资源搜

资源名称：Python算法教程 内容简介： 本书用Python语言来讲解算法的分析和设计。本书主要关注经典的算法，但同时会为读者理解基本算法问题和解决问题打下很好的基础。全书共11章。分别介绍了树、图、计数问题、归纳递归、遍历、分解合并、贪心算法、复杂依赖、Dijkstra算法、匹配切割问题以及困难问题及其稀释等内容。本书在每一章结束的时候均有练习题和参考资料，这为读者的自我检查以及进一步学习提供了较多的便利。在全书的最后，给出了练习题的提示，方便读者进行查漏补缺。 作者简介： Magnus Lie Hetland是一位经验丰富的Python程序员，他自20世纪90年代以来就一直在使用该语言。同时，他还是挪威科技大学的副教授，有着数十年的算法教学经验，是《Beginning Python》1一书的作者。 资源目录： 作者简介 版权声明 内容提要 技术评审人简介 译者简介 译者序 致谢 前言 第1章 引言 1.1 这是一本怎么样的书 1.2 为什么要读这本书 1.3 一些准备工作 1.4 本书主要内容 1.5 本章小结 1.6 如果您感兴趣 1.7 练习题 1.8 参考资料 第2章 基础知识 2.1　计算领域中一些核心理念 2.2　渐近记法 2.3　图与树的实现 2.4　请提防黑盒子 2.5　本章小结 2.6　如果您感兴趣 2.7　练习题 2.8　参考资料 第3章 计数初步 第4章 归纳、递归及归简 第5章 遍历：算法学中的万能钥匙 第6章 分解、合并、解决 第7章 贪心有理吗？请证明 第8章 复杂依赖及其记忆体化 第9章 Dijkstra及其朋友们从A到B的旅程 第10章 匹配、切割及流量 第11章 困难问题及其（有限）稀释 附录A　猛踩油门！令Python加速 附录B 一些著名问题与算法 附录C 图论基础 附录D 习题提示 资源截图：

资源名称：零起点PYTHON足彩大数据与机器学习实盘分析 内容简介： 《零起点Python足彩大数据与机器学习实盘分析》采用Python编程语言、Pandas数据分析模块、机器学习和人工智能算法，对足彩大数据进行实盘分析。设计并发布了开源大数据项目zc-dat足彩数据包，汇总了2010—2016年全球5万余场足球比赛的赛事和赔率数据，包括威廉希尔、澳门、立博、Bet365、Interwetten、SNAI、皇冠、易胜博、伟德、必发等各大赔率公司。介绍了如何使用Python语言抓取网页数据，下载更新zc-dat足彩数据包，并预测分析比赛获胜球队的取胜概率，同时提出了检测人工智能算法优劣的“足彩图灵”法则。 作者简介： 何海群，网名：字王，CHRD前海智库CTO，《中华大字库》发明人，出版书籍20余部，在人工智能、数据分析等方面具有20年一线专业经验；zwPython开发平台、zwQuant量化软件设计师，中国“Python创客”项目和“Python产业联盟”发起人，国内Python量化课程：《Python量化实盘 魔鬼训练营》创始人，极宽量化开源团队的创始人。 1990年，发明国内VR数据手套并获得专利授权，被业界称为“中国VR之父”；1992年，论文《人工智能与中文字型设计》入选《广东青年科学家文集》，现已成为中文字库行业三大基础建模理论之一；1997年，出版国内首部网络经济专著《网络商战》；2008年，在北京联合创办国内4A级网络公关公司，服务过200余家国际五百强企业，被公关协会誉为：中国网络公关事业的开创者与启蒙者；2012年，发布国内自主研发的智能中文字库设计软件《x2ttf涂鸦造字》，全功能全免费公益软件；2016年，推出国内首套纯python开源量化软件：zwQuant，以及国内Tick级别开源金融大数据项目：zwDat金融数据包。 研究成果有：“小数据”理论，快数据模型，黑天鹅算法，GPU超算工作站、MTRD多节点超算集群算法、“1+N”网络传播模型、人工智能“足彩图灵法则”等。 资源目录： 第1章 足彩与数据分析 1 1.1 “阿尔法狗”与足彩 1 1.2 案例1-1：可怕的英国足球 3 1.3 关于足彩的几个误区 7 1.4 足彩·大事件 8 1.5 大数据图灵（足彩）原则 10 1.6 主要在线彩票资源 11 1.7 主要在线足彩数据源 15 1.8 足彩基础知识 17 1.9 学习路线图 18 第2章 开发环境 19 2.1 数据分析首选Python 19 2.1.1 大数据，why Python 19 2.1.2 入门简单，功能强大 21 2.1.3 难度降低90%，性能提高10倍 23 2.1.4 “零对象”编程模式 24 2.2 用户运行平台 25 2.3 程序目录结构 26 2.4 tfbDat足彩数据包 27 2.5 Spyder编辑器界面设置 28 2.5.1 开发环境界面设置 28 2.5.2 代码配色技巧 29 2.5.3 图像显示配置 31 2.5.4 重剑无锋 32 2.6 Notebook模式 34 2.7 模块库控制面板 36 2.7.1 模块库资源 37 2.7.2 模块库维护更新 37 2.7.3 系统关联 38 2.8 使用pip命令更新模块库 39 2.8.1 pip常用命令 39 2.8.2 进入Python命令行模式 41 2.8.3 pip安装模板 41 2.8.4 pip参数解释 42 2.8.5 pip-install参数选项 43 第3章 入门案例套餐 45 3.1 案例3-1：第一次编程，“hello,ziwang” 45 3.1.1 简单调试 46 3.1.2 控制台复位 47 3.2 案例3-2：增强版“hello,ziwang” 47 3.3 案例3-3：列举系统模块库清单 49 3.4 案例3-4：常用绘图风格 50 3.5 案例3-5：Pandas常用绘图风格 52 3.6 案例3-6：常用颜色表cors 53 第4章 足彩量化分析系统 55 4.1 功能简介 55 4.1.1 目录结构 56 4.1.2 TFB安装与更新 56 4.2 TFB主体框架 57 4.2.1 模块构成 57 4.2.2 Top-Base极宽基础模块库 57 4.2.3 Top-Football极宽足彩专业模块库 58 4.2.4 tfbDat极宽足彩数据包 59 4.2.5 量化系统模块构成 60 4.2.6 案例4-1：赔率文件切割 61 4.2.7 案例4-2：批量切割数据文件 64 4.3 tfbDat数据结构 66 4.3.1 案例4-3：tfb数据格式 67 4.3.2 gid基本比赛数据格式 67 4.3.3 xdat赔率数据格式 69 4.4 足彩基本数据分析 73 4.4.1 案例4-4：比赛数据基本图表分析 73 4.4.2 案例4-5：比赛数据进阶图表分析 77 4.4.3 案例4-6：比赛数据年度图表分析 80 4.4.4 案例4-7：比赛数据时间细分图表分析 81 4.5 胜、平、负数据分析 88 4.5.1 案例4-8：胜、平、负数据分析 88 4.5.2 @修饰符 88 4.5.3 胜、平、负分析 90 4.6 赔率数据分析 91 4.6.1 案例4-9：赔率分析 91 4.6.2 扩充dr_gid_top10绘图函数 92 4.6.3 赔率对比 93 第5章 常用数据分析工具 96 5.1 Pandas数据分析软件 96 5.1.1 Pandas简介 96 5.1.2 案例5-1：Pandas常用统计功能 99 5.2 科学计算 104 5.3 人工智能 105 5.4 NLTK语义分析 107 5.5 数据清洗统计分析 109 5.6 数据可视化 109 第6章 辅助工具 114 6.1 性能优化 114 6.1.1 Numexpr矢量加速库 115 6.1.2 Numba支持GPU的加速模块库 115 6.1.3 Blaze大数据优化模块库 115 6.1.4 Pyston加速模块 116 6.1.5 PyPy加速模块 116 6.1.6 Cython 116 6.1.7 其他优化技巧 117 6.2 网页信息抓取 117 6.2.1 Requests人性化的网络模块 118 6.2.2 Scrapy网页爬虫框架 118 6.2.3 Beautiful Soup 4 119 6.3 其他工具模块 120 6.3.1 Logging日志模块 120 6.3.2 Debug调试工具 121 6.3.3 re正则表达式 121 6.3.4 并行编程 122 6.4 网络辅助资源 123 6.5 arrow优雅简捷的时间模块库 125 6.5.1 案例6-1：arrow入门案例 126 6.5.2 创建arrow时间对象 128 6.5.3 创建时间戳 128 6.5.4 arrow属性 129 6.5.5 replace替换和shift位移 130 6.5.6 format格式化参数 130 6.5.7 时间转换 131 6.5.8 短命令 131 6.5.9 人性化 131 6.5.10 范围和跨度 132 6.5.11 工厂模式 133 6.5.12 Token特殊字符 133 第7章 网络足彩数据抓取 135 7.1 500彩票网站数据接口的优势 135 7.1.1 案例7-1：抓取赔率数据网页 136 7.1.2 网页数据实战操作技巧 139 7.2 网页解析的心灵鸡汤 141 7.2.1 BS4四大要素三缺一 142 7.2.2 Tag标签对象 142 7.2.3 案例7-2：Tag标签对象 142 7.2.4 案例7-3：Tag标签对象数据类型 145 7.2.5 NavigableString导航字符串 149 7.2.6 BeautifulSoup复合对象 149 7.2.7 Comment注释对象 150 7.2.8 案例7-4：BS4查找匹配功能 150 7.2.9 BS4节点遍历功能 154 7.3 足彩基本数据抓取 155 7.3.1 案例7-5：分析网页比赛数据 155 7.3.2 案例7-6：提取网页比赛数据 157 7.3.3 gid比赛基本数据结构 159 7.3.4 案例7-7：提取比赛得分 161 7.3.5 案例7-8：提取球队id编码 164 7.3.6 案例7-9：抓取历年比赛数据 167 7.3.7 案例7-10：流程图工具与Python 171 7.3.8 实盘技巧 172 7.3.9 案例7-11：进程池并发运行 174 7.4 批量抓取足彩网页数据实盘教程 177 7.4.1 案例7-12：批量抓取赔率数据 177 7.4.2 fb_gid_getExt扩展网页下载函数 178 7.4.3 bars节点数据包与pools彩票池 178 7.4.4 抓取扩展网页 180 7.5 足彩赔率数据抓取 181 7.5.1 gid与赔率数据网页 181 7.5.2 案例7-13：提取赔率数据 184 7.5.3 赔率数据与结构化数据 186 7.5.4 瀑布流数据网页与小数据理论 189 第8章 足彩数据回溯测试 191 8.1 TFB系统构成 192 8.1.1 TFB系统模块结构 192 8.1.2 Top-Base极宽基础模块库 192 8.1.3 Top-Football极宽足彩专业模块库 193 8.2 实盘数据更新 194 8.2.1 案例8-1：实盘数据更新 194 8.2.2 实盘要点：冗余 195 8.2.3 实盘要点：耐心 196 8.2.4 实盘要点：数据文件 197 8.2.5 main_get函数 197 8.3 变量初始化 199 8.3.1 全局变量与类定义 201 8.3.2 彩票池内存数据库 202 8.3.3 案例8-2：内存数据库&数据包 204 8.4 回溯测试 205 8.4.1 案例8-3：回溯 206 8.4.2 main_bt回溯主入口 207 8.4.3 案例8-4：实盘回溯 209 8.4.4 彩票池与统计池 211 8.4.5 poolTrd下单交易数据 212 8.4.6 poolRet回报记录数据 213 8.4.7 实盘足彩推荐分析 214 8.4.8 实盘回报分析 214 8.4.9 全数据分析与足彩数据集 215 8.5 bt_main回溯主函数 216 8.5.1 bt_1dayMain单日回溯函数 218 8.5.2 赔率数据合并函数 219 8.5.3 单日回报分析函数 220 8.5.4 单日回报分析 221 8.5.5 单场比赛回报分析 223 8.6 sta01策略的大数据分析 224 8.6.1 一号策略函数 226 8.6.2 超过100%的盈利策略与秘诀 227 8.6.3 统计分析 228 8.6.4 回溯时间测试 229 8.6.5 bt_main_ret总回报分析 230 第9章 参数智能寻优 232 9.1 一元参数寻优 233 9.1.1 案例9-1：一号策略参数寻优 233 9.1.2 一元测试函数 234 9.1.3 测试结果数据格式 236 9.1.4 案例9-2：一元参数图表分析 237 9.2 策略函数扩展 241 9.2.1 扩展一号策略函数 241 9.2.2 案例9-3：一号扩展策略 242 9.2.3 案例9-4：sta10策略 244 9.3 二元参数寻优 246 9.3.1 案例9-5：sta10参数寻优 246 9.3.2 案例9-6：二元参数图表分析 248 9.4 策略310准多因子策略 252 9.4.1 案例9-7：数据预处理 254 9.4.2 案例9-8：策略310参数寻优 257 9.4.3 案例9-9：策略310图表分析 259 9.4.4 案例9-10：策略310 264 第10章 Python人工智能入门与实践 266 10.1 从忘却开始 266 10.2 Iris经典爱丽丝 269 10.2.1 案例10-1：经典爱丽丝 270 10.2.2 案例10-2：爱丽丝进化与矢量化文本 272 10.3 AI操作流程 273 10.3.1 机器学习与测试数据集合 274 10.3.2 机器学习运行流程 274 10.3.3 经典机器学习算法 275 10.3.4 黑箱大法 275 10.3.5 数据切割函数 276 10.3.6 案例10-3：爱丽丝分解 277 10.3.7 案例10-4：线性回归算法 281 第11章 机器学习经典算法案例（上） 286 11.1 线性回归 286 11.2 逻辑回归算法 293 11.2.1 案例11-1：逻辑回归算法 294 11.3 朴素贝叶斯算法 296 11.3.1 案例11-2：贝叶斯算法 297 11.4 KNN近邻算法 299 11.4.1 案例11-3：KNN近邻算法 301 11.5 随机森林算法 302 11.5.1 案例11-4：随机森林算法 306 第12章 机器学习经典算法案例（下） 308 12.1 决策树算法 308 12.1.1 案例12-1：决策树算法 310 12.2 GBDT迭代决策树算法 311 12.2.1 案例12-2：GBDT迭代决策树算法 312 12.3 SVM向量机 313 12.3.1 案例12-3：SVM向量机算法 315 12.4 SVM-cross向量机交叉算法 316 12.4.1 案例12-4：SVM-cross向量机交叉算法 317 12.5 神经网络算法 318 12.5.1 经典神经网络算法 319 12.5.2 Sklearn神经网络算法 320 12.5.3 人工智能学习路线图 320 12.5.4 案例12-5：MLP神经网络算法 321 12.5.5 案例12-6：MLP_reg神经网络回归算法 323 第13章 机器学习组合算法 326 13.1 CCPP数据集 326 13.1.1 案例13-1：CCPP数据集 327 13.1.2 案例13-2：CCPP数据切割 328 13.1.3 数据切割函数 330 13.1.4 案例13-3：读取CCPP数据集 331 13.1.5 数据读取函数 333 13.2 机器学习统一接口函数 334 13.2.1 案例13-4：机器学习统一接口 334 13.2.2 统一接口函数 336 13.2.3 机器学习算法代码 338 13.2.4 效果评估函数 339 13.2.5 常用评测指标 340 13.3 批量调用机器学习算法 341 13.3.1 案例13-5：批量调用 341 13.3.2 批量调用算法模型 344 13.4 一体化调用 345 13.4.1 案例13-6：一体化调用 345 13.4.2 一体化调用函数 346 13.5 模型预制与保存 348 13.5.1 案例13-7：储存算法模型 348 13.5.2 模型保存函数 350 13.5.3 模型预测函数 350 13.5.4 案例13-8：批量储存算法模型 351 13.5.5 批量模型储存函数 353 13.5.6 案例13-9：批量加载算法模型 353 13.6 机器学习组合算法 357 13.6.1 案例13-10：机器学习组合算法 357 13.6.2 机器学习组合算法函数 359 第14章 足彩机器学习模型构建 361 14.1 数据整理 361 14.1.1 案例14-1：赔率数据合成 362 14.1.2 案例14-2：按年切割赔率数据 365 14.1.3 案例14-3：累计切割赔率数据 365 14.2 年度足彩赔率模型 366 14.2.1 案例14-4：2016年度足彩赔率模型组 367 14.2.2 案例14-5：年度多字段足彩赔率模型组 370 14.3 累计足彩赔率模型 373 14.3.1 案例14-6：累计2016足彩赔率模型组 373 14.3.2 案例14-7：累计多字段足彩赔率模型组 376 14.3.3 足彩算法模型文件 379 第15章 足彩机器学习模型验证 381 15.1 年度赔率模型验证 381 15.1.1 案例15-1：年度赔率模型验证 381 15.1.2 案例15-2：多字段年度赔率模型验证 383 15.2 累计赔率模型验证 385 15.2.1 案例15-3：累计赔率模型验证 385 15.2.2 案例15-4：多字段累计赔率模型验证 386 15.3 年度组合模型验证 388 15.3.1 案例15-5：年度组合模型验证 388 15.3.2 案例15-6：多字段年度组合模型验证 391 15.3.3 案例15-7：全字段年度组合模型验证 391 15.3.4 年度组合模型测试数据对比分析 392 15.4 累计组合模型验证 393 15.4.1 案例15-8：年度组合模型验证 393 15.4.2 案例15-9：多字段年度组合模型验证 394 15.4.3 累计组合模型测试数据对比分析 394 第16章 结果数据分析 397 16.1 神秘的df9 397 16.1.1 案例16-1：调试模式 397 16.1.2 神秘的df9结果数据变量 400 16.2 盈利率分析 402 16.2.1 案例16-2：盈利率计算 402 第17章 机器学习足彩实盘分析 407 17.1 回溯主入口 408 17.1.1 案例17-1：策略sta01 409 17.1.2 结果文件解读 409 17.1.3 数据字段分析 411 17.2 机器学习与回溯分析 412 17.2.1 案例17-2：Log回归策略足彩分析 414 17.2.2 Log回归策略函数 415 17.2.3 案例17-3：30天Log回归策略足彩分析 418 17.2.4 数据文件分析 420 17.2.5 足彩推荐 421 17.3 进一步深入 421 附录A Sklearn常用模块和函数 423 资源截图：

资源名称：Python密码学编程 内容简介： 本书主要介绍了加密算法，同时从Python编程的角度来引导读者将加密算法更好地实现。书中不仅讲述了详细的算法理论，还附以详细的代码示例帮助读者更好地学习算法，并最终实现加密算法。除此之外，书中还提供了相应的源码下载资源，能够让读者获取到最完整真实的代码示例，帮助读者更好地进行后续的开发和学习。 作者简介： Al Sweigart是加利福尼亚州旧金山的一名软件开 发者。他很喜欢骑自行车、当志愿者、泡咖啡吧以 及开发有用的软件。他编写了《Python游戏编程 快速上手》《Python和Pygame游戏开发指南》 《Python密码学编程》《Python编程快速上手——让繁琐工作自 动化》等图书，深受读者欢迎。他生于德克萨斯的休斯顿。他在德 克萨斯大学Austin分校读完了计算机科学学位。 资源目录： 第1章　制作纸质加密工具　1 1.1　密码学是什么　1 1.2　代码与加密法　2 1.3　制作纸质加密轮盘　2 1.4　虚拟加密轮盘　4 1.5　如何使用加密轮盘加密　4 1.6　如何使用加密轮盘解密　5 1.7　另一个加密法工具：St. Cyr滑条　6 1.8　A组练习　6 1.9　不用纸质工具做加密　7 1.10　B组练习　9 1.11　双重强度加密　9 1.12　通过计算机编程进行加密　9 第2章　Pygame基础知识　11 2.1　下载和安装Python　11 2.1.1　Windows安装步骤　11 2.1.2　OS X安装步骤　12 2.1.3　Ubuntu和Linux安装步骤　12 2.2　下载pyperclip.py　12 2.3　启动IDLE　12 2.4　特色程序　13 2.5　行号和空格　14 2.6　本书的文本换行　14 2.7　在线跟踪程序　15 2.8　使用在线比较工具检查输入的 代码　15 2.9　复制粘贴文本　15 2.10　更多信息链接　15 2.11　编程和密码学　16 第3章　Interactive Shell　20 3.1　一些简单的数学知识　20 3.2　整数和浮点数　21 3.3　表达式　21 3.4　运算符顺序　22 3.5　计算表达式　22 3.6　错误是可以接受的　22 3.7　A组练习　23 3.8　每个值都有一个数据类型　23 3.9　通过赋值语句把值存到变量里　23 3.10　重写变量　24 3.11　使用多个变量　25 3.12　变量名　26 3.13　驼峰式大小写　26 3.14　B组练习　26 3.15　总结——那我们什么时候开始 破译　26 第4章　字符串和写程序　28 4.1　字符串　28 4.2　使用+运算符的字符串连接　29 4.3　使用*运算符的字符串复制　30 4.4　使用print()函数输出值　30 4.5　转义字符　31 4.6　引号和双引号　32 4.7　A组练习　32 4.8　索引操作　33 4.9　负索引　33 4.10　分片操作　34 4.11　空分片索引　35 4.12　B组练习　35 4.13　在IDLE的文件编辑器里写程序　35 4.14　Hello World!　36 4.15　Hello World的源代码　36 4.16　保存你的程序　37 4.17　运行你的程序　37 4.18　打开你保存的程序　38 4.19　“Hello World”程序如何工作　38 4.20　注释　38 4.21　函数　39 4.22　print()函数　39 4.23　input()函数　39 4.24　结束程序　40 4.25　C组练习　40 4.26　总结　40 第5章　反转加密　41 5.1　反转加密　41 5.2　反转加密程序的源代码　41 5.3　运行反转加密程序　42 5.4　用在线比较工具检查你的源代码　42 5.5　这个程序如何工作　43 5.6　len()函数　43 5.7　while循环简介　44 5.8　布尔数据类型　44 5.9　比较运算符　45 5.10　条件　46 5.11　代码块　47 5.12　while循环语句　47 5.13　“增长”一个字符串　48 5.14　一步一步跟踪程序　50 5.15　在我们的程序里使用input()　52 5.16　A组练习　52 5.17　总结　52 第6章　凯撒加密法　53 6.1　实现程序　53 6.2　凯撒加密程序的源代码　53 6.3　运行凯撒加密程序　54 6.4　使用在线比较工具检查你的 源代码　55 6.5　A组练习　55 6.6　这个程序如何工作　55 6.7　使用import语句导入模块　55 6.8　常量　56 6.9　upper()和lower()字符串方法　57 6.10　for循环语句　58 6.11　相当于for循环的while循环　59 6.12　B组练习　59 6.13　if语句　59 6.14　else语句　60 6.15　elif语句　60 6.16　in和not in运算符　61 6.17　find()字符串方法　62 6.18　C组练习　62 6.19　回到代码　62 6.20　显示和复制加密/解密之后的 字符串　64 6.21　加密非字母字符　65 6.22　总结　66 第7章　暴力破译凯撒加密法　67 7.1　破译加密　67 7.2　暴力破译　67 7.3　凯撒加密法破译程序的源代码　68 7.4　运行凯撒加密法破译程序　68 7.5　这个程序如何工作　69 7.6　range()函数　69 7.7　回到代码　70 7.8　字符串格式化　72 7.9　A组练习　72 7.10　总结　72 第8章　使用换位加密法加密　73 8.1　换位加密法　73 8.2　A组练习　74 8.3　换位加密法加密程序　74 8.4　换位加密法加密程序的源代码　75 8.5　运行换位加密法加密程序　76 8.6　这个程序如何工作　76 8.7　使用def语句创建你自己的函数　76 8.8　程序的main()函数　77 8.9　形参　78 8.10　对形参的修改只存在于函数 之内　79 8.11　全局作用域和本地作用域里的 变量　79 8.12　global语句　79 8.13　B组练习　81 8.14　列表数据类型　81 8.15　使用list()函数把区间对象转换 成列表　82 8.16　重新赋值列表里的项　83 8.17　重新赋值字符串里的字符　83 8.18　列表的列表　83 8.19　C组练习　84 8.20　在列表上使用len()和in运算符　84 8.21　使用+和*运算符的列表连接和 复制　85 8.22　D组练习　85 8.23　换位加密算法　85 8.24　增强赋值运算符　88 8.25　回到代码　88 8.26　join()字符串方法　90 8.27　返回值和return语句　91 8.28　E组练习　91 8.29　回到代码　91 8.30　特殊的__name__变量　92 8.31　密钥的大小和消息的长度　93 8.32　总结　93 第9章　使用换位加密法解密　94 9.1　在纸上使用换位加密法解密　94 9.2　练习A组　96 9.3　换位加密法解密程序　96 9.4　换位加密法解密程序的源代码　96 9.5　这个程序如何工作　97 9.6　math.ceil()、math.floor()和round()函数　98 9.7　and和or布尔运算符　101 9.8　B组练习　102 9.9　真值表　102 9.10　and和or运算符可以简化代码　103 9.11　布尔运算符的运算顺序　103 9.12　回到代码　103 9.13　C组练习　105 9.14　总结　105 第10章　写一个程序测试我们的程序　106 10.1　换位加密法测试程序的源代码　106 10.2　运行换位加密法测试程序　107 10.3　这个程序如何工作　108 10.4　伪随机数和random.seed() 函数　108 10.5　random.randint()函数　109 10.6　引用　110 10.7　copy.deepcopy()函数　112 10.8　A组练习　112 10.9　random.shuffle()函数　112 10.10　随机打乱一个字符串　113 10.11　回到代码　114 10.12　sys.exit()函数　114 10.13　测试我们的测试程序　115 10.14　总结　116 第11章　加密和解密文件　117 11.1　纯文本文件　117 11.2　换位加密法文件加密程序的 源代码　118 11.3　运行换位加密法文件加密程序　120 11.4　读取文件　120 11.4.1　open()函数和文件对象　120 11.4.2　read()文件对象方法　120 11.4.3　close()文件对象方法　121 11.5　写入文件　121 11.5.1　write()文件对象方法　122 11.6　这个程序如何工作　122 11.7　os.path.exists()函数　123 11.8　startswith()和endswith()字符串方法　123 11.9　title()字符串方法　124 11.10　time模块和time.time()函数　125 11.11　回到代码　126 11.12　A组练习　126 11.13　总结　127 第12章　通过编程检测英文　128 12.1　计算机如何理解英文　128 12.2　A组练习　130 12.3　检测英文模块　130 12.4　检测英文模块的源代码　130 12.5　这个程序如何工作　131 12.6　词典和词典数据类型　132 12.7　添加或修改词典里的项　132 12.8　B组练习　133 12.9　在词典上使用len()函数　133 12.10　在词典上使用in运算符　133 12.11　在词典上使用for循环　134 12.12　C组练习　134 12.13　词典与列表之间的区别　134 12.14　在词典上查找项比在列表上 更快　135 12.15　split()方法　135 12.16　None值　136 12.17　回到代码　136 12.18　“除以零”错误　138 12.19　float()、int()和str()函数以及 整数除法　138 12.20　D组练习　139 12.21　回到代码　139 12.22　append()列表方法　139 12.23　默认参数值　140 12.24　计算比例　141 12.25　E组练习　142 12.26　总结　143 第13章　破译换位加密法　144 13.1　换位加密法破译程序的源代码　144 13.2　运行换位加密法破译程序　145 13.3　这个程序如何工作　146 13.4　使用三引号的多行字符串　146 13.5　回到代码　147 13.6　strip()字符串方法　148 13.7　A组练习　150 13.8　总结　150 第14章　取模运算与乘数加密法和 仿射加密法　151 14.1　噢，不，数学！　151 14.2　数学，噢耶！　151 14.3　取模运算（又名时钟运算）　151 14.4　取模运算符%　152 14.5　A组练习　153 14.6　GCD：最大公约数（又名最大 公因数）　153 14.7　使用古氏积木（Cuisenaire rods）可视化因数和GCD　154 14.8　B组练习　155 14.9　多重赋值　155 14.10　通过多重赋值交换值　156 14.11　找出两个数字的GCD的 欧几里得算法　156 14.12　“互质”　157 14.13　C组练习　157 14.14　乘数加密法　157 14.15　D组练习　159 14.16　乘数加密法 + 凯撒加密法 = 仿射加密法　159 14.17　仿射密钥的第一个问题　159 14.18　使用仿射加密法解密　160 14.19　找出模逆　161 14.20　//整数除法运算符　161 14.21　cryptomath模块的源代码　162 14.22　E组练习　163 14.23　总结　163 第15章　仿射加密法　164 15.1　仿射加密法程序的源代码　164 15.2　运行仿射加密法程序　166 15.3　A组练习　166 15.4　这个程序如何工作　166 15.5　把一个密钥分成两个密钥　167 15.6　元祖数据类型　168 15.7　密钥的输入验证　168 15.8　仿射加密法加密函数　169 15.9　仿射加密法解密函数　170 15.10　生成随机密钥　171 15.11　仿射密钥的第二个问题：仿射加密法可以有多少个密钥　172 15.12　总结　173 第16章　破译仿射加密法　174 16.1　仿射加密法破译程序的 源代码　174 16.2　运行仿射加密法破译程序　175 16.3　这个程序如何工作　176 16.4　仿射加密法破译函数　177 16.5　**指数运算符　177 16.6　continue语句　178 16.7　A组练习　180 16.8　总结　180 第17章　简单替代加密法　181 17.1　使用纸笔实现简单替代加密法　181 17.2　A组练习　182 17.3　简单替代加密法的源代码　182 17.4　运行简单替代加密法程序　183 17.5　这个程序如何工作　184 17.6　程序的main()函数　184 17.7　sort()列表方法　185 17.8　包装器函数　186 17.9　程序的translateMessage() 函数　187 17.10　isupper()和islower()字符串 方法　189 17.11　B组练习　190 17.12　生成随机密钥　190 17.13　加密空格和标点符号　191 17.14　C组练习　191 17.15　总结　192 第18章　破译简单替代加密法　193 18.1　计算单词模式　193 18.2　获取密词的候选单词列表　194 18.3　A组练习　195 18.4　单词模式模块的源代码　195 18.5　运行单词模式模块　196 18.6　这个程序如何工作　197 18.7　pprint.pprint()和pprint. pformat()函数　197 18.8　在Python里使用列表创建 字符串　198 18.9　计算单词模式　199 18.10　单词模式程序的main()函数　200 18.11　破译简单替代加密法　202 18.12　简单替代破译程序的源代码　202 18.13　破译简单替代加密法（理论）　205 18.14　使用Interactive Shell探索 破译函数　205 18.15　这个程序如何工作　209 18.16　导入所有东西　209 18.17　正则表达式和sub()正则方法 简介　210 18.18　破译程序的main()函数　211 18.19　部分破译加密法　211 18.20　空密字映射　212 18.21　把字母添加到密字映射　213 18.22　计算两个字母映射的交集　214 18.23　从密字映射移除已经破译的 字母　215 18.24　破译简单替代加密法　217 18.25　从密字映射创建密钥　219 18.26　我们不能把空格也加密吗　220 18.27　总结　220 第19章　维吉尼亚加密法　221 19.1　不可破译的加密法　221 19.2　维吉尼亚密钥里的多个“密钥”　221 19.3　维吉尼亚加密法程序的源代码　224 19.4　运行维吉尼亚加密法程序　226 19.5　这个程序如何工作　227 19.6　总结　230 第20章　频率分析　231 20.1　字母频率和ETAOIN　231 20.1.1　匹配字母频率　232 20.1.2　计算频率匹配分值的例子　233 20.1.3　另一个计算频率匹配分值的例子　233 20.1.4　破译每个子密钥　234 20.2　匹配字母频率的代码　234 20.3　这个程序如何工作　236 20.4　最常见的字母“ETAOIN”　237 20.5　这个程序的getLettersCount() 函数　237 20.6　这个程序的getItemAtIndex Zero()函数　238 20.7　这个程序的getFrequencyOrder()函数　238 20.8　sort()方法的key和reverse关键字参数　239 20.9　把函数作为值传递　240 20.10　通过keys()、values()和items()词典方法把词典转换成列表　241 20.11　对词典的项进行排序　242 20.12　这个程序的englishFreqMatch Score()函数　243 20.13　总结　244 第21章　破译维吉尼亚加密法　245 21.1　词典攻击　245 21.2　维吉尼亚词典攻击程序的源代码　245 21.3　运行维吉尼亚词典破译程序　246 21.4　readlines()文件对象方法　247 21.5　巴贝奇攻击和卡西斯基试验　247 21.6　卡西斯基试验的第1步—— 找出重复序列的间距　247 21.7　卡西斯基试验的第2步—— 获取间距的因数　248 21.8　从字符串获取每隔N个字母　249 21.9　频率分析　249 21.10　暴力破译可能密钥　251 21.11　维吉尼亚破译程序的源代码　251 21.12　运行维吉尼亚破译程序　256 21.13　这个程序如何工作　258 21.14　找出重复序列　259 21.15　计算因数　260 21.16　通过set()函数来移除重复值　261 21.17　卡西斯基测试算法　263 21.18　extend()列表方法　264 21.19　print()的end关键字参数　268 21.20　itertools.product()函数　269 21.21　break语句　272 21.22　A组练习　273 21.23　修改破译程序的常量　273 21.24　总结　274 第22章　一次密码本加密法　275 22.1　牢不可破的一次密码本加密法　275 22.2　为什么一次密码本加密法是 牢不可破的　275 22.3　小心伪随机　276 22.4　小心二次密码本加密法　277 22.5　二次密码本加密法就是维吉尼亚加密法　277 22.6　A组练习　278 22.7　总结　278 第23章　寻找质数　279 23.1　质数　279 23.2　合数　280 23.3　质数筛选模块的源代码　280 23.4　这个程序如何工作　281 23.5　如何判断一个数字是不是质数　282 23.6　埃拉托色尼筛选法　283 23.7　primeSieve()函数　284 23.8　检测质数　285 23.9　拉宾米勒模块的源代码　285 23.10　运行拉宾米勒模块　287 23.11　这个程序如何工作　287 23.12　拉宾米勒算法　287 23.13　新的经过改进的isPrime()函数　288 23.14　总结　289 第24章　公钥密码学和RSA加密法　291 24.1　公钥密码学　291 24.2　“课本”RSA的危险　292 24.3　身份验证的问题　292 24.4　中间人攻击　293 24.5　生成公钥和私钥　293 24.6　RSA密钥生成程序的源代码　294 24.7　运行RSA密钥生成程序　295 24.8　这个密钥生成程序如何工作　296 24.9　这个程序的generateKey()函数　297 24.10　RSA密钥文件格式　299 24.11　混合加密机制　300 24.12　RSA加密法程序的源代码　300 24.13　运行RSA加密法程序　303 24.14　A组练习　304 24.15　数字签名　304 24.16　RSA加密法程序如何工作　306 24.17　ASCII：使用数字来表示字符　307 24.18　chr()和ord()函数　308 24.19　B组练习　308 24.20　区块　308 24.21　使用getBlocksFromText()把 字符串转成区块　311 24.22　encode()字符串方法和字节数 据类型　311 24.23　bytes()函数和decode()bytes 方法　312 24.24　C组练习　312 24.25　回到代码　313 24.26　min()和max()函数　313 24.27　insert()列表方法　315 24.28　RSA加密和解密的数学运算　316 24.29　pow()函数　317 24.30　从密钥文件读取公钥和私钥　318 24.31　完整的RSA加密流程　318 24.32　完整的RSA解密流程　320 24.33　D组练习　321 24.34　我们为什么不能破译RSA 加密法　321 24.35　总结　323 资源截图：

资源名称：零起点PYTHON机器学习快速入门 PDF 内容简介： 《零起点Python机器学习快速入门》采用独创的黑箱模式，MBA案例教学机制，结合一线实战案例，介绍 Sklearn人工智能模块库和常用的机器学习算法。《零起点Python机器学习快速入门》中配备大量图表说明，没有枯燥的数学公式，只要懂 Word、Excel，就能够轻松阅读全书，并学习使用书中的知识，分析大数据。 《零起点Python机器学习快速入门》具有以下特色： 独创的黑箱教学模式，《零起点Python机器学习快速入门》无任何抽象理论和深奥的数学公式。 首次系统化融合 Sklearn人工智能软件和 Pandas数据分析软件，不用再直接使用复杂的 Numpy数学矩阵模块。 系统化的 Sklearn函数 API接口中文文档，可作为案头工具书随时查阅。 基于 Sklearn+Pandas架构，全程采用 MBA案例模式，无需任何理论基础，懂 Excel就可看懂。 资源目录： 第 1 章从阿尔法狗开始说起 1 1.1 阿尔法狗的前世今生 1 1.2 机器学习是什么 2 1.3 机器学习大史记 3 1.4 机器学习经典案例 11 第2 章开发环境 13 2.1 数据分析首选Python 13 2.2 用户运行平台 18 2.3 程序目录结构 19 2.4 Spyder 编辑器界面设置 20 2.5 Python 命令行模式 26 2.6 Notebook 模式 27 2.7 模块库控制面板 29 2.8 使用pip 更新模块库 33 第3 章 Python 入门案例 39 3.1 案例3-1：第一次编程“hello,ziwang” 39 3.2 案例3-2：增强版“hello,zwiang” 42 3.3 案例3-3：列举系统模块库清单 44 3.4 案例 3-4：常用绘图风格 45 3.5 案例 3-5：Pandas常用绘图风格 47 3.6 案例 3-6：常用颜色表 cors 49 3.7 案例源码 50 第4 章 Python 基本语法 58 4.1 数据类型 58 案例4-1：基本运算 59 4.2 字符串 61 案例4-2：字符串入门. 61 案例4-3：字符串常用方法 63 4.3 List 列表 64 案例4-4：列表操作 65 4.4 Tuple 元组 66 案例4-5：元组操作 67 4.5 Dictionary 字典. 68 案例4-6：字典操作 68 4.6 数据类型转换 70 案例4-7：控制语句 71 案例4-8：函数定义 73 4.7 案例源码 75 第5 章 Python 人工智能入门与实践 85 5.1 从忘却开始. 85 5.2 Iris 经典爱丽丝. 89 案例5-1：Iris 爱丽丝 90 案例5-2：爱丽丝进化与文本矢量化. 92 5.3 AI 操作流程 95 5.4 数据切割函数 98 案例5-3：Iris 爱丽丝分解 99 案例5-4：线性回归算法. 103 5.5 案例源码 109 第6 章机器学习经典算法案例（上） 116 6.1 线性回归 116 6.2 逻辑回归算法. 124 案例6-1：逻辑回归算法. 125 6.3 朴素贝叶斯算法 127 案例6-2：贝叶斯算法 129 6.4 KNN 近邻算法 130 案例6-3：KNN 近邻算法 133 6.5 随机森林算法. 135 案例6-4：随机森林算法. 139 6.6 案例源码 140 第7 章机器学习经典算法案例（下） 149 7.1 决策树算法 149 案例7-1：决策树算法 151 7.2 GBDT 迭代决策树算法 153 案例7-2：GBDT 迭代决策树算法 154 7.3 SVM 向量机 156 案例7-3：SVM 向量机算法. 157 7.4 SVM-cross 向量机交叉算法 159 案例7-4：SVM-cross 向量机交叉算法 160 7.5 神经网络算法. 161 案例7-5：MLP 神经网络算法. 165 案例7-6：MLP_reg 神经网络回归算法. 168 7.6 案例源码 170 第8 章机器学习组合算法 183 8.1 CCPP 数据集 183 案例8-1：CCPP 数据集 184 案例8-2：CCPP 数据切割. 186 案例8-3：读取CCPP 数据集 189 8.2 机器学习统一接口函数 192 案例8-4：机器学习统一接口 193 案例8-5：批量调用机器学习算法 201 案例8-6：一体化调用 205 8.3 模型预制与保存 208 案例8-7：储存算法模型. 210 案例8-8：批量储存算法模型 213 案例8-9：批量加载算法模型 215 案例8-10：机器学习组合算法 219 8.4 案例源码 224 附录A Sklearn 常用模块和函数. 242 附录B 极宽量化系统模块图 266 资源截图：

资源名称：Python机器学习经典实例 内容简介： 在如今这个处处以数据驱动的世界中，机器学习正变得越来越大众化。它已经被广泛地应用于不同领域，如搜索引擎、机器人、无人驾驶汽车等。本书首先通过实用的案例介绍机器学习的基础知识，然后介绍一些稍微复杂的机器学习算法，例如支持向量机、极端随机森林、隐马尔可夫模型、条件随机场、深度神经网络，等等。 本书是为想用机器学习算法开发应用程序的Python 程序员准备的。它适合Python 初学者阅读，不过熟悉Python 编程方法对体验示例代码大有裨益。 作者简介： 作者简介： Prateek Joshi 人工智能专家，重点关注基于内容的分析和深度学习，曾在英伟达、微软研究院、高通公司以及硅谷的几家早期创业公司任职。 译者简介： 陶俊杰 长期从事数据分析工作，酷爱Python，每天都和Python面对面，乐此不疲。本科毕业于北京交通大学机电学院，硕士毕业于北京交通大学经管学院。曾就职于中国移动设计院，目前在京东任职。 陈小莉 长期从事数据分析工作，喜欢Python。本科与硕士毕业于北京交通大学电信学院。目前在中科院从事科技文献与专利分析工作。 资源目录： 第1章　监督学习　　1 1.1　简介　　1 1.2　数据预处理技术　　2 1.2.1　准备工作　　2 1.2.2　详细步骤　　2 1.3　标记编码方法　　4 1.4　创建线性回归器　　6 1.4.1　准备工作　　6 1.4.2　详细步骤　　7 1.5　计算回归准确性　　9 1.5.1　准备工作　　9 1.5.2　详细步骤　　10 1.6　保存模型数据　　10 1.7　创建岭回归器　　11 1.7.1　准备工作　　11 1.7.2　详细步骤　　12 1.8　创建多项式回归器　　13 1.8.1　准备工作　　13 1.8.2　详细步骤　　14 1.9　估算房屋价格　　15 1.9.1　准备工作　　15 1.9.2　详细步骤　　16 1.10　计算特征的相对重要性　　17 1.11　评估共享单车的需求分布　　19 1.11.1　准备工作　　19 1.11.2　详细步骤　　19 1.11.3　更多内容　　21 第2章　创建分类器　　24 2.1　简介　　24 2.2　建立简单分类器　　25 2.2.1　详细步骤　　25 2.2.2　更多内容　　27 2.3　建立逻辑回归分类器　　27 2.4　建立朴素贝叶斯分类器　　31 2.5　将数据集分割成训练集和测试集　　32 2.6　用交叉验证检验模型准确性　　33 2.6.1　准备工作　　34 2.6.2　详细步骤　　34 2.7　混淆矩阵可视化　　35 2.8　提取性能报告　　37 2.9　根据汽车特征评估质量　　38 2.9.1　准备工作　　38 2.9.2　详细步骤　　38 2.10　生成验证曲线　　40 2.11　生成学习曲线　　43 2.12　估算收入阶层　　45 第3章　预测建模　　48 3.1　简介　　48 3.2　用SVM建立线性分类器　　49 3.2.1　准备工作　　49 3.2.2　详细步骤　　50 3.3　用SVM建立非线性分类器　　53 3.4　解决类型数量不平衡问题　　55 3.5　提取置信度　　58 3.6　寻找最优超参数　　60 3.7　建立事件预测器　　62 3.7.1　准备工作　　62 3.7.2　详细步骤　　62 3.8　估算交通流量　　64 3.8.1　准备工作　　64 3.8.2　详细步骤　　64 第4章　无监督学习——聚类　　67 4.1　简介　　67 4.2　用k-means算法聚类数据　　67 4.3　用矢量量化压缩图片　　70 4.4　建立均值漂移聚类模型　　74 4.5　用凝聚层次聚类进行数据分组　　76 4.6　评价聚类算法的聚类效果　　79 4.7　用DBSCAN算法自动估算集群数量　　82 4.8　探索股票数据的模式　　86 4.9　建立客户细分模型　　88 第5章　构建推荐引擎　　91 5.1　简介　　91 5.2　为数据处理构建函数组合　　92 5.3　构建机器学习流水线　　93 5.3.1　详细步骤　　93 5.3.2　工作原理　　95 5.4　寻找最近邻　　95 5.5　构建一个KNN分类器　　98 5.5.1　详细步骤　　98 5.5.2　工作原理　　102 5.6　构建一个KNN回归器　　102 5.6.1　详细步骤　　102 5.6.2　工作原理　　104 5.7　计算欧氏距离分数　　105 5.8　计算皮尔逊相关系数　　106 5.9　寻找数据集中的相似用户　　108 5.10　生成电影推荐　　109 第6章　分析文本数据　　112 6.1　简介　　112 6.2　用标记解析的方法预处理数据　　113 6.3　提取文本数据的词干　　114 6.3.1　详细步骤　　114 6.3.2　工作原理　　115 6.4　用词形还原的方法还原文本的基本形式　　116 6.5　用分块的方法划分文本　　117 6.6　创建词袋模型　　118 6.6.1　详细步骤　　118 6.6.2　工作原理　　120 6.7　创建文本分类器　　121 6.7.1　详细步骤　　121 6.7.2　工作原理　　123 6.8　识别性别　　124 6.9　分析句子的情感　　125 6.9.1　详细步骤　　126 6.9.2　工作原理　　128 6.10　用主题建模识别文本的模式　　128 6.10.1　详细步骤　　128 6.10.2　工作原理　　131 第7章　语音识别　　132 7.1　简介　　132 7.2　读取和绘制音频数据　　132 7.3　将音频信号转换为频域　　134 7.4　自定义参数生成音频信号　　136 7.5　合成音乐　　138 7.6　提取频域特征　　140 7.7　创建隐马尔科夫模型　　142 7.8　创建一个语音识别器　　143 第8章　解剖时间序列和时序数据　　147 8.1　简介　　147 8.2　将数据转换为时间序列格式　　148 8.3　切分时间序列数据　　150 8.4　操作时间序列数据　　152 8.5　从时间序列数据中提取统计数字　　154 8.6　针对序列数据创建隐马尔科夫模型　　157 8.6.1　准备工作　　158 8.6.2　详细步骤　　158 8.7　针对序列文本数据创建条件随机场　　161 8.7.1　准备工作　　161 8.7.2　详细步骤　　161 8.8　用隐马尔科夫模型分析股票市场数据　　164 第9章　图像内容分析　　166 9.1　简介　　166 9.2　用OpenCV-Pyhon操作图像　　167 9.3　检测边　　170 9.4　直方图均衡化　　174 9.5　检测棱角　　176 9.6　检测SIFT特征点　　178 9.7　创建Star特征检测器　　180 9.8　利用视觉码本和向量量化创建特征　　182 9.9　用极端随机森林训练图像分类器　　185 9.10　创建一个对象识别器　　187 第10章　人脸识别　　189 10.1　简介　　189 10.2　从网络摄像头采集和处理视频信息　　189 10.3　用Haar级联创建一个人脸识别器　　191 10.4　创建一个眼睛和鼻子检测器　　193 10.5　做主成分分析　　196 10.6　做核主成分分析　　197 10.7　做盲源分离　　201 10.8　用局部二值模式直方图创建一个人脸识别器　　205 第11章　深度神经网络　　210 11.1　简介　　210 11.2　创建一个感知器　　211 11.3　创建一个单层神经网络　　213 11.4　创建一个深度神经网络　　216 11.5　创建一个向量量化器　　219 11.6　为序列数据分析创建一个递归神经网络　　221 11.7　在光学字符识别数据库中将字符可视化　　225 11.8　用神经网络创建一个光学字符识别器　　226 第12章　可视化数据　　230 12.1　简介　　230 12.2　画3D散点图　　230 12.3　画气泡图　　232 12.4　画动态气泡图　　233 12.5　画饼图　　235 12.6　画日期格式的时间序列数据　　237 12.7　画直方图　　239 12.8　可视化热力图　　241 12.9　动态信号的可视化模拟　　242 资源截图：

资源名称：Python机器学习算法 PDF  内容简介： 《Python机器学习算法》是一本机器学习入门读物，注重理论与实践的结合。全书主要包括6个部分，每个部分均以典型的机器学习算法为例，从算法原理出发，由浅入深，详细介绍算法的理论，并配合目前流行的Python语言，从零开始，实现每一个算法，以加强对机器学习算法理论的理解、增强实际的算法实践能力，最终达到熟练掌握每一个算法的目的。与其他机器学习类图书相比，《Python机器学习算法》同时包含算法理论的介绍和算法的实践，以理论支撑实践，同时，又将复杂、枯燥的理论用简单易懂的形式表达出来，促进对理论的理解。 资源目录： 0 绪论 1 0.1 机器学习基础 1 0.1.1 机器学习的概念 1 0.1.2 机器学习算法的分类 2 0.2 监督学习 3 0.2.1 监督学习 3 0.2.2 监督学习的流程 3 0.2.3 监督学习算法 4 0.3 无监督学习 4 0.3.1 无监督学习 4 0.3.2 无监督学习的流程 4 0.3.3 无监督学习算法 5 0.4 推荐系统和深度学习 6 0.4.1 推荐系统 6 0.4.2 深度学习 6 0.5 Python和机器学习算法实践 6 参考文献 7 第一部分 分类算法 1 Logistic Regression 10 1.1 Logistic Regression模型 10 1.1.1 线性可分VS线性不可分 10 1.1.2 Logistic Regression模型 11 1.1.3 损失函数 13 1.2 梯度下降法 14 1.2.1 梯度下降法的流程 14 1.2.2 凸优化与非凸优化 15 1.2.3 利用梯度下降法训练Logistic Regression模型 17 1.3 梯度下降法的若干问题 18 1.3.1 选择下降的方向 18 1.3.2 步长的选择 19 1.4 Logistic Regression算法实践 20 1.4.1 利用训练样本训练Logistic Regression模型 20 1.4.2 最终的训练效果 22 1.4.3 对新数据进行预测 23 参考文献 26 2 Softmax Regression 27 2.1 多分类问题 27 2.2 Softmax Regression算法模型 28 2.2.1 Softmax Regression模型 28 2.2.2 Softmax Regression算法的代价函数 28 2.3 Softmax Regression算法的求解 29 2.4 Softmax Regression与Logistic Regression的关系 31 2.4.1 Softmax Regression中的参数特点 31 2.4.2 由Softmax Regression到Logistic Regression 31 2.5 Softmax Regression算法实践 32 2.5.1 对Softmax Regression算法的模型进行训练 33 2.5.2 最终的模型 34 2.5.3 对新的数据的预测 35 参考文献 39 3 Factorization Machine 40 3.1 Logistic Regression算法的不足 40 3.2 因子分解机FM的模型 42 3.2.1 因子分解机FM模型 42 3.2.2 因子分解机FM可以处理的问题 43 3.2.3 二分类因子分解机FM算法的损失函数 43 3.3 FM算法中交叉项的处理 43 3.3.1 交叉项系数 43 3.3.2 模型的求解 44 3.4 FM算法的求解 45 3.4.1 随机梯度下降（Stochastic Gradient Descent） 45 3.4.2 基于随机梯度的方式求解 45 3.4.3 FM算法流程 46 3.5 因子分解机FM算法实践 49 3.5.1 训练FM模型 50 3.5.2 最终的训练效果 53 3.5.3 对新的数据进行预测 55 参考文献 57 4 支持向量机 58 4.1 二分类问题 58 4.1.1 二分类的分隔超平面 58 4.1.2 感知机算法 59 4.1.3 感知机算法存在的问题 61 4.2 函数间隔和几何间隔 61 4.2.1 函数间隔 62 4.2.2 几何间隔 62 4.3 支持向量机 63 4.3.1 间隔最大化 63 4.3.2 支持向量和间隔边界 64 4.3.3 线性支持向量机 65 4.4 支持向量机的训练 66 4.4.1 学习的对偶算法 66 4.4.2 由线性支持向量机到非线性支持向量机 68 4.4.3 序列最小最优化算法SMO 69 4.5 支持向量机SVM算法实践 74 4.5.1 训练SVM模型 74 4.5.2 利用训练样本训练SVM模型 81 4.5.3 利用训练好的SVM模型对新数据进行预测 85 参考文献 88 5 随机森林 89 5.1 决策树分类器 89 5.1.1 决策树的基本概念 89 5.1.2 选择最佳划分的标准 91 5.1.3 停止划分的标准 94 5.2 CART分类树算法 95 5.2.1 CART分类树算法的基本原理 95 5.2.2 CART分类树的构建 95 5.2.3 利用构建好的分类树进行预测 98 5.3 集成学习（Ensemble Learning） 99 5.3.1 集成学习的思想 99 5.3.2 集成学习中的典型方法 99 5.4 随机森林（Random Forests） 101 5.4.1 随机森林算法模型 101 5.4.2 随机森林算法流程 102 5.5 随机森林RF算法实践 104 5.5.1 训练随机森林模型 105 5.5.2 最终的训练结果 109 5.5.3 对新数据的预测 110 参考文献 113 6 BP神经网络 114 6.1 神经元概述 114 6.1.1 神经元的基本结构 114 6.1.2 激活函数 115 6.2 神经网络模型 116 6.2.1 神经网络的结构 116 6.2.2 神经网络中的参数说明 117 6.2.3 神经网络的计算 117 6.3 神经网络中参数的求解 118 6.3.1 神经网络损失函数 118 6.3.2 损失函数的求解 119 6.3.3 BP神经网络的学习过程 120 6.4 BP神经网络中参数的设置 126 6.4.1 非线性变换 126 6.4.2 权重向量的初始化 126 6.4.3 学习率 127 6.4.4 隐含层节点的个数 127 6.5 BP神经网络算法实践 127 6.5.1 训练BP神经网络模型 128 6.5.2 最终的训练效果 132 6.5.3 对新数据的预测 133 参考文献 136 第二部分 回归算法 7 线性回归 138 7.1 基本线性回归 138 7.1.1 线性回归的模型 138 7.1.2 线性回归模型的损失函数 139 7.2 线性回归的最小二乘解法 140 7.2.1 线性回归的最小二乘解法 140 7.2.2 广义逆的概念 141 7.3 牛顿法 141 7.3.1 基本牛顿法的原理 141 7.3.2 基本牛顿法的流程 142 7.3.3 全局牛顿法 142 7.3.4 Armijo搜索 144 7.3.5 利用全局牛顿法求解线性回归模型 145 7.4 利用线性回归进行预测 146 7.4.1 训练线性回归模型 147 7.4.2 最终的训练结果 149 7.4.3 对新数据的预测 150 7.5 局部加权线性回归 152 7.5.1 局部加权线性回归模型 152 7.5.2 局部加权线性回归的最终结果 153 参考文献 154 8 岭回归和Lasso回归 155 8.1 线性回归存在的问题 155 8.2 岭回归模型 156 8.2.1 岭回归模型 156 8.2.2 岭回归模型的求解 156 8.3 Lasso回归模型 157 8.4 拟牛顿法 158 8.4.1 拟牛顿法 158 8.4.2 BFGS校正公式的推导 158 8.4.3 BFGS校正的算法流程 159 8.5 L-BFGS求解岭回归模型 162 8.5.1 BGFS算法存在的问题 162 8.5.2 L-BFGS算法思路 162 8.6 岭回归对数据的预测 165 8.6.1 训练岭回归模型 166 8.6.2 最终的训练结果 168 8.6.3 利用岭回归模型预测新的数据 168 参考文献 171 9 CART树回归 172 9.1 复杂的回归问题 172 9.1.1 线性回归模型 172 9.1.2 局部加权线性回归 173 9.1.3 CART算法 174 9.2 CART回归树生成 175 9.2.1 CART回归树的划分 175 9.2.2 CART回归树的构建 177 9.3 CART回归树剪枝 179 9.3.1 前剪枝 179 9.3.2 后剪枝 180 9.4 CART回归树对数据预测 180 9.4.1 利用训练数据训练CART回归树模型 180 9.4.2 最终的训练结果 182 9.4.3 利用训练好的CART回归树模型对新的数据预测 185 参考文献 187 第三部分 聚类算法 10 K-Means 190 10.1 相似性的度量 190 10.1.1 闵可夫斯基距离 191 10.1.2 曼哈顿距离 191 10.1.3 欧氏距离 191 10.2 K-Means算法原理 192 10.2.1 K-Means算法的基本原理 192 10.2.2 K-Means算法步骤 193 10.2.3 K-Means算法与矩阵分解 193 10.3 K-Means算法实践 195 10.3.1 导入数据 196 10.3.2 初始化聚类中心 197 10.3.3 聚类过程 198 10.3.4 最终的聚类结果 199 10.4 K-Means++算法 200 10.4.1 K-Means算法存在的问题 200 10.4.2 K-Means++算法的基本思路 202 10.4.3 K-Means++算法的过程和最终效果 204 参考文献 205 11 Mean Shift 206 11.1 Mean Shift向量 206 11.2 核函数 207 11.3 Mean Shift算法原理 209 11.3.1 引入核函数的Mean Shift向量 209 11.3.2 Mean Shift算法的基本原理 210 11.4 Mean Shift算法的解释 212 11.4.1 概率密度梯度 212 11.4.2 Mean Shift向量的修正 213 11.4.3 Mean Shift算法流程 213 11.5 Mean Shift算法实践 217 11.5.1 Mean Shift的主过程 218 11.5.2 Mean Shift的最终聚类结果 219 参考文献 221 12 DBSCAN 222 12.1 基于密度的聚类 222 12.1.1 基于距离的聚类算法存在的问题 222 12.1.2 基于密度的聚类算法 225 12.2 DBSCAN算法原理 225 12.2.1 DBSCAN算法的基本概念 225 12.2.2 DBSCAN算法原理 227 12.2.3 DBSCAN算法流程 228 12.3 DBSCAN算法实践 231 12.3.1 DBSCAN算法的主要过程 232 12.3.2 Mean Shift的最终聚类结果 234 参考文献 236 13 Label Propagation 237 13.1 社区划分 237 13.1.1 社区以及社区划分 237 13.1.2 社区划分的算法 238 13.1.3 社区划分的评价标准 239 13.2 Label Propagation算法原理 239 13.2.1 Label Propagation算法的基本原理 239 13.2.2 标签传播 240 13.2.3 迭代的终止条件 242 13.3 Label Propagation算法过程 244 13.4 Label Propagation算法实践 244 13.4.1 导入数据 245 13.4.2 社区的划分 246 13.4.3 最终的结果 247 参考文献 248 第四部分 推荐算法 14 协同过滤算法 250 14.1 推荐系统的概述 250 14.1.1 推荐系统 250 14.1.2 推荐问题的描述 251 14.1.3 推荐的常用方法 251 14.2 基于协同过滤的推荐 252 14.2.1 协同过滤算法概述 252 14.2.2 协同过滤算法的分类 252 14.3 相似度的度量方法 253 14.3.1 欧氏距离 254 14.3.2 皮尔逊相关系数（Pearson Correlation） 254 14.3.3 余弦相似度 254 14.4 基于协同过滤的推荐算法 256 14.4.1 基于用户的协同过滤算法 256 14.4.2 基于项的协同过滤算法 258 14.5 利用协同过滤算法进行推荐 260 14.5.1 导入用户-商品数据 260 14.5.2 利用基于用户的协同过滤算法进行推荐 261 14.5.3 利用基于项的协同过滤算法进行推荐 262 参考文献 264 15 基于矩阵分解的推荐算法 265 15.1 矩阵分解 265 15.2 基于矩阵分解的推荐算法 266 15.2.1 损失函数 266 15.2.2 损失函数的求解 266 15.2.3 加入正则项的损失函数即求解方法 267 15.2.4 预测 269 15.3 利用矩阵分解进行推荐 270 15.3.1 利用梯度下降对用户商品矩阵分解和预测 270 15.3.2 最终的结果 272 15.4 非负矩阵分解 273 15.4.1 非负矩阵分解的形式化定义 274 15.4.2 损失函数 274 15.4.3 优化问题的求解 274 15.5 利用非负矩阵分解进行推荐 277 15.5.1 利用乘法规则进行分解和预测 277 15.5.2 最终的结果 278 参考文献 279 16 基于图的推荐算法 280 16.1 二部图与推荐算法 280 16.1.1 二部图 280 16.1.2 由用户商品矩阵到二部图 281 16.2 PageRank算法 282 16.2.1 PageRank算法的概念 282 16.2.2 PageRank的两个假设 283 16.2.3 PageRank的计算方法 283 16.3 PersonalRank算法 285 16.3.1 PersonalRank算法原理 285 16.3.2 PersonalRank算法的流程 286 16.4 利用PersonalRank算法进行推荐 288 16.4.1 利用PersonalRank算法进行推荐 288 16.4.2 最终的结果 291 参考文献 291 第五部分 深度学习 17 AutoEncoder 294 17.1 多层神经网络 294 17.1.1 三层神经网络模型 294 17.1.2 由三层神经网络到多层神经网络 295 17.2 AutoEncoder模型 296 17.2.1 AutoEncoder模型结构 296 17.2.2 AutoEncoder的损失函数 297 17.3 降噪自编码器Denoising AutoEncoder 298 17.3.1 Denoising AutoEncoder原理 298 17.3.2 Denoising AutoEncoder实现 299 17.4 利用Denoising AutoEncoders构建深度网络 302 17.4.1 无监督的逐层训练 302 17.4.2 有监督的微调 303 17.5 利用TensorFlow实现Stacked Denoising AutoEncoders 306 17.5.1 训练Stacked Denoising AutoEncoders模型 306 17.5.2 训练的过程 307 参考文献 308 18 卷积神经网络 309 18.1 传统神经网络模型存在的问题 309 18.2 卷积神经网络 311 18.2.1 卷积神经网络中的核心概念 311 18.2.2 卷积神经网络模型 312 18.3 卷积神经网络的求解 313 18.3.1 卷积层（Convolution Layer） 313 18.3.2 下采样层（Sub-Sampling Layer） 316 18.3.3 全连接层（Fully-Connected Layer） 316 18.4 利用TensorFlow实现CNN 316 18.4.1 CNN的实现 316 18.4.2 训练CNN模型 320 18.4.3 训练的过程 321 参考文献 321 第六部分 项目实践 19 微博精准推荐 324 19.1 精准推荐 324 19.1.1 精准推荐的项目背景 324 19.1.2 精准推荐的技术架构 325 19.1.3 离线数据挖掘 326 19.2 基于用户行为的挖掘 327 19.2.1 基于互动内容的兴趣挖掘 327 19.2.2 基于与博主互动的兴趣挖掘 328 19.3 基于相似用户的挖掘 329 19.3.1 基于“@”人的相似用户挖掘 329 19.3.2 基于社区的相似用户挖掘 329 19.3.3 基于协同过滤的相似用户挖掘 331 19.4 点击率预估 332 19.4.1 点击率预估的概念 332 19.4.2 点击率预估的方法 332 19.5 各种数据技术的效果 334 参考文献 335 附录A 336 附录B 341

资源名称：Python程序设计（第3版） 内容简介： 本书是面向大学计算机科学专业第一门程的教材。本书以Python语言为工具，采用相当传统的方法，强调解决问题、设计和编程是计算机科学的核心技能。 全书共13章，包含两个附录。第1章到第5章介绍计算机与程序、编写简单程序、数字计算、对象和图形、字符串处理等基础知识。第6章到第8章介绍函数、判断结构、循环结构和布尔值等话题。第9章到第13章着重介绍一些较为高级的程序设计方法，包括模拟与设计、类、数据集合、面向对象设计、算法设计与递归等。附录部分给出了Python快速参考和术语表。每一章的末尾配有丰富的练习，包括复习问题、讨论和编程联系等多种形式，帮助读者巩固该章的知识和技能。 本书特色鲜明、示例生动有趣、内容易读易学，是美国颇受欢迎的教程，适合Python入门程序员阅读，也适合高校计算机专业的教师和学生参考。 资源目录： 内容提要 序 前言 第1章　计算机和程序 第2章　编写简单程序 第3章　数字计算 第4章　对象和图形 第5章　序列：字符串、列表和文件 第6章　定义函数 第7章　判断结构 第8章　循环结构和布尔值 第9章　模拟与设计 第10章　定义类 第11章　数据集合 第12章　面向对象设计 第13章　算法设计与递归 附录A Python快速参考 附录B 术语表 资源截图：

资源名称：Python金融实战 PDF 内容简介： Python凭借其简单、易读、可扩展性以及拥有巨大而活跃的科学计算社区，在需要数据分析和处理大量数据的金融领域得到了广泛而迅速的应用，并且成为越来越多专业人士*的编程语言之一。 本书通过12章内容介绍了Python在金融领域的应用，从Python的安装、基础语法，再到一系列简单的编程示例，本书循序渐进地引导读者学习Python。同时，本书还结合Python的各个模块以及金融领域中的期权价格、金融图形绘制、时间序列、期权定价模型、期权定价等内容，深度揭示了Python在金融行业中的应用技巧。 本书适合金融、会计等相关专业的高校师生阅读，也适合金融领域的研究人员和从业人员参考学习。对于有一定计算机编程基础，但想要从事金融行业的读者，本书也是不错的参考用书。 资源目录：   第1章 Python简介及安装 1 1.1 Python简介 1 1.2 如何安装Python 3 1.3 Python的不同版本 3 1.4 运行Python的3种方式 4 1.4.1 用GUI启动Python 4 1.4.2 从Python命令行启动Python 5 1.4.3 从DOS窗口启动Python 6 1.5 如何退出Python 7 1.6 错误提示 7 1.7 Python语言是区分大小写的 8 1.8 变量的初始化 8 1.9 寻找在线帮助 9 1.10 查找学习手册和教程 10 1.11 如何找出Python的版本 12 1.12 小结 12 练习题 12 第2章 用Python完成普通计算器的功能 14 2.1 变量的赋值及显示 15 2.2 错误提示 15 2.3 不能调用没有赋值的变量 16 2.4 选择有意义的变量名 16 2.5 使用dir()来查找变量和函数 17 2.6 删除或取消变量 17 2.7 基本数学运算：加、减、乘、除 18 2.8 幂函数、取整和余数函数 19 2.9 一个真正的幂函数 20 2.10 选择合适的数值精度 21 2.11 找出某个内置函数的详细信息 22 2.12 列出所有内置函数 22 2.13 导入数学模块 23 2.14 、e、对数和指数函数 24 2.15 import math与from math import*的区别 24 2.16 一些常用的函数 25 2.16.1 print()函数 25 2.16.2 type()函数 26 2.16.3 下划线_ 26 2.16.4 结合两个字符串 26 2.16.5 将小写字符变成大写字符的函数：upper() 27 2.17 元组数据类型 28 2.18 小结 29 练习题 30 第3章 用Python编写一个金融计算器 32 3.1 编写不需要保存的Python函数 33 3.2 函数的输入参数及它们的预设值 33 3.3 缩进格式在Python编程中至关重要 34 3.4 检查自己编写的函数是否存在 35 3.5 在Python编辑器里定义函数 35 3.6 利用import()在Python编辑器里激活自己编写的函数 36 3.7 使用Python编辑器调试程序 37 3.8 调用pv_f()函数的两种方法 37 3.9 生成自制的模块 38 3.10 两种注释方法 39 3.10.1 第1种注释方法 39 3.10.2 第2种注释方法 39 3.11 查找有关pv_f()函数的信息 40 3.12 条件函数：if() 41 3.13 计算年金 41 3.14 利率换算 42 3.15 连续复利利率 44 3.16 数据类型：列表 45 3.17 净现值和净现值法则 45 3.18 投资回收期和投资回收期法则 47 3.19 内部收益率和内部收益率法则 47 3.20 显示在某个目录下的指定文件 49 3.21 用Python编写一个专业金融计算器 49 3.22 将我们的目录加到Python的路径上 50 3.23 小结 52 练习题 52 第4章 编写Python程序计算看涨期权价格 56 4.1 用空壳法编写一个程序 57 4.2 用注释法编写一个程序 59 4.3 使用和调试他人编写的程序 61 4.4 小结 61 练习题 61 第5章 模块简介 64 5.1 什么是模块 64 5.2 导入模块 65 5.2.1 为导入的模块取个简称 66 5.2.2 显示模块里的所有函数 66 5.2.3 比较import math和from math import * 67 5.2.4 删除已经导入的模块 67 5.2.5 导入几个指定的函数 68 5.2.6 找出所有的内置模块 69 5.2.7 找出所有可用的模块 69 5.2.8 找到一个已安装的模块的目录位置 71 5.2.9 有关模块的更多信息 72 5.2.10 查找某个未安装的模块 72 5.3 模块之间的相互依赖性 73 5.4 小结 74 练习题 75 第6章 NumPy和SciPy模块简介 76 6.1 安装NumPy和SciPy模块 77 6.2 从Anaconda启动Python 77 6.2.1 使用NumPy的示例 78 6.2.2 使用SciPy的示例 79 6.3 显示NumPy和SciPy包含的所有函数 82 6.4 关于某个函数的详细信息 83 6.5 理解列表数据类型 83 6.6 使用全一矩阵、全零矩阵和单位矩阵 84 6.7 执行数组操作 84 6.8 数组的加、减、乘、除 85 6.8.1 进行加减运算 85 6.8.2 执行矩阵乘法运算 85 6.8.3 执行逐项相乘的乘法运算 86 6.9 x.sum()函数 87 6.10 遍历数组的循环语句 87 6.11 使用与模块相关的帮助 87 6.12 SciPy的一系列子函数包 88 6.13 累积标准正态分布 89 6.14 与数组相关的逻辑关系 90 6.15 SciPy的统计子模块（stats） 90 6.16 SciPy模块的插值方法 91 6.17 使用SciPy求解线性方程 92 6.18 利用种子（seed）生成可重复的随机数 93 6.19 在导入的模块里查找函数 94 6.20 优化算法简介 95 6.21 线性回归和资本资产定价模型（CAPM） 95 6.22 从文本文件(.txt)输入数据：loadtxt()和getfromtxt()函数 96 6.23 独立安装NumPy模块 97 6.24 数据类型简介 97 6.25 小结 98 练习题 98 第7章 用matplotlib模块绘制与金融相关的图形 101 7.1 通过ActivePython安装matplotlib模块 102 7.2 通过Anaconda安装matplotlib模块 103 7.3 matplotlib模块简介 103 7.4 了解简单利率和复利利率 106 7.5 为图形添加文字 107 7.6 杜邦等式的图示 109 7.7 净现值图示曲线 110 7.7.1 有效地使用颜色 113 7.7.2 使用不同形状 114 7.8 图形演示分散投资的效果 115 7.9 股票的数目和投资组合风险 117 7.10 从雅虎财经网站下载历史价格数据 119 7.10.1 用直方图显示收益率分布 120 7.10.2 比较单只股票的收益和市场收益 122 7.11 了解现金的时间价值 124 7.12 用烛台图展示IBM的每日收盘价 125 7.13 用图形展示价格变化 126 7.14 同时展示收盘价和交易量 129 7.14.1 在图形上添加数学公式 130 7.14.2 在图形上添加简单的图像 131 7.14.3 保存图形文件 132 7.15 比较个股的表现 132 7.16 比较多只股票的收益率与波动率 133 7.17 查找学习手册、示例和有关视频 135 7.18 独立安装matplotlib模块 136 7.19 小结 136 练习题 136 第8章 时间序列的统计分析 139 8.1 安装pandas和statsmodels模块 140 8.1.1 在Anaconda命令提示符下启动Python 140 8.1.2 使用DOS窗口启动Python 141 8.1.3 使用Spyder启动Python 142 8.2 Pandas和statsmodels模块简介 143 8.2.1 如何使用Pandas模块 143 8.2.2 statsmodels模块示例 144 8.3 开源数据 145 8.4 用Python代码输入数据 147 8.4.1 从剪贴板输入数据 147 8.4.2 从雅虎财经网站下载历史价格数据 147 8.4.3 从txt文件输入数据 148 8.4.4 从Excel文件输入数据 149 8.4.5 从csv文件输入数据 150 8.4.6 从网页下载数据 150 8.4.7 从MATLAB数据文件输入数据 152 8.5 几个重要的函数 152 8.5.1 使用pd.Series()生成一维时间序列 152 8.5.2 使用日期变量 153 8.5.3 使用DataFrame数据类型 154 8.6 计算回报率 156 8.6.1 从日回报率计算月回报率 157 8.6.2 从日回报率计算年回报率 159 8.7 按日期合并数据集 160 8.8 构建n只股票的投资组合 161 8.9 T-检验和F-检验 162 8.9.1 检验方差是否相等 163 8.9.2 测试“一月效应” 164 8.10 金融研究和实战的应用举例 165 8.10.1 基于52周最高价和最低价的交易策略 165 8.10.2 用Roll（1984）模型来估算买卖价差 166 8.10.3 用Amihud（2002）模型来估算反流动性指标 167 8.10.4 Pastor和Stambaugh（2003）流动性指标 168 8.10.5 Fama-French三因子模型 171 8.10.6 Fama-MacBeth回归模型 173 8.10.7 滚动式估算市场风险系数 174 8.10.8 在险价值简介 177 8.11 构建有效组合边界 178 8.11.1 估计方差-协方差矩阵 178 8.11.2 优化-最小化 181 8.11.3 构建一个最优投资组合 181 8.11.4 构建n只股票的有效组合边界 183 8.12 插值法简介 186 8.13 输出数据到外部文件 187 8.13.1 输出数据到一个文本文件 187 8.13.2 输出数据到一个二进制文件 188 8.13.3 从二进制文件读取数据 188 8.14 用Python分析高频数据并计算买卖价差 188 8.15 更多关于使用Spyder的信息 194 8.16 一个有用的数据集 195 8.17 小结 196 练习题 197 第9章 Black-Scholes-Merton期权定价模型 201 9.1 看涨期权和看跌期权的收益和利润 损失函数 202 9.2 欧式期权与美式期权 205 9.3 现金流、不同类型的期权、权利和责任 206 9.4 正态分布、标准正态分布和累积标准正态分布 206 9.5 不分红股票的期权定价模型 209 9.6 用于期权定价的p4f模块 210 9.7 已知分红股票的欧式期权价格 212 9.8 多种交易策略 213 9.8.1 股票多头和看涨期权空头的组合 214 9.8.2 跨式期权组合—具有同样执行价格的看涨期权和看跌期权的组合 215 9.8.3 日历套利组合 216 9.8.4 蝶式看涨期权组合 218 9.9 期权价格和输入参数之间的关系 219 9.10 与期权相关的希腊字母 219 9.11 期权平价关系及其图形表示 221 9.12 二叉树法及其图形表示 223 9.12.1 为欧式期权定价的二叉树法 229 9.12.2 为美式期权定价的二叉树法 229 9.13 套期保值策略 230 9.14 小结 231 练习题 232 第10章 Python的循环语句和隐含波动率的计算 235 10.1 隐含波动率的定义 236 10.2 for循环简介 237 10.2.1 使用for循环计算隐含波动率 237 10.2.2 欧式期权的隐含波动率 238 10.2.3 看跌期权的隐含波动率 239 10.2.4 enumerate()函数简介 240 10.3 用for循环计算内部收益率及多个内部收益率 241 10.4 while循环简介 243 10.4.1 使用键盘命令停止无限循环 244 10.4.2 使用while循环计算隐含波动率 244 10.4.3 多重嵌套的for循环 246 10.5 美式看涨期权的隐含波动率 246 10.6 测试一个程序的运行时间 247 10.7 二分搜索的原理 248 10.8 顺序访问与随机访问 249 10.9 通过循环访问数组的元素 250 10.9.1 利用for循环赋值 251 10.9.2 通过循环访问词典的元素 251 10.10 从CBOE网站下载期权数据 252 10.11 从雅虎财经网页下载期权数据 254 10.11.1 从雅虎财经网页检索不同的到期日期 254 10.11.2 从雅虎财经网页下载当前价格 255 10.12 看跌期权和看涨期权的比率及其短期趋势 255 10.13 小结 258 练习题 258 第11章 蒙特卡罗模拟和期权定价 261 11.1 产生服从标准正态分布的随机数 262 11.1.1 产生服从（高斯）正态分布的随机样本 263 11.1.2 利用种子（seed）生成相同的随机数 263 11.1.3 产生n个服从正态分布的随机数 263 11.1.4 正态分布样本的直方图 264 11.1.5 对数正态分布的图形表示 265 11.1.6 产生服从泊松分布的随机数 266 11.1.7 产生服从均匀分布的随机数 266 11.2 利用蒙特卡罗模拟计算的近似值 267 11.3 从 只股票中随机选择m只 268 11.4 可重复和不可重复的随机取样 270 11.5 年收益率的分布 271 11.6 模拟股价变化 273 11.7 图形展示期权到期日的股票价格的分布 275 11.8 寻找有效的投资组合和有效边界 276 11.8.1 寻找基于两只股票的有效组合及相关系数的影响 276 11.8.2 构建n只股票的有效边界 281 11.9 算术平均值与几何平均值 283 11.10 预测长期回报率 284 11.11 用模拟法为看涨期权定价 285 11.12 奇异期权简介 286 11.12.1 利用蒙特卡罗模拟给均价期权定价 286 11.12.2 利用蒙特卡罗模拟给障碍式期权定价 288 11.13 障碍式期权的平价关系及其图形演示 289 11.14 具有浮动执行价格的回望式期权的定价 293 11.15 使用Sobol序列来提高效率 294 11.16 小结 294 练习题 295 第12章 波动率和GARCH模型 296 12.1 传统的风险测度-标准方差 297 12.2 检验正态分布 297 12.3 下偏标准方差 300 12.4 检验两个时间段的波动率是否相等 302 12.5 利用Breusch和Pagan（1979）方法检验异方差 303 12.6 从雅虎财经网页检索期权数据 306 12.7 波动率的微笑曲线和斜度 307 12.8 波动率集聚效应的图形表示 309 12.9 ARCH模型及ARCH（1）随机过程的模拟 310 12.10 GARCH（广义ARCH）模型 312 12.10.1 模拟GARCH随机过程 312 12.10.2 采用改良的garchSim()函数模拟GARCH(p,q)模型 313 12.10.3 由Glosten、Jagannanthan和 Runkle（1993）提出的GJR_ GARCH模型简介 315 12.11 小结 319 练习题 319 (责任编辑：小锋) 资源截图：

资源名称：Python数据科学导论 PDF 下载 内容简介： 本书涵盖的主题非常广泛，介绍了数据科学方方面面的知识，每一章都侧重于介绍数据科学的某一方面，为读者以后的深入学习打下基础。具体内容包括：第1、2章系统介绍大数据科学的背景知识及框架结构；第3~5章介绍机器学习相关知识；第6~9章介绍几个比较有趣的数据科学主题。本书是学习数据科学知识的入门教材，在深入学习本书的实例前，需要掌握SQL、Python及HTML5的入门知识，了解统计学和机器学习相关知识。 资源目录： 译者序  前言  关于本书  关于作者  关于封面插图  第1章　大数据世界中的数据科学1  1.1　数据科学和大数据的好处和用途2  1.2　数据种类3  1.2.1　结构化数据3  1.2.2　非结构化数据3  1.2.3　自然语言数据4  1.2.4　计算机数据4  1.2.5　图类数据5  1.2.6　音频、视频和图像数据5  1.2.7　流数据6  1.3　数据科学过程6  1.3.1　设置研究目标6  1.3.2　检索数据6  1.3.3　数据准备7  1.3.4　数据探索7  1.3.5　数据建模7  1.3.6　展示与自动化7  1.4　大数据生态系统与数据科学7  1.4.1　分布式文件系统7  1.4.2　分布式编程框架9  1.4.3　数据集成框架9  1.4.4　机器学习框架9  1.4.5　NoSQL数据库10  1.4.6　调度工具10  1.4.7　基准测试工具10  1.4.8　系统部署11  1.4.9　服务开发11  1.4.10　安全11  1.5　Hadoop工作示例介绍11  1.6　本章小结16 第2章　数据科学过程17  2.1　数据科学过程概述17  2.2　步骤1：定义研究目标并创立项目章程19  2.2.1　了解研究的目标和背景20  2.2.2　创立项目章程20  2.3　步骤2：检索数据20  2.3.1　从存储在公司内部的数据开始21  2.3.2　不要害怕去购买数据21  2.3.3　检查数据质量以预防问题发生22  2.4　步骤3：数据的清洗、整合以及转换22  2.4.1　数据清洗22  2.4.2　尽可能早地修正错误27  2.4.3　从不同的数据源整合数据28  2.4.4　数据转换30  2.5　步骤4：探索性数据分析32  2.6　步骤5：构建模型35  2.6.1　模型与变量的选择35  2.6.2　模型执行36  2.6.3　模型诊断与模型比较39  2.7　步骤6：展示结果并在其上搭建应用程序40  2.8　本章小结40 第3章　机器学习42  3.1　什么是机器学习，为什么需要关注它42  3.1.1　机器学习在数据科学中的应用43  3.1.2　机器学习在数据科学过程中的使用43  3.1.3　Python工具在机器学习中的应用44  3.2　建模过程45  3.2.1　特征工程以及模型选取46  3.2.2　模型的训练47  3.2.3　模型的验证47  3.2.4　预测新的观测值48  3.3　机器学习的类型48  3.3.1　有监督学习48  3.3.2　无监督学习53  3.4　半监督学习60  3.5　本章小结61 第4章　单机上处理大数据63  4.1　大数据处理过程中遇到的难题63  4.2　处理巨量数据的通用技术64  4.2.1　选择合适的算法65  4.2.2　选择合适的数据结构71  4.2.3　选择合适的工具73  4.3　处理大数据集的通用编程技巧75  4.3.1　不必重复发明轮子75  4.3.2　充分利用硬件76  4.3.3　减少计算需求76  4.4　案例研究1：预测恶意URL77  4.4.1　步骤1：确立研究目标77  4.4.2　步骤2：获取URL数据77  4.4.3　步骤4：数据探索78  4.4.4　步骤5：建模79  4.5　案例研究2：在数据库中建立一个推荐系统80  4.5.1　所需的工具及技术80  4.5.2　步骤1：研究问题82  4.5.3　步骤3：数据准备82  4.5.4　步骤5：建模86  4.5.5　步骤6：展示与自动化86  4.6　本章小结88 第5章　大数据世界的第一步89  5.1　数据分布存储和框架处理89  5.1.1　Hadoop：存储和处理大数据集的框架90  5.1.2　Spark：取代MapReduce以获得更好的性能92  5.2　案例研究：借贷的风险评估93  5.2.1　步骤1：研究目标94  5.2.2　步骤2：数据检索95  5.2.3　步骤3：数据准备98  5.2.4　步骤4（数据探索）和步骤6（报告形成）101  5.3　本章小结111 第6章　了解NoSQL112  6.1　NoSQL简介114  6.1.1　ACID：关系型数据库核心原则114  6.1.2　CAP理论：多节点数据库的问题115  6.1.3　NoSQL数据库的BASE原则116  6.1.4　NoSQL数据库的种类117  6.2　案例研究：这是什么疾病123  6.2.1　步骤1：设置研究目标124  6.2.2　步骤2和步骤3：数据检索与数据准备124  6.2.3　步骤4：数据探索131  6.2.4　再回到步骤3：为描述疾病概况做数据准备137  6.2.5　再回到步骤4：为描述疾病概况做数据探索140  6.2.6　步骤6：展示与自动化140  6.3　本章小结141 第7章　图数据库的兴起143  7.1　互联数据及图数据库概述143  7.2　图数据库Neo4j概述146  7.3　数据互联案例：食谱推荐引擎152  7.3.1　步骤1：设置研究目标153  7.3.2　步骤2：数据检索154  7.3.3　步骤3：数据准备155  7.3.4　步骤4：数据探索157  7.3.5　步骤5：数据建模159  7.3.6　步骤6：数据展示162  7.4　本章小结162 第8章　文本挖掘和文本分析164  8.1　现实世界中的文本挖掘165  8.2　文本挖掘技术169  8.2.1　词袋169  8.2.2　词干提取和词形还原170  8.2.3　决策树分类器171  8.3　案例研究：Reddit帖子分类173  8.3.1　自然语言工具包173  8.3.2　数据科学过程综述及第1步：研究目标175  8.3.3　第2步：数据检索175  8.3.4　第3步：数据准备178  8.3.5　步骤4：数据探索180  8.3.6　再回到步骤3：数据准备的调整182  8.3.7　步骤5：数据分析185  8.3.8　步骤6：展示与自动化188  8.4　本章小结189 第9章　面向终端用户的数据可视化191  9.1　数据可视化选项192  9.2　Crossfilter—Javaｓｃｒｉｐｔ MapReduce库194  9.2.1　安装195  9.2.2　利用Crossfilter筛选药品数据集198  9.3　用dc.js创建一个交互式控制面板201  9.4　控制面板开发工具205  ...... 资源截图：

【提取码获取方法】  关注公众号，回复“7834” 即可获取网盘提取码 资源名称：Python核心编程(第二版)   资源截图：