作者介紹
 
柯博文
 
‧美國矽谷iFrogLab公司

• 1 Python 程式語言(第1-1頁)
  • 1.1 Python 程式語言的介紹(第1-1頁)
  • 1.2 Python 歷史(第1-2頁)
  • 1.3 Python 版本(第1-3頁)
• 2 Python 程式語言安裝(第2-1頁)
  • 2.1 Windows 作業系統的 Python 安裝(第2-1頁)
  • 2.2 在 Windows 測試與執行 Python(第2-4頁)
  • 2.3 Mac 作業系統的 Python 安裝(第2-8頁)
  • 2.4 在 Mac 測試與執行 Python(第2-12頁)
  • 2.5 樹莓派和 Linux 的 Python 安裝(第2-13頁)
  • 2.6 在 Linux 或樹莓派測試與執行 Python(第2-14頁)
• 3 開發程式和工具(第3-1頁)
  • 3.1 我的第一個 Python 程式－Windows 版(第3-1頁)
  • 3.2 我的第一個 Python 程式－Mac、Linux 和樹莓派版(第3-3頁)
  • 3.3 開發和除錯工具－PyCharm 下載和安裝(第3-5頁)
  • 3.4 PyCharm 工具介紹(第3-10頁)
  • 3.5 建立專案(第3-12頁)
  • 3.6 除錯(第3-17頁)
  • 3.7 安裝其他的 Packages 函式庫(第3-19頁)
  • 3.8 安裝 Anaconda(第3-21頁)
  • 3.9 使用 Anaconda(第3-24頁)
  • 3.10 Pip 安裝套件(第3-26頁)
  • 3.11 本書需要安裝的第三方函式庫列表(第3-30頁)
• 4 Python 程式基礎(第4-1頁)
  • 4.1 Python 注解(第4-1頁)
  • 4.2 Python 資料型態(第4-2頁)
  • 4.3 Python 數學計算(第4-5頁)
  • 4.4 Python 列印(第4-6頁)
  • 4.5 PytIf...else 條件判斷語句－條件執行（conditional）(第4-8頁)
  • 4.6 Array 陣列－List(第4-11頁)
  • 4.7 range 範圍(第4-13頁)
  • 4.8 for 迴圈(第4-15頁)
  • 4.9 UTF8 中文文字編碼和文字輸入(第4-19頁)
  • 4.10 while 迴圈語法(第4-20頁)
• 5 函數和物件導向 OOP(第5-1頁)
  • 5.1 開發函數 def(第5-1頁)
  • 5.2 import 匯入和開發(第5-4頁)
  • 5.3 類別 class(第5-5頁)
  • 5.4 類別 class 初始化定義值(第5-5頁)
  • 5.5 類別中的函數方法 Method(第5-6頁)
  • 5.6 類別中的「屬性」Property(第5-6頁)
  • 5.7 類別中的呼叫其他的函數方法 Method(第5-7頁)
  • 5.8 設定公開、私有的類別函數方法(第5-8頁)
  • 5.9 把類別獨立成另一個檔案(第5-9頁)
  • 5.10 繼承－OOP 物件導向(第5-10頁)
  • 5.11 多重繼承(第5-11頁)
  • 5.12 呼叫父類類別函數 super(第5-12頁)
  • 5.13 呼叫父類的「屬性」Property(第5-13頁)
6 視窗處理 GUI Tkinter(第6-1頁)
• 6.1 視窗 GUI 函式庫(第6-1頁)
• 6.2 視窗(第6-2頁)
• 6.3 文字 Label(第6-5頁)
• 6.4 顯示圖片 Image(第6-8頁)
• 6.5 按鍵(第6-9頁)
• 6.6 訊息視窗 tkMessageBox(第6-12頁)
• 6.7 輸入框 Entry(第6-15頁)
• 6.8 繪圖 Canvas(第6-16頁)
7 資料定義 Containers(第7-1頁)
• 7.1 List 陣列(第7-1頁)
• 7.2 List 陣列資料的多樣性(第7-3頁)
• 7.3 List 的數學處理(第7-4頁)
• 7.4 Slicing 切割(第7-6頁)
• 7.5 Dictionaries 字典(第7-7頁)
• 7.6 Sets 序列集集合比較（交集、聯集、差集）(第7-8頁)
• 7.7 Tuples 序列(第7-9頁)
8 圖表函式庫 matplotlib.pylib(第8-1頁)
• 8.1 圖表函式庫 Matplotlib 介紹(第8-1頁)
• 8.2 畫線(第8-3頁)
• 8.3 畫點(第8-4頁)
• 8.4 畫面切割(第8-8頁)
• 8.5 顯示圖片(第8-10頁)
• 8.6 顯示圖表在視窗程式中(第8-11頁)
9 檔案處理和 Open Data 開放資料(第9-1頁)
• 9.1 開放資料介紹(第9-1頁)
• 9.2 儲存檔案(第9-2頁)
• 9.3 檔案複製、刪除和列出所有檔案(第9-4頁)
• 9.4 資料夾(第9-5頁)
• 9.5 讀取 Excel xls 格式－阿靈頓縣裡面所有學校(第9-7頁)
• 9.6 讀取、處理和儲存 CSV－氣象風暴資料(第9-10頁)
10 網路(第10-1頁)
• 10.1 超文本傳輸協定 HTTP Get(第10-1頁)
• 10.2 透過網路取得即時開放資料－即時「今日氣象資訊」(第10-3頁)
• 10.3 超文本傳輸協定 HTTPPost(第10-5頁)
• 10.4 可延伸標記式語言 XML(第10-7頁)
• 10.5 開放資料 XML－取得台北市社會福利中心(第10-11頁)
• 10.6 JSON(第10-14頁)
• 10.7 開放資料 JSON－顯示桃園公共自行車即時服務資料(第10-16頁)
11 資料庫(第11-1頁)
• 11.1 下載和安裝 MYSQL 資料庫(第11-1頁)
• 11.2 新增資料庫使用者－Add User(第11-6頁)
• 11.3 新增資料庫－Add database(第11-9頁)
• 11.4 開啟資料庫－MySQL－python 和 pymysql(第11-12頁)
• 11.5 新增資料庫資料－insert(第11-13頁)
• 11.6 取得資料－select(第11-15頁)
• 11.7 刪除和修改資料庫資料－delete 和 update(第11-18頁)
12 自然語言處理－文字、語意分析和繁簡體的轉換(第12-1頁)
• 12.1 繁體中文和簡體中文的互換－OpenCC(第12-1頁)
• 12.2 中文分詞斷詞工具－jieba(第12-4頁)
• 12.3 分析檔案的文字(第12-6頁)
• 12.4 自訂分詞(第12-12頁)
• 12.5 取出斷詞位置(第12-13頁)
• 12.6 移除用詞和自訂比重分數(第12-14頁)
• 12.7 排列出最常出現的分詞(第12-17頁)
• 12.8 網路文章的重點(第12-18頁)
13 人工智慧標記語言 AIML(第13-1頁)
• 13.1 人工智能記號語言 AIML 介紹(第13-1頁)
• 13.2 中文機器人(第13-4頁)
• 13.3 AIML 語法教學 1－隨機對話(第13-6頁)
• 13.4 AIML 語法教學 2－變數(第13-7頁)
14 網頁伺服器(第14-1頁)
• 14.1 Python 網頁伺服器(第14-1頁)
• 14.2 開發自己的網頁伺服器(第14-2頁)
• 14.3 顯示 HTTP 內容(第14-4頁)
• 14.4 取得 HTTP GET 所傳遞的資料(第14-5頁)
• 14.5 取得 HTTP POST 所傳遞的資料(第14-7頁)
15 網路爬蟲 BeautifulSoup4(第15-1頁)
• 15.1 網路爬蟲－取得網路文章內容(第15-1頁)
• 15.2 BeautifulSoup 的函數和屬性(第15-2頁)
• 15.3 實戰案例－抓取作者的部落格文章(第15-8頁)
• 15.4 實戰練習(第15-12頁)
16 Pandas 數據分析和量化投資(第16-1頁)
• 16.1 安裝(第16-1頁)
• 16.2 使用 pandas 讀取和儲存 Excel 的檔案(第16-3頁)
• 16.3 使用 pandas 讀取和儲存 CSV 的文字檔案(第16-5頁)
• 16.4 讀取網路上的表格(第16-6頁)
• 16.5 DataFrame(第16-7頁)
• 16.6 計算(第16-9頁)
• 16.7 實戰分析 Apple 股價(第16-10頁)
• 16.8 統計相關計算(第16-12頁)
• 16.9 邏輯判斷－找出股價高點(第16-16頁)
• 16.10 計算股價浮動和每月的變化(第16-20頁)
• 16.11 畫出股票的走勢圖和盒鬚圖(第16-22頁)
17 Numpy 矩陣運算數學函數函式庫(第17-1頁)
• 17.1 矩陣資料初始化(第17-1頁)
• 17.2 定義資料(第17-2頁)
• 17.3 資料對應(第17-3頁)
• 17.4 切割(第17-4頁)
• 17.5 整數數組索引(第17-4頁)
• 17.6 資料型態 Datatypes(第17-5頁)
• 17.7 計算(第17-7頁)
• 17.8 統計(第17-9頁)
• 17.9 邏輯判斷(第17-10頁)
• 17.10 不同大小的矩陣相加(第17-11頁)
18 執行檔包裝程式 Pyinstaller(第18-1頁)
• 18.1 pyinstaller 功能介紹和安裝(第18-1頁)
• 18.2 pyinstaller 包裝執行檔的步驟(第18-2頁)
19 機器學習演算法－Regression 迴歸分析(第19-1頁)
• 19.1 資料準備(第19-1頁)
• 19.2 機器學習的資料準備(第19-2頁)
• 19.3 迴歸分析數學介紹(第19-5頁)
• 19.4 迴歸分析繪圖(第19-6頁)
• 19.5 亂數數據(第19-8頁)
• 19.6 殘差 residual(第19-9頁)
• 19.7 使用 scikit-learn 的 linear_model 函數求線性迴歸(第19-10頁)
• 19.8 實戰案例－動物大腦和身體的關係(第19-13頁)
• 19.9 實戰案例－糖尿病(第19-14頁)
20 機器學習演算法－KNN 最近鄰居法(第20-1頁)
• 20.1 KNN 數學介紹(第20-1頁)
• 20.2 使用 sklearn 的 KNN 判斷水果種類(第20-3頁)
• 20.3 實戰案例－鳶尾花的種類判斷(第20-4頁)
21 機器學習演算法－K-means 平均演算法(第21-1頁)
• 21.1 k-means 數學介紹(第21-1頁)
• 21.2 sklearn 的 K-means 類別(第21-3頁)
• 21.3 K-means 實戰案例(第21-4頁)
• 21.4 K-means 實戰案例圖形化呈現結果(第21-6頁)
22 機器學習演算法－Decision Tree 決策樹演算法(第22-1頁)
• 22.1 決策樹數學介紹－Gini 基尼係數(第22-1頁)
• 22.2 sklearn 的 DecisionTreeClassifier 決策樹(第22-3頁)
• 22.3 決策樹圖形化呈現結果(第22-5頁)
23 機器學習演算法 Random Forest 隨機森林演算法(第23-1頁)
• 23.1 數學介紹(第23-1頁)
• 23.2 隨機森林函數(第23-2頁)
• 23.3 隨機森林圖形化和數據庫產生器(第23-3頁)
24 機器學習演算法－Bayes' theorem 貝氏分類器(第24-1頁)
• 24.1 貝氏分類器數學介紹(第24-1頁)
• 24.2 Bayes 實戰案例(第24-3頁)
• 24.3 圖形化呈現(第24-5頁)
• 24.4 網格 numpy.meshgrid(第24-6頁)
• 24.5 圈選出分類的範圍(第24-7頁)
25 TensorFlow 介紹和安裝(第25-1頁)
• 25.1 tensorflow 介紹(第25-1頁)
• 25.2 安裝 TensorFlow(第25-3頁)
• 25.3 TensorFlow 測試(第25-5頁)
• 25.4 Tensorflow GPU 版(第25-6頁)
26 TensorFlow 的類神經網路－MLP 快速上手(第26-1頁)
• 26.1 產生訓練資料和建立模型(第26-2頁)
• 26.2 編譯和訓練(第26-5頁)
• 26.3 測試和預測(第26-6頁)
27 TensorFlow 改善類神經模型 MLP 結果(第27-1頁)
• 27.1 模型 model 不同的寫法(第27-1頁)
• 27.2 TensorFlow 與 Keras 函式庫的關係和差異(第27-2頁)
• 27.3 One-hot Encoding 單熱編碼(第27-4頁)
• 27.4 處理多個特徵值(第27-7頁)
• 27.5 改善預測結果－深度學習訓練次數 epochs(第27-10頁)
• 27.6 改善預測結果－增加神經元和隱藏層(第27-11頁)
• 27.7 改善訓練結果－增加訓練數據集(第27-12頁)
• 27.8 如何達到預測 100％ 正確？(第27-12頁)
28 TensorFlow 花的辨識－MLP(第28-1頁)
• 28.1 植物辨識數據庫－訓練和測試的資料(第28-1頁)
• 28.2 多層感知器模型 MLP（multilayer perceptron）(第28-3頁)
• 28.3 使用 TensorFlow.keras 建立模型(第28-4頁)
• 28.4 激勵函數 ReLU、sigmoid 和 tanh(第28-5頁)
• 28.5 訓練模型(第28-6頁)
• 28.6 深度學習最佳化－最短路徑演算法(第28-7頁)
• 28.7 訓練循環 Fit(第28-9頁)
29 TensorFlow 存取模型和訓練結果(第29-1頁)
• 29.1 圖形顯示訓練過程(第29-1頁)
• 29.2 TensorBoard 的使用(第29-2頁)
• 29.3 保存模型和訓練後的結果(第29-5頁)
• 29.4 讀取使用訓練模型和訓練後的結果(第29-7頁)
30 TensorFlow 實戰圖形和手寫辨識 MLP(第30-1頁)
• 30.1 手寫資料 MNIST(第30-1頁)
• 30.2 下載和使用 MNIST 手寫資料(第30-2頁)
• 30.3 使用圖形顯示 MNIST 內的資料(第30-4頁)
• 30.4 圖形文字的辨識原理(第30-5頁)
• 30.5 特徵值增強度和單熱編碼(第30-7頁)
• 30.6 使用多層類神經 MLP 模型(第30-10頁)
31 TensorFlow 卷積神經網路 CNN(第31-1頁)
• 31.1 什麼是卷積類神經（CNN）？(第31-1頁)
• 31.2 使用 CNN 做手寫圖像辨識(第31-3頁)
• 31.3 CNN 手寫辨識達到 99% 的辨識率(第31-7頁)
32 OpenCV 和 TensorFlow 卷積神經網路 CNN 即時辨識(第32-1頁)
• 32.1 OpenCV 介紹(第32-1頁)
• 32.2 OpenCV 安裝和環境架設(第32-3頁)
• 32.3 OpenCV 顯示圖片(第32-4頁)
• 32.4 OpenCV 顯示攝影機(第32-5頁)
• 32.5 OpenCV 手寫程式(第32-7頁)
• 32.6 即時手寫辨識 APP－99% 的正確率(第32-9頁)