全书分为2篇：1.篇详细介绍Go语言高性能优势是如何实现的，包括经典的GMP调度模型，Go语言调度器的实现，垃圾回收，以及如何基于管道、锁等并发编程。2.第二篇主要是项目实战，手把手带领读者从0开始搭建高性能、高稳定的Go服务。以及在面对线上问题时，如何调试、分析、解决。通过学习本书，读者对Go语言的核心——高并发会有一个深刻的认识，具备的Go并发编程经验，能够独立完成高性能、高稳定Go服务的架构设计，并且能够基于一些工具进行Go线上问题分析与性能调优。

《Python 游戏开发从入门到进阶实战》全面介绍了使用Pygame 模块进行Python 游戏开发的知识，可帮助读者快速掌握Python Pygame 开发的技能。全书共15章， 分为基础篇和案例篇。其中基础篇介绍了Python和Pygame基础、Pygame 程序开发流程、Pygame 游戏开发基础、字体和文字、事件监听、图形绘制、位图图形、精灵的使用、音频处理等内容；案例篇主要是Flappy Bird、玛丽冒险、推箱子、飞机大战、智力拼图、画图工具的设计过程与代码实现。为了营造轻松的学习体验，在内容设置上，我们将Python 游戏开发相关知识进行分解，融入不同案例中，以减轻初学者的学习压力，同时实现快速上手。本书不仅适合对游戏开发感兴趣的初学者学习使用，还适合初中级游戏开发人员以及游戏测试、运维人员参考。

本书内容以任务为导向，以“实训 项目”为牵引，全面介绍 Python 编程基础及其相关知识的应用。全书共 11 章， 章主要介绍 Python 的历史、特点及应用，还介绍了 Python 的开发环境及 Python 程序的运行，并通过精选的案例帮助读者进一步认识 Python。第 2～10 章主要介绍 Python 的基础语法、字符串操作、程序的流程、组合数据类型、函数、标准库和第三方库、文件操作等内容。1 章详细讲解 Python 的数据库编程。 本书的主要章节配有练习模块，用于巩固教学效果，实训和项目用于帮助读者提升解决实际问题的能力。 本书适合作为普通高等本科院校及高职高专院校学生的程序设计课程教材。全书内容覆盖全国计算机等级考试二级 Python 语言程序设计大纲，因此也适合参加全国计算机等级考试（二级 Python 语言）的人员阅读。

《细说Python编程：从入门到科学计算》以Python 3.x为平台，由两位博士执笔，详尽细致地阐述Python编程的基础知识和高级技巧，并以大量示例代码进行实践，同时还介绍人工智能领域广泛使用的科学计算工具NumPy。《细说Python编程：从入门到科学计算》分为两篇，共19章。篇（～11章）为基础知识，主要讲解Python的编译环境、入门知识、字符串、容器、函数、循环、条件选择、模块、类、类的特殊成员、文件；第2篇（2～19章）为高级应用，包括异常处理、日期和时间、测试代码、程序打包、使用数据库、网络编程、图形用户界面、科学计算等内容。全书知识点丰富，辅之以示例演示，读者可以边学边练，快速掌握。 《细说Python编程：从入门到科学计算》还提供了16小时共151节微课教学视频，读者扫码即可观看学习，免费提供的示例源码文件可直接调用，方便上机操练

Python是一种解释型、面向对象、动态数据类型的高级程序设计语言，通过Python编程能够解决现实生活中的很多问题。本书并不介绍Python语言的基础知识，而是通过一系列有趣的项目，展示如何用Python解决各种实际问题，以及如何使用一些流行的Python库。 本书共15章，每章讲解一个有趣的Python项目，这些项目可以分成5个部分：部分是热身，包括科赫雪花、繁花曲线；第二部分是模拟生命，包括康威生命游戏、使用Karplus-Strong算法生成泛音、群体行为模拟；第三部分是好玩的图形，包括文本图形、照片马赛克、裸眼立体画；第四部分是走进三维，包括理解OpenGL、圆环面上的康威生命游戏、体渲染；第五部分是玩转硬件，包括在树莓派Pico上实现Karplus-Strong算法、树莓派激光音乐秀、物联网花园、树莓派音频机器学习。此外，本书还通过附录介绍如何安装Python和设置树莓派

本书在不涉及大量数学与编程知识的前提下，从零开始，逐步带领读者熟悉并掌握当下的基于Python 3的人工智能编程工具，包括但不限于数据分析（Pandas），以及支持单机（Scikit learn）、深度（PyTorch、TensorFlow、PaddlePaddle）和分布式（PySpark ML）机器学习的开源程序库，等等。 全书共分为4部分，分别如下。 （1） 入门篇： 包括对全书核心概念的指南性介绍，以及如何在多种主流PC操作系统上（如Windows、macOS和Ubuntu）配置基本编程环境的详细说明。 （2） 基础篇： 涵盖了Python 3.11的编程基础、基于Pandas 2.0的数据分析，以及使用Scikit learn 1.3解决大量经典的单机（单核/多核）机器学习问题。 （3） 进阶篇： 介绍如何使用PyTorch 2.0、TensorFlow 2.12，以及PaddlePaddle 2.5，分别搭建多种深度学习神经网络框架。尝试基于PySpark 3.4的ML编程库完成一些常见的分布式机器学习任务。

本书主要介绍了反爬虫的相关技术，内容涵盖了爬虫工具、加密算法、App爬虫等，从理论到案例实践，深入浅出。本书详细讲解了常用的抓包工具、反爬虫机制、验证码识别、动态网页反爬虫、JavaScript文件处理。本书聚焦加密数据的破解、App应用爬虫以及破解方法、部署爬虫程序。对于以上内容，本书进行细分总结，将相关知识点都纳入其中，形成一套完整的体系。 本书适合Python爱好者、爬虫工程师、数据分析师，以及高等院校计算机科学技术、软件工程、网络工程等相关专业的师生。

当前，数据驱动的理念已渗透到各个领域，数据科学和人工智能技术在制造业、金融、教育等多个行业中得到了广泛应用。Python作为一种编程语言，已成为数据科学和人工智能领域的事实标准，它丰富的生态系统进一步增强了它在这些领域中的重要性。然而，随着数据量的不断增长，如何利用Python加速数据科学处理，并将它扩展到集群上的并行计算，已成为数据科学家面临的重要挑战。《Python数据科学加速:Dask、Ray、Xorbits、mpi4py》详细介绍了4种数据科学工具：Dask、Ray、Xorbits和mpi4py，这些工具可以帮助数据工程师和科学家处理更大规模的数据集、训练更复杂的模型，并更高效地进行机器学习模型的迭代和部署。 《Python数据科学加速:Dask、Ray、Xorbits、mpi4py》面向具备数据科学基础的数据工程师、数据科学家或领域专家，同时也适合大学生和研究生作为进入高性能数据

《Python从入门到精通（微课精编版）》使用通俗易懂的语言、丰富的案例，详细介绍了Python语言的编程知识和应用技巧。全书共24章，内容包括Python开发环境、变量和数据类型、表达式、程序结构、序列、字典和集合、字符串、正则表达式、函数、类、模块、异常处理和程序调试、进程和线程、文件操作、数据库操作、图形界面编程、网络编程、Web编程、网络爬虫、数据处理等，还详细介绍了多个综合实战项目。其中，第24章为扩展项目在线开发，是一章纯线上内容。全书结构完整，知识点与示例相结合，并配有案例实战，可操作性强，示例源代码大都给出详细注释，读者可轻松学习，快速上手。本书采用O2O教学模式，线下与线上协同，以纸质内容为基础，同时拓展更多超值的线上内容，读者使用手机扫一扫即可快速阅读，拓展知识，开阔视野，获取超额实战体验。

《Python数据可视化从入门到项目实践（版）》详细介绍Python数据可视化编程涉及的几个常用库的使用方法，并列举了大量的数据可视化编程示例。全书共8章，内容主要包括在Python中安装和导入软件包、编写代码和打印数据、函数式编程和面向对象编程、使用Python内置对象以及NumPy和Pandas中的核心对象为图表构建数据的方法、Matplotlib图表的整体组成、创建图表的基本流程和两种编程方式、设置Matplotlib默认选项、使用Matplotlib库创建图形和坐标系、设置图形外观、设置坐标轴、为数据点添加注释、添加图表标题和图例、添加网格线和参考线，以及将图表保存为图片文件、使用Matplotlib/Seaborn/Pyecharts三个库创建不同类型的图表，以及使用它们进行数据可视化项目实战等内容。另外，《Python数据可视化从入门到项目实践（版）》附赠示例源代码、重点内容的多媒体视频教程和

本书教你如何从基于时间的数据（如日志、客户分析和其他事件流）中获得即时、有意义的预测。在这本通俗易懂的书中，作者通过带有注释的Python代码进行全面演示，你将学习用于时间序列预测的统计和深度学习方法。通过跟随书中的实例锻炼你的技能，你很快就会准备好建立自己的准确、有洞察力的预测。

本书以Python 3.10.7为平台，以实际应用为背景，通过概述 算法 经典应用的形式，深入浅出地介绍Python数据分析的相关知识。全书共9章，主要内容包括Python概述、科学计算库、开源科学集、数据分析利器、数据分析的可视化、基于回归的数据分析、基于分类的数据分析、基于聚类的数据分析、数据特征分析等。通过学习本书，读者可领略到Python的简单、易学、易读、易维护等特点，同时也可感受到利用Python实现数据分析应用领域广泛，功能强大。 本书可作为高等学校相关专业本科生和研究生的教学用书，也可作为相关专业科研人员、学者、工程技术人员的参考用书。

《Python贝叶斯建模与计算》旨在帮助贝叶斯初学者成为中级从业者。本书使用了PyMC3、TensorFlow Probability和Arviz等多个软件库的实践方法，重点是应用统计学的实践方法，并参考了基础数学理论。 本书首先回顾了贝叶斯推断的概念。第2章介绍了贝叶斯模型探索性分析的现代方法。基于这两个基本原理,接下来的章节介绍了各种模型，包括线性回归、样条、时间序列和贝叶斯加性回归树。其后几章讨论的主题包括:逼近贝叶斯计算，通过端到端案例研究展示如何在不同环境中应用贝叶斯建模，以及概率编程语言内部构件。最后一章深入讲述数学理论或扩展对某些主题的讨论，作为本书其余部分的参考。 《Python贝叶斯建模与计算》由PyMC3、ArviZ、Bambi和TensorFlowProbability等软件库的贡献者撰写。

《Python机器学习》面向机器学习新手，主要内容如下： Python机器学习的一些基本库，包括NumPy、Pandas和matplotlib库 常见的机器学习算法，包括回归、聚类、分类和异常检测 使用Python和Scikit-learn库进行机器学习 将机器学习模型部署为Web服务 使用Microsoft Azure Machine Learning Studio进行机器学习 演习机器学习模型构建方案的实例