115 源码网

资源名称：Python数据分析基础 PDF  内容简介： 想深入应用手中的数据？还是想在上千份文件上重复同样的分析过程？没有编程经验的非程序员们如何能在最短的时间内学会用当今炙手可热的Python语言进行数据分析？ 来自Facebook的数据专家Clinton Brownley可以帮您解决上述问题。在他的这本书里，读者将能掌握基本Python编程方法，学会编写出处理电子表格和数据库中的数据的脚本，并了解使用Python模块来解析文件、分组数据和生成统计量的方法。 学习基础语法，创建并运行自己的Python脚本 读取和解析CSV文件 读取多个Excel工作表和工作簿 执行数据库操作 搜索特定记录、分组数据和解析文本文件 建立统计图并绘图 生成描述性统计量并估计回归模型和分类模型 在Windows和Mac环境下按计划自动运行脚本 作者简介： Clinton W. Brownley 博士，Facebook数据科学家，负责大数据流水线、统计建模和数据可视化项目，并为大型基础设施建设提供数据驱动的决策建议。 资源目录： 前言　　xi 第1章 Python 基础　　1 1.1 创建 Python 脚本　　1 1.2 运行 Python 脚本　　3 1.3 与命令行进行交互的几项技巧　　6 1.4 Python 语言基础要素　　10 1.4.1 数值　　10 1.4.2 字符串　　12 1.4.3 正则表达式与模式匹配　　16 1.4.4 日期　　19 1.4.5...

资源名称：教孩子学编程 PYTHON语言版 PDF 资源目录： 第1章Python基础——认识环境1 1.1认识Python3 1.2用Python编写程序5 1.3运行Python程序5 1.4本章小结6 1.5编程挑战7 第2章海龟作图——用Python绘图9 2.1第一个海龟程序10 2.1.1程序是如何工作的10 2.1.2发生了什么12 2.2旋转的海龟13 2.3海龟画圆14 2.4添加颜色15 2.4.1一个四色螺旋线16 2.4.2修改背景颜色19 2.5一个变量搞定一切20 2.6本章小结22 2.7编程挑战22 第3章数字和变量——用Python做数学运算24 3.1变量——保存内容的地方25 3.2Python中的数字和数学运算26 3.2.1Python数字27 3.2.2Python操作符28 3.2.3在Pythonshell中进行数学运算28 3.2.4语法错误——你说什么？29 3.2.5Pythonshell中的变量30 3.2.6用操作符编程——披萨计算器31 3.3字符串——Python中真正的字符33 3.4用字符串改进彩色螺旋线35 3.5列表——将所有内容放到一起36 3.6Python做作业38 3.7本章小结40 3.8编程挑战41 第4章循环很有趣（你可以再说一遍）42 4.1构建自己的循环43 4.1.1使用for循环生成4个圆组成的玫瑰花瓣44 4.1.2修改循环让玫瑰花瓣带有6个圆46 4.2把玫瑰花瓣程序改进为允许用户输入48 4.3游戏循环和while循环50 4.4家庭成员螺旋线52 4.5整合——式的螺旋线55 4.6本章小结59...

资源名称：预测分析建模 Python与R语言实现 PDF  资源截图：

资源名称：Python机器学习 PDF   作者简介： Sebastian Raschka是密歇根州立大学的博士生，他在计算生物学领域提出了几种新的计算方法，还被科技博客Analytics Vidhya评为GitHub上具影响力的数据科学家。他有一整年都使用Python进行编程的经验，同时还多次参加数据科学应用与机器学习领域的研讨会。正是因为Sebastian 在数据科学、机器学习以及Python等领域拥有丰富的演讲和写作经验，他才有动力完成此书的撰写，目的是帮助那些不具备机器学习背景的人设计出由数据驱动的解决方案。他还积极参与到开源项目中，由他开发完成的计算方法已经被成功应用到了机器学习竞赛（如Kaggle等）中。在业余时间，他沉醉于构建体育运动的预测模型，要么待在电脑前，要么在运动。   资源目录：  译者序推荐序作者简介审校者简介前言第1章 赋予计算机学习数据的能力11.1构建智能机器将数据转化为知识11.2 机器学习的三种不同方法11.2.1 通过监督学习对未来事件进行预测21.2.2 通过强化学习解决交互式问题41.2.3 通过无监督学习发现数据本身潜在的结构41.2.4 基本术语及符号介绍51.3 构建机器学习系统的蓝图61.3.1 数据预处理61.3.2 选择预测模型类型并进行训练71.3.3 模型验证与使用未知数据进行预测81.4 Python在机器学习中的应用8本章小结9第2章 机器学习分类算法102.1 人造神经元—早期机器学习概览102.2 使用Python实现感知器学习算法132.3 自适应线性神经元及其学习的收敛性192.3.1 通过梯度下降最小化代价函数202.3.2 使用Python实现自适应线性神经元212.3.3 大规模机器学习与随机梯度下降25本章小结29第3章 使用scikit-learn实现机器学习分类算法303.1 分类算法的选择303.2 初涉scikit-learn的使用30使用scikit-learn训练感知器313.3 逻辑斯谛回归中的类别概率343.3.1 初识逻辑斯谛回归与条件概率343.3.2 通过逻辑斯谛回归模型的代价函数获得权重363.3.3 使用scikit-learn训练逻辑斯谛回归模型373.3.4 通过正则化解决过拟合问题393.4 使用支持向量机最大化分类间隔413.4.1 对分类间隔最大化的直观认识413.4.2 使用松弛变量解决非线性可分问题423.4.3 使用scikit-learn实现SVM443.5 使用核SVM解决非线性问题443.6 决策树483.6.1 最大化信息增益—获知尽可能准确的结果493.6.2 构建决策树523.6.3 通过随机森林将弱分类器集成为强分类器533.7...

资源名称：Python高性能编程 PDF 内容简介： 本书共有12章，围绕如何进行代码优化和加快实际应用的运行速度进行详细讲解。本书主要包含以下主题：计算机内部结构的背景知识、列表和元组、字典和集合、迭代器和生成器、矩阵和矢量计算、并发、集群和工作队列等。最后，通过一系列真实案例展现了在应用场景中需要注意的问题。本书适合初级和中级Python程序员、有一定Python语言基础想要得到进阶和提高的读者阅读。 作者简介： Micha Gorelick在bitly公司从事与数据打交道的工作，并负责建立了快速前进实验室（Fast Forward Labs），研究从机器学习到高性能流算法领域的问题。Ian Ozsvald是ModelInsight.io的数据科学家和教师，有着超过十年的Python经验。他在PyCon和PyData会议上教授Python编程，这几年一直在英国从事关于数据科学和高性能计算方面的咨询工作。 资源目录： 第1章 理解高性能Python 11.1 基本的计算机系统 11.1.1 计算单元 21.1.2 存储单元 51.1.3 通信层 61.2 将基本的元素组装到一起 81.3 为什么使用Python 12第2章 通过性能分析找到瓶颈 152.1 高效地分析性能 162.2 Julia集合的介绍 172.3 计算完整的Julia集合 202.4 计时的简单方法——打印和修饰 242.5 用UNIX的time命令进行简单的计时 272.6 使用cProfile模块 282.7 用runsnakerun对cProfile的输出进行可视化 332.8 用line_profiler进行逐行分析 342.9 用memory_profiler诊断内存的用量 392.10...