本书是与《Python程序设计》（第2版）配合使用的实验教材。内容包括《Python程序设计》（第2版）各章的实验及解析，教材习题参考答案与解析，以及部分Python基础章节的补充习题与解析，样卷及参考答案。书中习题内容和层次丰富，取材新颖且实用性强，解题思路Python化思想强。 本书可作为高等学校 Python程序设计 课程的实验指导教材，亦可作为其他Python程序设计课程的实践教学参考书。

本书基于Django 2.0，较为全面地介绍了Django 应用的开发过程、Django 核心模块的实现原理以及部署应用的相关技巧。全书共14 章，第1 章到第3 章对Django 框架以及开发环境配置、项目框架搭建进行了介绍；第4 章到第13 章使用Django 内置的核心模块完成了应用的开发，并对各个模块的实现原理进行了分析，包括ORM 实现原理、模板系统实现原理、路由系统实现原理、信号工作原理等；第14 章介绍了部署Django 应用的过程。同时，本书针对出现的疑难内容，配有视频讲解，以便读者更好地理解、应用Django 框架。

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。

本书共22章，分为三个部分。部分（第1~5章）为Python及应用数学基础部分，介绍Python和TensorFlow的基石Numpy，深度学习框架的鼻祖Theano，以及机器学习、深度学习算法应用数学基础等内容。第二部分（第6~20章）为深度学习理论与应用部分，介绍机器学习的经典理论和算法，深度学习理论及方法，TensorFlow基于CPU、GPU版本的安装及使用、TensorFlow基础、TensorFlow的一些新API，深度学习中神经网络方面的模型及TensorFlow实战案例，TensorFlow的高级封装，TensorFlow综合实战案例等内容。第三部分（第21~22章）为扩展部分，介绍强化学习、生成式对抗网络等内容。

本书基于面向 Python 的 OpenCV（OpenCV for Python），介绍了图像处理的方方面面。本书以 OpenCV 官方文档的知识脉络为主线，并对细节进行补充和说明。 书中不仅介绍了 OpenCV 函数的使用方法，还介绍了函数实现的算法原理。在介绍 OpenCV 函数的 使用方法时，提供了大量的程序示例。而且在介绍函数对图像的处理前，往往先展示函数对数值、数组 的处理，方便读者从数值的角度观察和理解函数的处理过程和结果。在介绍具体的算法原理时，本书尽 量使用通俗易懂的语言和贴近生活的示例来说明问题，避免使用过多复杂抽象的公式。 本书适合计算机视觉领域的初学者阅读，包括在校学生、教师、专业技术人员、图像处理爱好者。

本书全面、系统、深入地讲解了Python编程基础语法与高级应用。在讲解过程中，通过大量实际操作的实例将Python语言知识全面、系统、深入地呈现给读者。此外，本书配有大量微课，使用手机扫描书中的二维码即可在线观看，便于读者通过分析实例、运行实例，尽快熟悉Python编程，在学习中遇到问题时，也可以作为参考。 本书内容共分3篇。第1篇介绍Python语言的特点、安装、语法基础、程序流程控制、面向过程的编程方法、面向对象的编程方法、程序异常的处理；第2篇介绍Python语言中的包与模块、迭代器、生成器、装饰器、上下文管理器等进阶语法，同时介绍了使用Python标准库中的文件系统处理、图形化界面编程、正则表达式、网络编程、多进（线）程编程、数据库编程，还介绍了运用第三方库的Web网站编程、图片处理；第3篇通过两个案例介绍Python的综合编程技

本书以计算思维为主线，以Python程序设计基础知识为依托，采用案例教学的编写方法，将计算思维融入案例教学中，注重计算思维、实践思维等教育理念与内容的结合。同时，本书以大量的经典案例或实际问题求解案例为纽带，在各知识点间建立一种联系，强化各知识点间的融合，旨在让读者理解问题抽象化、程序化的过程，从而 好地培养读者的计算思维能力。本书在设计上由易到难，每章节的知识点讲解尽量用简单易懂的案例描述，以加强读者对知识点的理解；应用案例不仅综合了本章的知识点，还扩展了该案例所能实现的一些其他功能模块，同时增加一些背景小知识，使读者能够全面、深入地理解和掌握知识。 本书可作为高等院校计算机公共基础课的教材，也可作为以Python为基础的程序设计类课程的配套教材，还可以作为学习Python基础的自学参考书

《贝叶斯思维 统计建模的Python学习法》帮助那些希望用数学工具解决实际问题的人们，仅有的要求可能就是懂一点概率知识和程序设计。而贝叶斯方法是一种常见的利用概率学知识去解决不确定性问题的数学方法，对于一个计算机专业的人士，应当熟悉其应用在诸如机器翻译，语音识别，垃圾邮件检测等常见的计算机问题领域。 可是《贝叶斯思维 统计建模的Python学习法》实际上会远远扩大你的视野，即使不是一个计算机专业的人士，你也可以看到在战争环境下（二战德军坦克问题），法律问题上（肾肿瘤的假设验证），体育博彩领域（棕熊队和加人队NFL比赛问题）贝叶斯方法的威力。怎么从有限的信息判断德军装甲部队的规模，你所支持的球队有多大可能赢得冠军，在《龙与地下城》勇士中，你应当对游戏角色属性的很大值有什么样的期望，甚至在普

本书为《Python程序设计基础》（赵广辉等编著）的配套实践教材，全书包括人机交互、turtle绘图、数值类型、流程控制、函数、字符串、序列类型、集合与字典、文件和数据可视化共10类实验的31个Python实验项目，实验项目的设置与主教材同步，方便组织实践教学。本书突破传统教学习惯，将培养复杂问题求解能力作为实验的主要目标。实验项目的设计着重培养学生灵活运用所学知识解决实际工程问题的能力，融入分而治之的思想和方法，培养学生利用函数与模块化程序设计方法解决复杂问题的能力。 本书为新形态教材，配套资源丰富，教学适用性强，适合作为高等学校Python程序设计课程教材，也适合初学Python程序设计语言的读者自学使用。

全书共分16章，对Python内部工作原理进行了一定深度的剖析，99%以上的案例代码使用Python 3.5.1实现，也适用于Python 3.4.x（除少数几个新特性之外）和*版本Python 3.5.2以及Python 3.6.0，极个别案例使用Python 2.7.11实现（同样适用于其他版本Python 2.7.x，包括*的Python2.7.12），适当介绍了Python代码优化、系统编程和安全编程的有关知识，满足不同层次读者的需要。另外，书中通过小提示、小技巧、注意拓展知识等形式介绍了更多的内容，全部内容远比章节目录所显示的要多，需要认真阅读才能真正领会其中的奥妙。本书适合作为Python程序员的开发指南，也可以作为高等院校计算机专业、软件工程专业等专业的Python教材，还可以作为Python爱好者的指导用书。

本书以计算思维为主线，以Python程序设计基础知识为依托，采用案例教学的编写方法，将计算思维融入案例教学中，注重计算思维、实践思维等教育理念与内容的结合。同时，本书以大量的经典案例或实际问题求解案例为纽带，在各知识点间建立一种联系，强化各知识点间的融合，旨在让读者理解问题抽象化、程序化的过程，从而 好地培养读者的计算思维能力。本书在设计上由易到难，每章节的知识点讲解尽量用简单易懂的案例描述，以加强读者对知识点的理解；应用案例不仅综合了本章的知识点，还扩展了该案例所能实现的一些其他功能模块，同时增加一些背景小知识，使读者能够全面、深入地理解和掌握知识。 本书可作为高等院校计算机公共基础课的教材，也可作为以Python为基础的程序设计类课程的配套教材，还可以作为学习Python基础的自学参考书。

本书是一本使用Python实现数据可视化编程的实战指南，介绍了如何使用Python流行的库，通过70余种方法创建美观的数据可视化效果。 全书共9章，分别介绍了准备工作环境、了解数据、绘制并定制化图表、学习更多图表和定制化、创建3D可视化图表、用图像和地图绘制图表、使用正确的图表理解数据、更多的matplotlib知识以及使用Plot.ly进行云端可视化。 本书适合那些对Python编程有一定基础的开发人员阅读，可以帮助读者从头开始了解数据、数据格式、数据可视化，并学会使用Python可视化数据。

本书共22章，分为三个部分。部分（第1~5章）为Python及应用数学基础部分，介绍Python和TensorFlow的基石Numpy，深度学习框架的鼻祖Theano，以及机器学习、深度学习算法应用数学基础等内容。第二部分（第6~20章）为深度学习理论与应用部分，介绍机器学习的经典理论和算法，深度学习理论及方法，TensorFlow基于CPU、GPU版本的安装及使用、TensorFlow基础、TensorFlow的一些新API，深度学习中神经网络方面的模型及TensorFlow实战案例，TensorFlow的高级封装，TensorFlow综合实战案例等内容。第三部分（第21~22章）为扩展部分，介绍强化学习、生成式对抗网络等内容。

自然语言处理(NaturalLanguageProcessing，NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能够实现人与计算机之间用自然语言进行有效通信的各种理论和方法，涉及所有用计算机对自然语言进行的操作。 《Python自然语言处理》是自然语言处理领域的一本实用入门指南，旨在帮助读者学习如何编写程序来分析书面语言。《Python自然语言处理》基于Python编程语言以及一个名为NLTK的自然语言工具包的开源库，但并不要求读者有Python编程的经验。全书共11章，按照难易程度顺序编排。第1章到第3章介绍了语言处理的基础，讲述如何使用小的Python程序分析感兴趣的文本信息。第4章讨论结构化程序设计，以巩固前面几章中介绍的编程要点。第5章到第7章介绍语言处理的基本原理，包括标注、分类和信息提取等。第8章到第10章介绍了句子解析、句法结构识别和