.
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Pandas2.1 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:plot4.3 長條圖與橫條圖:bar、barh4.4 圓形圖:pie4.5 直方圖:hist4.6 散佈圖:scatter4.7 線箱圖:boxplot4.8 設定圖表區:figure4.9 在圖表區加入多張圖表:subplot、axes4.10 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
Python自學聖經(第二版):從程式素人到開發強者的技術與實戰大全(附影音/範例程式) Python實戰聖經:用簡單強大的模組套件完成最強應用(附影音/範例程式)
360分鐘「Python資料科學關鍵影音教學」、全書範例程式檔