Python Data Science Handbook

使用深度學習進行人臉識別是近年來AI研究的熱點之一。該書使用TensorFlow 2.1作為深度學習的框架和工具，引導讀者從搭建環境開始，逐步深入代碼應用實踐中，進而達到獨立使用深度學習模型完成人臉識別的目的。《TensorFlow人臉識別實戰（人工智能技術叢書）》分為10章，第1、2章介紹人臉識別的基礎知識和發展路徑；第3章從搭建環境開始，詳細介紹Anaconda、Python、PyCharm、TensorFlow CPU版本和GPU版本的安裝；第4-6章介紹TensorFlow基本和高級API的使用；第7章介紹使用原生API處理數據的方法和可視化訓練過程；第8章是實戰準備，介紹ResNet模型的實現和應用；第9、10章綜合該書前面的知識，學習人臉識別模型與人臉檢測這兩個實戰項目。《TensorFlow人臉識別實戰（人工智能技術叢書）》內容詳盡、示例豐富，是機器學習和深度學習初學者必備的參考書，同時也非常適合高等院校和培訓機構人工智能及相關專業的師生教學參考。

本書作者從2013年起在中國人民大學為全校開設通識課“金融大數據分析與量化交易”。該課程討論如何利用成熟的人工智能、統計分析技術給交易賦能，實現交易的自動化和智能化。在教學過程中，作者參考了現有的教材和大量其他資料，不斷豐富講義，經過整理，形成本書。本書介紹了量化交易、股票和期貨交易、基本面分析和技術分析的基本原理，在此基礎上介紹機器學習、統計分析、深度學習等技術及其在量化交易中的應用。書中有豐富而又簡單的實例，娓娓道來，把讀者領入量化交易的大門。希望本書能引發讀者思考，助力讀者起跳，去構想和實現更加先進的策略，去市場上實戰。本書作為量化交易的入門書籍，適合計算機、信息、統計學、經濟學、金融學等專業的本科生使用。

在學習本書之前，如果對以下問題感到苦惱，那麼你應該認真閱讀本書：Ÿ Spring Boot自動配置的原理是什麼？Spring Boot自動配置源代碼是如何實現的？Ÿ 怎樣才能真正完全掌握Spring Boot官方手冊中介紹的內容？本書和市面上已有的Spring Boot圖書完全不同，本書不是一本介紹類似於@PathVariable、@MatrixVariable、@RequestBody、@ResponseBody這些基礎注解的圖書，它是真正講解Spring Boot的圖書。Spring Boot的核心是什麼？它的核心就是自動配置，以及以自動配置為基礎與大量第三方後端技術進行整合。因此學習Spring Boot應該重點關注的就是它為整合各種框架所提供的自動配置，包括Spring Boot如何整合各種前端框架，如Spring MVC、Spring WebFlux；Spring Boot如何整合各種持久層技術，如Spring Data、MyBatis、Hibernate/JPA、R2DBC、jOOQ等；Spring Boot如何整合NoSQL技術，如Redis、MongoDB、Neo4j、Cassandra、Solr、Elasticsearch等；Spring Boot如何整合各種消息組件，如ActiveMQ、Artemis、RabbitMQ、Kafka等；Spring Boot如何整合各種緩存機制，如JCache、EhCache、Redis、Hazelcast等；Spring Boot如何整合各種安全框架，如Spring Security、Shiro等，這些都只是Spring Boot整合的典型內容，也是Spring Boot官方手冊中介紹的內容。但絕大多數人看Spring Boot官方手冊是完全看不懂的，因為它寫得太簡單了——一共才300來頁，整合各種技術都只介紹了最簡單的代碼片段，因此看不懂是完全正常的。本書的作用就是帶你徹底掌握Spring Boot官方手冊中所整合的各種技術，而且本書會講清楚Spring Boot和Spring框架的關係，帶著你揭開Spring Boot的核心：自動配置的面紗，領著你剖析Spring Boot自動配置的源代碼實現，然後以此為基礎，詳細講解Spring Boot如何整合各種Java後端技術。在掌握了本書知識之後，你不僅能輕松看懂S

本書以Django Web項目開發為主線，深入系統地介紹了Django 3在Web開發中的應用。從網站開發入門開始，逐步深入講述Django框架的各功能要點，每個功能要點從源碼角度分析，並在源碼的基礎上實現自定義的功能開發。還介紹了Django的第三方功能應用，如DRF框架開發API接口、生成網站驗證碼、站內搜索引擎、第三方網站實現賬號注冊、異步任務和定時任務、實時通信實現在線聊天。本書提供了4個實戰案例，包括信息反饋平臺、博客系統、音樂網站平臺、前後端分離與微服務架構，涵蓋了網站的單體式開發、前後端分離和微服務開發，從單一的網站開發轉變到網站架構設計開發。最後講述Django的上線部署方案，分別講述Django如何部署在Windows和Linux系統上。本書內容豐富，技術新穎，注重實戰，適合有一定Python基礎的Web開發人員閱讀，也可用作培訓機構和大中專院校相關專業的教學參考書。

物件導向程序設計（OOP）是現代程序設計語言（包括C++、Java、C#、Visual Basic.NET、Ruby、Objective-C和Swift）的基礎。物件也構成了許多Web技術（如JavaScript、Python和PHP）的基礎。 在開始使用物件導向的開發環境之前，瞭解物件導向的基本概念至關重要。OOP促進了良好的設計實踐、代碼可攜性和重用性，但是需要轉變思維才能完全理解OOP。剛接觸OOP的程序員應該抵制直接跳入特定程序設計語言或建模語言的誘惑，首先花時間學習本書作者提出的“物件導向的思考過程”。 儘管程序設計技術多年來一直在變化和發展，但是無論平臺如何演進，物件導向仍然是一個不變的概念。本書側重於在過去20年中倖存下來並保持其核心的OOP技術，其中包括新的和擴展的設計模式、避免依賴關係以及SOLID原則，以説明開發人員使軟件設計易於理解、靈活和可維護。 通過閱讀本書，你將學到： 面向解決方案的方法 繼承和組合的正確用法 聚合和聯合之間以及接口和實現之間的重要區別 第5版新增內容 相比前幾版而言，作者對內容做了大量修改，刪除了一些與物件導向不太相關的章節，突出了本書的主題，同時引入了設計模式、物件導向設計的SOLID準則等全新章節，補全了物件導向設計思想的方方面面。無論你是否有物件導向程序設計的經驗，本書都適合作為你物件導向思考的旅程的開端。

本書分為5個部分，圍繞新基建的雲計算、機器學習及人工智能展開講述大數據處理分析與實戰應用。第1部分介紹了大數據的概念與特點，以及幾個典型的產業應用場景。第2部分介紹了目前雲計算中的一個重要研究與應用領域――容器雲，包含容器技術Docker與容器編排工具Kubernetes。第3部分是大數據分析的基礎，介紹了Hadoop的框架原理、調度原理、MapReduce原理與編程模型、環境搭建。第4部分介紹了

統計學習是機器學習的重要分支，本書兼顧了數學上的理解和代碼實踐，內容主要包括基礎知識和統計學習模型。第1章、第2章結合VC維介紹過擬合的本質，並介紹手動特征選擇的辦法；第3章、第4章從最簡單的線性模型出發經過概率統計的解讀而得到分類和回歸算法；第5章討論了不依賴於假設分布的非參數模型；第6章將核方法作為一種非線性拓展的技巧介紹如何將該方法應用到很多算法中，並且引出了著名的高斯過程；第7章以混合高斯作為軟分配聚類的代表性方法，從而引出著名的EM算法；第8章討論了機器學習的集成算法；第9章介紹的線性和非線性降維方法將會解決維度災難問題，並且不同於單純的特征選擇；第10章討論了不依賴於獨立同分布假設的時間序列算法。本書適合對於統計學習感興趣的大學生、工程師閱讀參考。閱讀本書需要具備基礎的Python編程技術和基本的數學知識。

理解密碼學的使用場合、誤用方式和原因了解什麼是安全哈希，以及安全哈希的基本屬性了解塊密碼(如AES)的算法和模式,以及不當配置的密碼為什麼容易遭到破解使用消息完整性和/或數字簽名來保護消息使用現代對稱密碼，如AES-GCM和ChaCha了解公鑰加密的基礎知識,包括ECDSA簽名了解如何破解填充不當的RSA加密使用TLS連接進行安全通信了解證書的工作原理，熟悉證書鎖定和CT日志等新功能

本書緊貼計算機領域，從程序員的需求出發，精心挑選了程序員真正用得上的數學知識，通過生動的案例來解讀知識中的難點，使程序員更容易對實際問題進行數學建模，進而構建出更優化的算法和代碼。本書共分為三大模組：“基礎思想”篇梳理程序設計中常用的數學概念和思想，既由淺入深地精講資料結構與數學中基礎、核心的數學知識，又闡明數學對程序設計和算法的真正意義；“概率統計”篇以概率統計中核心的貝葉斯公式為基點，向上講解

無

本書以機器學習算法為主題，詳細介紹算法的理論細節與應用方法。全書共19章，分別介紹了邏輯回歸與z大熵模型、k-近鄰模型、決策樹模型、樸素貝葉斯模型、支持向量機模型、集成學習框架、EM算法、降維算法、聚類算法、神經網絡模型等基礎模型或算法，以及8個綜合項目實例：汽車運動學片段分類、垃圾信息識別、乳腺癌識別、波士頓房價預測、生成動漫人物、鳶尾花分類、人臉識別、保險行為數據用戶分類器。本書重視理論與實踐相結合，希望為讀者提供全面而細致的學習指導。 本書適合機器學習初學者、相關行業從業人員以及高等院校計算機科學、軟件工程等相關專業的師生閱讀。

這是一本具有高中數學知識就能讀懂的機器學習圖書，書中通過大量程序實例，將複雜的公式重新拆解，詳細、清晰地解讀了機器學習中常用的數學知識，一步步帶領讀者進入機器學習的領域。本書共 22 章，主要講解了數據可視化、math 模塊、sympy 模塊、numpy 模塊、方程式、函數、*小平方法、集合、概率、貝葉斯定理、指數、對數、歐拉數、邏輯函數、三角函數、大型運算符、向量、矩陣與線性回歸等數學知識。

本書分為12章，涵蓋的主要內容有Scrapy框架簡介；Scrapy網絡爬蟲知識介紹；Scrapy開發環境的搭建；Scrapy架構及編程；Scrapy進階；實戰項目：Scrapy靜態網頁的爬取；實戰項目：Scrapy動態網頁的爬取；實戰項目：Scrapy爬取App應用數據；Scrapy的分布式部署與爬取；分布式的實戰項目；用Selenium框架測試網站；用Scrapy+Pandas進行數據分析。

深度學習是一種人工智能，它模仿人腦在處理數據和創建用於決策的模式方面的工作，諸如處理檢測對象、識別語言、翻譯語言和進行決策的數據。深度學習是機器學習的一個子領域，它利用層次化的人工神經網絡來實現機器學習的過程。人工神經網絡類似於人的大腦,其神經元節點像網絡一樣連接在-起。深度學習系統的分層功能使機器可以使用非線性方法處理數據，它主要用於有監督學習,也能夠從非結構化或未標記的數據中不受監督地學習網絡。

數學是機器學習和數據科學的基礎，任何期望涉足相關領域並切實領悟具體技術與方法的人都無法繞過數學這一關。本書系統地整理並介紹了機器學習中所涉及的必備數學基礎，這些都是筆者從浩如煙海的數學知識中精心萃取的，在學習和研究機器學習技術時所必須的內容。具體包括微積分（主要是與z優化內容相關的部分）、概率論與數理統計、數值計算、信息論、凸優化、泛函分析基礎與變分法，以及蒙特卡洛采樣等話題。為了幫助讀者加深理解