內容簡介
本書基於MIT 編程思維培訓講義寫成，主要目標在於幫助讀者掌握並熟練使用各種計算技術，具備用計算思維解決現實問題的能力。書中以Python 3 為例，介紹了對中等規模程式的系統性組織、編寫、調試，幫助讀者深入理解計算複雜度，還講解了有用的算法和問題簡化技術，並探討各類計算工具的使用。與本書第1版相比，第2版全面改寫了後半部分，且書中所有示例代碼都從Python 2 換成了Python 3。
本書適合對編程知之甚少但想要使用計算方法解決問題的讀者
作者簡介
John V. Guttag
1999年~2004年任MIT電氣工程與計算機科學系主任，所授計算機科學系列導論課程深受學生歡迎。目前為計算機科學與人工智慧實驗室網路及移動系統組聯合負責人，還進行軟體工程、機器定理證明、硬體驗證等領域的研究以及培訓工作。獲美國布朗大學英語專業學士學位、套用數學碩士學位，多倫多大學計算機科學博士學位。
作品目錄
第1章 啟程 1
第2章 Python簡介 6
2.1 Python基本元素 7
2.1.1 對象、表達式和數值類型 8
2.1.2 變數與賦值 9
2.1.3 Python IDE 11
2.2 程式分支 12
2.3 字元串和輸入 14
2.3.1 輸入 15
2.3.2 雜談字元編碼 16
2.4 疊代 17
第3章 一些簡單的數值程式 20
3.1 窮舉法 20
3.2 for循環 22
3.3 近似解和二分查找 24
3.4 關於浮點數 27
3.5 牛頓 拉弗森法 29
第4章 函式、作用域與抽象 31
4.1 函式與作用域 32
4.1.1 函式定義 32
4.1.2 關鍵字參數和默認值 33
4.1.3 作用域 34
4.2 規範 37
4.3 遞歸 39
4.3.1 斐波那契數列 40
4.3.2 回文 42
4.4 全局變數 45
4.5 模組 46
4.6 檔案 47
第5章 結構化類型、可變性與
高階函式 50
5.1 元組 50
5.2 範圍 52
5.3 列表與可變性 52
5.3.1 克隆 57
5.3.2 列表推導 57
5.4 函式對象 58
5.5 字元串、元組、範圍與列表 60
5.6 字典 61
第6章 測試與調試 65
6.1 測試 65
6.1.1 黑盒測試 66
6.1.2 白盒測試 68
6.1.3 執行測試 69
6.2 調試 70
6.2.1 學習調試 72
6.2.2 設計實驗 72
6.2.3 遇到麻煩時 75
6.2.4 找到“目標”錯誤之後 76
第7章 異常與斷言 77
7.1 處理異常 77
7.2 將異常用作控制流 80
7.3 斷言 82
第8章 類與面向對象編程 83
8.1 抽象數據類型與類 83
8.1.1 使用抽象數據類型設計程式 87
8.1.2 使用類記錄學生與教師 87
8.2 繼承 90
8.2.1 多重繼承 92
8.2.2 替換原則 93
8.3 封裝與信息隱藏 94
8.4 進階示例：抵押貸款 99
第9章 算法複雜度簡介 103
9.1 思考計算複雜度 103
9.2 漸近表示法 106
9.3 一些重要的複雜度 107
9.3.1 常數複雜度 107
9.3.2 對數複雜度 108
9.3.3 線性複雜度 108
9.3.4 對數線性複雜度 109
9.3.5 多項式複雜度 109
9.3.6 指數複雜度 111
9.3.7 複雜度對比 112
第10章 一些簡單算法和數據結構 114
10.1 搜尋算法 115
10.1.1 線性搜尋與間接引用元素 115
10.1.2 二分查找和利用假設 116
10.2 排序算法 119
10.2.1 歸併排序 120
10.2.2 將函式用作參數 122
10.2.3 Python中的排序 123
10.3 散列表 124
第11章 繪圖以及類的進一步擴展 128
11.1 使用PyLab繪圖 128
11.2 進階示例：繪製抵押貸款 133
第12章 背包與圖的* 最佳化問題 139
12.1 背包問題 139
12.1.1 貪婪算法 140
12.1.2 0/1背包問題的* 優解 143
12.2 圖的* 最佳化問題 145
12.2.1 一些典型的圖論問題 149
12.2.2 * 短路徑：深度優先搜尋和
廣度優先搜尋 149
第13章 動態規劃 155
13.1 又見斐波那契數列 155
13.2 動態規劃與0/1背包問題 157
13.3 動態規劃與分治算法 162
第14章 隨機遊走與數據可視化 163
14.1 隨機遊走 163
14.2 醉漢遊走 164
14.3 有偏隨機遊走 170
14.4 變幻莫測的田地 175
第15章 隨機程式、機率與分布 178
15.1 隨機程式 178
15.2 計算簡單機率 180
15.3 統計推斷 180
15.4 分布 192
15.4.1 機率分布 194
15.4.2 常態分配 195
15.4.3 連續型和離散型均勻分布 199
15.4.4 二項式分布與多項式分布 200
15.4.5 指數分布和幾何分布 200
15.4.6 本福德分布 203
15.5 散列與碰撞 204
15.6 強隊的獲勝機率 206
第16章 蒙特卡羅模擬 208
16.1 帕斯卡的問題 209
16.2 過線還是不過線 210
16.3 使用查表法提高性能 213
16.4 求π的值 214
16.5 模擬模型結束語 218
第17章 抽樣與置信區間 220
17.1 對波士頓馬拉松比賽進行抽樣 220
17.2 中心極限定理 225
17.3 均值的標準誤差 228
第18章 理解實驗數據 231
18.1 彈簧的行為 231
18.2 彈丸的行為 238
18.2.1 可決係數 240
18.2.2 使用計算模型 241
18.3 擬合指數分布數據 242
18.4 當理論缺失時 245
第19章 隨機試驗與假設檢驗 247
19.1 檢驗顯著性 248
19.2 當心P-值 252
19.3 單尾單樣本檢驗 254
19.4 是否顯著 255
19.5 哪個N 257
19.6 多重假設 258
第20章 條件機率與貝葉斯統計 261
20.1 條件機率 262
20.2 貝葉斯定理 263
20.3 貝葉斯更新 264
第21章 謊言、該死的謊言與統計學 267
21.1 垃圾輸入，垃圾輸出 267
21.2 檢驗是有缺陷的 268
21.3 圖形會騙人 268
21.4 Cum Hoc Ergo Propter Hoc 270
21.5 統計測量不能說明所有問題 271
21.6 抽樣偏差 272
21.7 上下文很重要 273
21.8 慎用外推法 273
21.9 德克薩斯神槍手謬誤 274
21.10 莫名其妙的百分比 276
21.11 不顯著的顯著統計差別 276
21.12 回歸假象 277
21.13 小心為上 278
第22章 機器學習簡介 279
22.1 特徵向量 281
22.2 距離度量 283
第23章 聚類 288
23.1 Cluster類 289
23.2 K-均值聚類 291
23.3 虛構示例 292
23.4 更真實的示例 297
第24章 分類方法 303
24.1 分類器評價 303
24.2 預測跑步者的性別 306
24.3 K-* 鄰近方法 308
24.4 基於回歸的分類器 312
24.5 從“泰坦尼克”號生還 320
24.6 總結 325
Python 3.5速查表 326
