学习如何在程序中使用input() 来让用户提供信息；如何处理文本和数的输入，以及如何使用while 循环让程序按用户的要求不断运行；多种控制while 循环流程的方式：设置活动标志、使用break 语句以及使用continue 语句；如何使用while循环在列表之间移动元素，以及如何从列表中删除所有包含特定值的元素；如何结合使用while 循环和字典。函数让你能够将程序分成多个很小的部分，每部分都负责完成一项具体任务。你可以根据需要调用同一个函数任意次，还可将函数存储在独立的文件中。使用函数可让你编写的代码效率更高、更容易维护和排除故障，还可在众多不同的程序中重用。
    111.png
    《Python编程从入门到实践第2版》中文PDF+英文PDF+源代码
    《Python编程从入门到实践第2版》中文PDF，730页，有详细书签目录，文字可以复制；《Python编程从入门到实践第二版》英文PDF，548页，有详细书签目录，文字可以复制；配套源代码、练习答案；埃里克马瑟斯;袁国忠译
    下载: https://pan.baidu.com/s/1frzlBPWMvgugQsn76C-tDA
    提取码: 1u6i
    第2版沿袭第1版讲解清晰透彻、循序渐进的特点，并全面升级。第一部分“基础知识”新增Sublime Text、f字符串、大数表示法和常量表示法等主题，并且更准确地描述了Python语言的细节。第二部分“项目”采用更简明的结构、更清晰的语法以及更流行的库和工具，如Plotly和新版本的Django。
    222.png
    《Python编程从入门到实践第二版》分两部分：第一部分介绍用Python编程所必须了解的基本概念，包括强大的Python库和工具，以及列表、字典、if语句、类、文件与异常、代码测试等内容；第二部分将理论付诸实践，讲解如何开发三个项目，包括简单的2D游戏、利用数据生成交互式的信息图以及创建和定制简单的Web应用，并帮助读者解决常见编程问题和困惑。第2版进行了全面修订，简化了Python安装流程，新增了f字符串、get()方法等内容，并且在项目中使用了Plotly库以及新版本的Django和Bootstrap，等等。
    333.png
    学习编写 Python 程序时需要熟悉的基本编程概念，刚接触几乎任何编程语言时都需要学习这些概念。学习各种数据以及在程序中将数据存储到列表和字典中的方式。学习如何创建数据集以及如何高效地遍历它们。将学习使用 while 和 if 语句来检查条件，并在条件满足时执行代码的一部分，而在条件不满足时执行代码的另一部分——这可为自动完成处理提供极大的帮助。将学习获取用户输入，让程序能够与用户交互，并在用户没停止输入时保持运行状态。
    444.png
    探索如何编写函数来让程序的各个部分可重用，这样编写执行特定任务的代码后，想使用它多少次都可以。将学习使用类来扩展这种概念以实现更复杂的行为，从而让非常简单的程序也能处理各种不同的情形。将学习编写妥善处理常见错误的程序。学习这些基本概念后，就能编写一些简短的程序来解决一些明确的问题。最后，将向中级编程迈出第一步，学习如何为代码编写测试，以便在进一步改进程序时不用担心可能引入 bug。
    666.png
    《机器学习实战基于Scikit-Learn、Keras和TensorFlow第2版》内容广博，覆盖了机器学习的各个领域，不仅介绍了传统的机器学习模型，包括支持向量机、决策树、随机森林和集成方法，还提供了使用Scikit-Learn进行机器学习的端到端训练示例。尤其对深度神经网络进行了深入的探讨，包括各种神经网络架构（如卷积神经网络、递归神经网络等）、强化学习，以及如何使用TensorElow/Keras库来构建和训练神经网络。第一部分介绍机器学习的基础知识；第二部分介绍神经网络与深度学习。附录部分的内容也非常丰富。兼顾理论与实战，最大的特色就是有深度，覆盖面广，但是并没有太多复杂的数学公式推导，很容易看懂。从实战来说，使用了当前热门的机器学习框架Scikit-Learn及深度学习框架TensorElow和Keras，每一章都配备相应的项目示例，代码的实操性和可读性非常好。附录B给出机器学习项目清单，如果工业界想做一套机器学习的解决方案，完全可以按照这个清单去做。
    1.png
    《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》中文PDF+英文PDF+源代码
    《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》中文PDF，1052页，有详细书签目录，文字可以复制；《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》英文PDF，1096页，有详细书签目录，文字可以复制；配套源代码；奥雷利安著，宋能辉译
    下载: https://pan.baidu.com/s/11qSa3bIrehR3h3gZRT2J3Q
    提取码: 794q

    深度神经网络是（非常）简化的大脑皮层的模型，由一堆人工神经元层组成，在强大的计算能力和大量数据的帮助下，深度学习是可能的，而且还具有令人难以置信的成就，这是其他机器学习（ML）技术无法企及的，这种热情很快扩展到了机器学习的许多其他领域。Scikit-Learn非常易于使用，它有效地实现了许多机器学习算法，因此成为学习机器学习的重要切入点。TensorElow是用于分布式数值计算的更复杂的库。通过将计算分布在数百个GPU（图形处理单元）服务器上，它可以有效地训练和运行大型神经网络。Keras是高层深度学习API，使训练和运行神经网络变得非常简单。它可以在TensorElow、Theano或微软Cognitive Toolkit（以前称为CNTK）之上运行。TensorFlow附带了该API自己的实现，称为tf.keras，支持某些高级TensorFlow功能（例如有效加载数据的能
    力）。
    111.png
    我们要知道什么是机器学习，它试图解决什么问题，以及其系统的主要类别和基本概念，典型机器学习项目中的步骤，通过将数据与模型进行拟合来学习，·优化成本函数，处理、清洁和准备数据，选择和工程化特征，选择模型并使用交叉验证调整超参数，机器学习的挑战，特别是欠拟合和过拟合（偏差/方差的权衡），最常见的学习算法：线性和多项式回归、逻辑回归、k-近邻算法、支持向量机、决策树、随机森林和集成方法，降低训练数据的维度，其他无监督学习技术，包括聚类、密度估计和异常检测。
    222.png
    什么是神经网络以及它们的作用，使用TensorElow和Keras构建和训练神经网络，最重要的神经网络架构，包括用于表格数据的前馈神经网络、用于计算机视觉的卷积网络、用于序列处理的递归网络和长短期记忆（LSTM）网络、用于自然语言处理的编码器/解码器和Transformer、自动编码器和用于生成学习的生成式对抗网络（GAN），训练深度神经网络的技术。
    444.png

    如何使用强化学习构建可以通过反复试错学习好的策略的代理程序（例如游戏中的机器人），有效地加载和预处理大量数据，大规模训练和部署TensorElow模型。