hyperas參數調校神器，以及手寫數字辨識參數調校。 【超值學習資源】 獨家收錄「Python資料科學關鍵影音教學」、全書範例程式檔 本書特色 ■深入淺出，只要具備基礎Python程式語言能力即可輕鬆上手。 ■標示出重要觀念，在學習的過程中不會錯失關鍵內容。 ■應用範例導向，每個觀念皆附實用案例，不怕學不會。 ■不使用艱澀數學推導資料科學原理，而以淺顯易懂的文字解說學理。 ■實作圖片增量及遷移學習，即使少量資料也可訓練出實用模型。 ■實作機器學習與深度學習模型參數調校，輕鬆建立完美模型。   目錄 資料科學工具篇 第1章 進入資料科學的學習殿堂 1.1 認識資料科學 1.2 Google Colab：雲端的開發平台 1.3 Colab 的筆記功能 第2章 資料科學神器：Numpy 與Pandas 2.1 Numpy：高速運算的解決方案 2.2 Numpy 陣列建立 2.3 Numpy 陣列取值 2.4 Numpy 的陣列運算功能 2.5 Pandas：資料處理分析的強大工具 2.6 Series 的使用 2.7 DataFrame 的建立 2.8 Pandas DataFrame 資料取值 2.9 DataFrame 資料操作 第3章 資料收集：檔案存取與網路爬蟲 3.1 資料來源的取得 3.2 CSV 檔案的讀取 3.3 JSON 資料的讀取 3.4 Excel 試算表檔案的讀取 3.5 HTML 網頁資料讀取 3.6 儲存資料為檔案 3.7 認識網路爬蟲 3.8 requests 模組：讀取網站檔案 3.9 BeautifulSoup 模組：網頁解析 3.10 文字及檔案資料的收集 第4章 資訊圖表化：Matplotlib 與Seaborn 4.1 Matplotlib：資訊視覺化的核心工具 4.2 折線圖：plot 4.3 長條圖與橫條圖：bar、barh 4.4 圓形圖：pie 4.5 直方圖：hist 4.6 散佈圖：scatter 4.7 線箱圖：boxplot 4.8 設定圖表區：figure 4.9 在圖表區加入多張圖表：subplot、axes 4.10 Pandas 繪圖應用 4.11 Seaborn：更美觀的圖表工具 資料預處理篇 第5章 資料預處理：資料清洗及圖片增量 5.1 資料清洗處理 5.2 資料檢查 5.3 資料合併 5.4 樞紐分析表 5.5 圖片增量 第6章 資料預處理：標準化、資料轉換與特徵選擇 6.1 Scikit-Learn：機器學習的開發工具 6.2 數值資料標準化 6.3 非數值資料轉換 6.4 認識特徵選擇 6.5 使用Pandas 進行特徵選擇 6.6 使用Scikit-Learn 進行特徵選擇 機器學習篇 第7章 機器學習：非監督式學習 7.1 認識機器學習 7.2 K-means 演算法 7.3 DBSCAN 演算法 7.4 降維演算法 第8章 機器學習：監督式學習分類演算法 8.1 Scikit-Learn 資料集 8.2 K 近鄰演算法 8.3 單純貝氏演算法 8.4 決策樹演算法 8.5 隨機森林演算法 第9章 機器學習：監督式學習迴歸演算法 9.1 線性迴歸演算法 9.2 邏輯迴歸演算法 9.3 支持向量機演算法 深度學習篇 第10章 深度學習：深度神經網路(DNN) 10.1 認識深度學習 10.2 認識深度神經網路(DNN) 10.3 實作MNIST 手寫數字圖片辨識 10.4 Gradio 模組：深度學習成果展示 10.5 過擬合 第11章 深度學習：卷積神經網路(CNN) 11.1 認識卷積神經網路(CNN) 11.2 實作貓狗圖片辨識 第12章 深度學習：循環神經網路(RNN) 12.1 認識循環神經網路(RNN) 12.2 下載台灣股市資料 12.3 實作台灣股票市場股價預測 模型訓練進化篇 第13章 預訓練模型及遷移學習 13.1 預訓練模型 13.2 遷移學習 第14章 深度學習參數調校 14.1 hyperas 模組：參數調校神器 14.2 手寫數字辨識參數調校

Deep Learning 4｜用Python進行強化學習的開發實作 (1版)

類似書籍推薦給您

本暢銷系列作品的第4本書，這次的主題是強化學習。書中延續此系列的一貫風格，顯示實際的程式碼，讓讀者邊執行邊學習，不依賴外部程式庫，從零開始建置、學習支撐強化學習的基本技術與概念。 從「理論」與「實踐」兩方面著手，仔細解說強化學習這個複雜主題的構成要素，讓讀者確實掌握強化學習的獨特理論。有別於只用公式說明理論的書籍，讀者可以從書中的程式碼，獲得許多意想不到的領悟。 回頁首 斎藤康毅 1984年生於長崎縣對馬，畢業於東京工業大學工學院，東京大學研究所學際情報學府學士課程修畢。現在於企業內從事與電腦視覺、機器學習有關的研究開發工作。1984年生於長崎縣對馬，畢業於東京工業大學工學院，東京大學研究所學際情報學府學士課程修畢。現在於企業內從事與電腦視覺、機器學習有關的研究開發工作。 目錄 第 1 章 吃角子老虎機問題 第 2 章 馬可夫決策過程 第 3 章 貝爾曼方程式 第 4 章 動態規劃法 第 5 章 蒙地卡羅法 第 6 章 TD 法 第 7 章 類神經網路與 Q 學習 第 8 章 DQN 第 9 章 策略梯度法 第 10 章 進階內容 附錄 A 離線策略蒙地卡羅法 附錄 B n 步 TD 法 附錄 C 理解 Double DQN 附錄 D 驗證策略梯度法

Deep Learning 3:用 Python 進行深度學習框架的開發實作 (1版)

類似書籍推薦給您

Deep Learning 3：用Python進行深度學習框架的開發實作 系列名：電腦通訊 ISBN13：9789865027346 出版社：美商歐萊禮 作者：齊藤康毅 譯者：吳嘉芳 裝訂／頁數：平裝／488頁 規格：23cm*18.5cm*2.1cm (高/寬/厚) 出版日：2021/04/06 中國圖書分類：特殊電腦方法 內容簡介 　　從無到有的實作，在動手做的過程中強化對於深度學習的理解 　　或許您也曾經用過Tensorflow、PyTorch這類深度學習的框架（Framework），相信您也曾經對裡頭那些神奇的技術與有趣的結構嘆服不已。這本書就是為了解開這些疑問，正確瞭解這些技術而撰寫的。希望你可以從中體會這種技術性的「樂趣」。基於這個目的，本書將秉持著「從零開始製作」的方針，從無到有，一邊操作，一邊思考，透過實作加深理解，獲得審視現代深度學習框架的「新視野」。再藉由這個「新視野」，更廣泛、深入地理解深度學習。 　　高人氣、高評價的「Deep Learning基礎理論實作」系列第三部 　　《Deep Learning：用Python進行深度學習的基礎理論實作》、《Deep Learning 2|用Python進行自然語言處理的基礎理論實作》是從零開始進行深度學習，藉此瞭解相關結構。當時以單純性為優先，而「手動」設定了運算的「連結」。真正的框架是將這個部分自動化，Define-by-Run就是其中的一種手法，本書將利用從零開始製作DeZero的方式來學習這個機制。請別擔心，閱讀這本書不需要具備前作《Deep Learning：用Python進行深度學習的基礎理論實作》系列的知識。 目錄 第一階段 自動計算微分 STEP 1 把變數當成箱子 STEP 2 產生變數的函數 STEP 3 連結函數 STEP 4 數值微分 STEP 5 誤差反向傳播法的理論 STEP 6 手動執行誤差反向傳播法 STEP 7 誤差反向傳播法的自動化 STEP 8 從遞迴到迴圈 STEP 9 讓函數更方便 STEP 10 測試 第二階段 用自然的程式碼呈現 STEP 11 可變長度引數（正向傳播篇） STEP 12 可變長度引數（改善篇） STEP 13 可變長度引數（反向傳播篇） STEP 14 重複使用相同變數 STEP 15 複雜的計算圖（理論篇） STEP 16 複雜的計算圖（執行篇） STEP 17 記憶體管理與循環參照 STEP 18 減少記憶體用量的模式 STEP 19 輕鬆使用變數 STEP 20 運算子多載（1） STEP 21 運算子多載（2） STEP 22 運算子多載（3） STEP 23 整合成套件 STEP 24 複雜函數的微分 第三階段 計算高階微分 STEP 25 計算圖視覺化（1） STEP 26 計算圖視覺化（2） STEP 27 泰勒展開式的微分 STEP 28 函數最佳化 STEP 29 使用牛頓法最佳化（手動計算） STEP 30 高階微分（準備篇） STEP 31 高階微分（理論篇） STEP 32 高階微分（執行篇） STEP 33 使用牛頓法最佳化（自動計算） STEP 34 sin 函數的高階微分 STEP 35 高階微分的計算圖 STEP 36 高階微分以外的用途 第四階段 建立類神經網路 STEP 37 處理張量 STEP 38 改變形狀的函數 STEP 39 加總函數 STEP 40 進行廣播的函數 STEP 41 矩陣乘積 STEP 42 線性迴歸 STEP 43 類神經網路 STEP 44 整合參數層 STEP 45 整合各層的整合層 STEP 46 用 Optimizer 更新參數 STEP 47 Softmax 函數與交叉熵誤差 STEP 48 多值分類 STEP 49 Dataset 類別與事前處理 STEP 50 取出小批次的 DataLoader STEP 51 MNIST 的學習 第五階段 使用DeZero 進行挑戰 STEP 52 支援 GPU STEP 53 儲存與載入模型 STEP 54 Dropout 與測試模式 STEP 55 CNN 的機制（1） STEP 56 CNN 的機制（2） STEP 57 conv2d 函數與 pooling 函數 STEP 58 具代表性的 CNN（VGG16） STEP 59 用 RNN 處理時間序列資料 STEP 60 LSTM 與 DataLoader APP A 原地演算法（STEP 14 的補充說明） APP B 執行get_item 函數（STEP 47 的補充說明） APP C 在 Google Colaboratory 執行