防詐3要訣：不聽信、不操作、掛斷電話 
把 Python 當工具, 輕鬆學、自然會, 讓你忘了是在寫程式
內容簡介
內容介紹:
我又不是程式設計師, 為什麼逼我寫程式？學 Python 到底要幹嘛？
大家都說要學，可是到底有沒有 Python 這麼好用的八卦啊？
█ 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
我又不是程式設計師, 為什麼逼我寫程式？學 Python 到底要幹嘛？
大家都說要學，可是到底有沒有 Python 這麼好用的八卦啊？
█ 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
產品目錄
目錄:
第 0 章 有沒有 Python 超好用的八卦？
0-0 最簡單的 Python 程式
0-1 資料視覺化
0-2 從網路抓資料
0-3 資料分析大神 Python
0-4 繼續往下翻之前的兩三事
0-5 準備好了嗎？執行這個程式
第 1 章 運算式、變數與資料型別
1-0 運算式：可算出值的式子
1-1 Python 的基礎資料型別 (type)
1-2 變數：給資料一個名字
1-3 變數的型別
1-4 變數的命名
第 2 章 邏輯判斷
2-0 用 if-else 做判斷
2-1 條件運算式
2-2 多重的 if 與 elif
2-3 以 input() 輸入資料
2-4 以 random 模組產生亂數
第 3 章 串列 list 與字典 dictionary 資料結構
3-0 串列 (list)：收集一連串資料的容器
3-1 串列切片 slicing：擷取串列中某範圍的一些元素
3-2 串列資料的增刪、加總與排序
3-3 字典：有鍵、值對照表的容器
3-4 其他資料結構：tuple 與集合
第 4 章 for、while 迴圈與走訪 iteration
4-0 做 10 件事情就要寫 10 行程式？可以少一點嗎？
4-1 用 for 迴圈走訪容器
4-2 用 for 迴圈產生索引來存取另一個容器
4-3 用 for 迴圈走訪字典
4-4 while 迴圈：有停止條件的迴圈
第 5 章 數值、字串與簡易統計計算
5-0 Python 數值處理
5-1 math 模組
5-2 簡易統計量數計算
5-3 Python 字串處理
5-4 字串走訪、擷取及與串列的互轉
第 6 章 自訂函式 Function
6-0 用 def 自訂函式
6-1 能傳遞參數的函式
6-2 呼叫函式常見的錯誤與解決方法
6-3 有傳回值的函式
6-4 函式內外變數的差異：區域變數 vs. 全域變數
第 7 章 數值資料分析與其視覺化：使用 NumPy 及 matplotlib
7-0 認識 NumPy 與 matplotlib
7-1 NumPy 的基礎：ndarray 陣列
7-2 ndarray 陣列的運算及統計
7-3 將 ndarray 畫成折線圖：使用 matplotlib
7-4 直方圖與箱型圖：比較資料的偏度及離散程度
第 8 章 資料相關度與簡單線性迴歸分析 Data correlation coefficient and simple linear regression
8-0 相關係數 (correlation coefficient)：資料的相關程度
8-1 簡單線性迴歸 (linear regression)：預測資料的模型
8-2 簡單線性迴歸的視覺化 (visualization) 及圖表調整
8-3 非線性迴歸模型 [補充]
第 9 章 報表處理及視覺化：使用 pandas 及 seaborn
9-0 使用 pandas 匯入並分析資料
9-1 DataFrame 物件的行列選取及統計量數
9-2 以 seaborn 將報表資料視覺化
9-3 讀取空汙資訊的 CSV 格式報表
第 10 章 爬取網路資料：使用 requests
10-0 用 requests 存取網路資源
10-1 以 requests 取得網路服務
10-2 解析網路服務的資料內容
10-3 網路服務實用範例：中央氣象局 36 小時天氣預報
10-4 網路資料圖形化：以地震震度統計為例
第 11 章 多元線性迴歸分析：scikit-learn
11-0 使用 scikit-learn 並匯入測試資料集
11-1 訓練並評估多元線性迴歸模型
11-2 評估模型的表現 (performance)
11-3 用真實世界的資料做迴歸分析：共享單車與天氣
第 12 章 運用機器學習做分類 (classification) 預測及資料簡化
12-0 資料分類 (classification)
12-1 KNN (K 近鄰) 預測模型
12-2 邏輯斯 (Logistic) 迴歸模型
12-3 改善邏輯斯迴歸模型
12-4 主成分分析 (PCA)：減少需分析的變數
附錄 A 安裝並使用 Jupyter Notebook 編輯器
A-0 下載並安裝 Anaconda
A-1 啟動 Jupyter Notebook
A-2 使用編輯器記事本
第 0 章 有沒有 Python 超好用的八卦？
0-0 最簡單的 Python 程式
0-1 資料視覺化
0-2 從網路抓資料
0-3 資料分析大神 Python
0-4 繼續往下翻之前的兩三事
0-5 準備好了嗎？執行這個程式
第 1 章 運算式、變數與資料型別
1-0 運算式：可算出值的式子
1-1 Python 的基礎資料型別 (type)
1-2 變數：給資料一個名字
1-3 變數的型別
1-4 變數的命名
第 2 章 邏輯判斷
2-0 用 if-else 做判斷
2-1 條件運算式
2-2 多重的 if 與 elif
2-3 以 input() 輸入資料
2-4 以 random 模組產生亂數
第 3 章 串列 list 與字典 dictionary 資料結構
3-0 串列 (list)：收集一連串資料的容器
3-1 串列切片 slicing：擷取串列中某範圍的一些元素
3-2 串列資料的增刪、加總與排序
3-3 字典：有鍵、值對照表的容器
3-4 其他資料結構：tuple 與集合
第 4 章 for、while 迴圈與走訪 iteration
4-0 做 10 件事情就要寫 10 行程式？可以少一點嗎？
4-1 用 for 迴圈走訪容器
4-2 用 for 迴圈產生索引來存取另一個容器
4-3 用 for 迴圈走訪字典
4-4 while 迴圈：有停止條件的迴圈
第 5 章 數值、字串與簡易統計計算
5-0 Python 數值處理
5-1 math 模組
5-2 簡易統計量數計算
5-3 Python 字串處理
5-4 字串走訪、擷取及與串列的互轉
第 6 章 自訂函式 Function
6-0 用 def 自訂函式
6-1 能傳遞參數的函式
6-2 呼叫函式常見的錯誤與解決方法
6-3 有傳回值的函式
6-4 函式內外變數的差異：區域變數 vs. 全域變數
第 7 章 數值資料分析與其視覺化：使用 NumPy 及 matplotlib
7-0 認識 NumPy 與 matplotlib
7-1 NumPy 的基礎：ndarray 陣列
7-2 ndarray 陣列的運算及統計
7-3 將 ndarray 畫成折線圖：使用 matplotlib
7-4 直方圖與箱型圖：比較資料的偏度及離散程度
第 8 章 資料相關度與簡單線性迴歸分析 Data correlation coefficient and simple linear regression
8-0 相關係數 (correlation coefficient)：資料的相關程度
8-1 簡單線性迴歸 (linear regression)：預測資料的模型
8-2 簡單線性迴歸的視覺化 (visualization) 及圖表調整
8-3 非線性迴歸模型 [補充]
第 9 章 報表處理及視覺化：使用 pandas 及 seaborn
9-0 使用 pandas 匯入並分析資料
9-1 DataFrame 物件的行列選取及統計量數
9-2 以 seaborn 將報表資料視覺化
9-3 讀取空汙資訊的 CSV 格式報表
第 10 章 爬取網路資料：使用 requests
10-0 用 requests 存取網路資源
10-1 以 requests 取得網路服務
10-2 解析網路服務的資料內容
10-3 網路服務實用範例：中央氣象局 36 小時天氣預報
10-4 網路資料圖形化：以地震震度統計為例
第 11 章 多元線性迴歸分析：scikit-learn
11-0 使用 scikit-learn 並匯入測試資料集
11-1 訓練並評估多元線性迴歸模型
11-2 評估模型的表現 (performance)
11-3 用真實世界的資料做迴歸分析：共享單車與天氣
第 12 章 運用機器學習做分類 (classification) 預測及資料簡化
12-0 資料分類 (classification)
12-1 KNN (K 近鄰) 預測模型
12-2 邏輯斯 (Logistic) 迴歸模型
12-3 改善邏輯斯迴歸模型
12-4 主成分分析 (PCA)：減少需分析的變數
附錄 A 安裝並使用 Jupyter Notebook 編輯器
A-0 下載並安裝 Anaconda
A-1 啟動 Jupyter Notebook
A-2 使用編輯器記事本
規格
誠品貨碼 / 2681939841001
ISBN13 / 9789863126409
ISBN10 / 9863126403
EAN貨碼 / 9789863126409
頁數 / 320
開數 / 18K
裝訂 / P:平裝
語言 / 1:中文/繁體
尺寸 / 23X17X1.9CM
級別 / N:無
退貨說明
退貨須知：
- 依照消費者保護法的規定，您享有商品貨到次日起七天猶豫期(含例假日)的權益(請注意！猶豫期非試用期)，辦理退貨之商品必須是全新狀態(不得有刮傷、破損、受潮)且需完整(包含全部商品、配件、原廠內外包裝、贈品及所有附隨文件或資料的完整性等)。
- 請您以送貨廠商使用之包裝紙箱將退貨商品包裝妥當，若原紙箱已遺失，請另使用其他紙箱包覆於商品原廠包裝之外，切勿直接於原廠包裝上黏貼紙張或書寫文字。若原廠包裝損毀將可能被認定為已逾越檢查商品之必要程度，本公司得依毀損程度扣除回復原狀必要費用(整新費)後退費；請您先確認商品正確、外觀可接受，再行拆封，以免影響您的權利；若為產品瑕疵，本公司接受退貨。
依「通訊交易解除權合理例外情事適用準則」，下列商品不適用七日猶豫期，除產品本身有瑕疵外，不接受退貨：
- 易於腐敗、保存期限較短或解約時即將逾期。(如:生鮮蔬果、乳製品、冷凍冷藏食材、蛋糕)
- 依消費者要求所為之客製化給付。(如:客製印章、鋼筆刻字)
- 報紙、期刊或雜誌。
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。(如:電子書)
- 已拆封之個人衛生用品。(如:內衣褲、襪類、褲襪、刮鬍刀、除毛刀等貼身用品)
- 國際航空客運服務。
若您退貨時有下列情形，可能被認定已逾越檢查商品之必要程度而須負擔為回復原狀必要費用(整新費)，或影響您的退貨權利，請您在拆封前決定是否要退貨：
- 以數位或電磁紀錄形式儲存或著作權相關之商品(包含但不限於CD、VCD、DVD、電腦軟體等) 包裝已拆封者(除運送用之包裝以外)。
- 耗材(包含但不限於墨水匣、碳粉匣、紙張、筆類墨水、清潔劑補充包等)之商品包裝已拆封者(除運送用之包裝以外)。
- 衣飾鞋類/寢具/織品(包含但不限於衣褲、鞋子、襪子、泳裝、床單、被套、填充玩具)或之商品缺件(含購買商品、附件、內外包裝、贈品等)或經剪標或下水或商品有不可回復之髒污或磨損痕跡。
- 食品、美容/保養用品、內衣褲等消耗性或個人衛生用品、商品銷售頁面上特別載明之商品已拆封者(除運送用之包裝外一切包裝、包括但不限於瓶蓋、封口、封膜等接觸商品內容之包裝部分)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 家電、3C、畫作、電子閱讀器等商品，除商品本身有瑕疵外，退回之商品已拆封(除運送用之包裝外一切包裝、包括但不限於封膜等接觸商品內容之包裝部分、移除封條、拆除吊牌、拆除貼膠或標籤等情形)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 退貨程序請參閱【客服專區→常見問題→誠品線上退貨退款】之說明。
付款/配送
