2017 年 6 月，云朵工厂的天台君开始在网上陆续发布一系列关于植物的饲养手册。
实用的养护知识，精美的手绘插画，获得网友无数好评和点赞，
豆瓣首页连续热门推荐，微博累计阅读量达 500 多万次。
40余种热门植物饲养知识，
400余幅手绘插画，
一目了然，
从热门植物品种介绍到网购指南，从花盆挑选到浇水、施肥，
本书一步一步教你如何从零开始照料植物。
不管你是满怀好奇的植物新手，还是屡屡受挫的“植物杀手”，
都可以通过这本植物饲养手册，用心呵护好植物。

网飞，一家市值超2000亿美元，全球付费订阅用户超1.9亿，业务版图遍布近200个国家和地区的商业巨头。
作为创始人兼 CEO，里德·哈斯廷斯引领网飞实现了成功转型和强势增长，并坦言这得益于一套违反直觉的管理原则：
在网飞，你不需要取悦你的老板，只要给出坦诚的反馈；你不需要层层审批，就可以决定出差标准；你不需要用加班证明自己，只要充分展示自己的才能就能得到丰厚报酬。
里德·哈斯廷斯认为，如果你给员工更多的自由，而不是制定规则来阻止他们发挥自己的判断，他们会做出更好的决定，也更有责任感。
本书是里德·哈斯廷斯的作品，联合欧洲工商管理学院教授艾琳·迈耶，开创性地利用内外部交叉视角，揭示了人才重于流程、创新高于效率、自由多于管控的文化内核，让你能从网飞的实践经验中获得高价值的思维启发。

如何将一项毫无希望的研究和商业活动转变为价值数十亿美元的机器和世界ling先的公司?
荷兰企业ASML（阿斯麦）成功了，知名科技作家瑞尼·雷吉梅克（René Raaijmakers）在书中揭示了ASML是如何做到的。
20世纪80年代，美国光刻机巨头Perkin-Elmer和GCA在芯片光刻市场上遭到了日本竞争对手佳能和尼康的猛烈攻击。结果，美国失去了对这项关键技术长达20年的垄断地位，而这正是摩尔定律背后的驱动力。
与此同时，一家默默无闻、无足轻重的光刻机小公司在荷兰刚刚起步。这家公司就是ASML，它在今天获得了无与伦比的成功。作为世界上很大和很赚钱的光刻机制造商，ASML取得了70%~80%的光刻市场份额，并多年来在光刻技术上一骑绝尘，将佳能和尼康远远甩在后面。
在《光刻巨人：ASML崛起之路》中，作者瑞尼·雷吉梅克带我们重返了晶圆步进光刻机的诞生地，和我们一起探索了ASML在全球获得令人瞩目的成功之根源所在。作者通过回顾工程师们全力以赴超越对手的历史，生动地给我们打开了一扇窗户，使我们有机会看到孵化世界上很精密芯片制造技术背后那个独一无二的企业文化：“赢者通吃”和“只争金牌”，这些思想至今仍渗透在ASML的血液中。

如今，机器学习正在互联网上下掀起热潮，而Python则是非常适合开发机器学习系统的一门优秀语言。作为动态语言，它支持快速探索和实验，并且针对Python的机器学习算法库的数量也与日俱增。本书最大的特色，就是结合实例分析教会读者如何通过机器学习解决实际问题。
本书将向读者展示如何从原始数据中发现模式，首先从Python与机器学习的关系讲起，再介绍一些库，然后就开始基于数据集进行比较正式的项目开发了，涉及建模、推荐及改进，以及声音与图像处理。通过流行的开源库，我们可以掌握如何高效处理文本、图片和声音。同时，读者也能掌握如何评估、比较和选择适用的机器学习技术。
举几个例子，我们会介绍怎么把StackOverflow的回答按质量高低进行分类，怎么知道某个音乐文件是爵士风格，还是重金属摇滚风格。另外，本书还涵盖了主题建模、购物习性分析及云计算等高级内容。总之，通过学习本书，读者可以掌握构建自己所需系统的各方面知识，并且学以致用，解决自己面临的现实问题。
读者只要具有一定的Python编程经验，能够自己安装和使用开源库，就足够了，即使对机器学习一点了解都没有也没关系。本书不会讲机器学习算法背后的数学。

如果你对万事万物的运行方式充满好奇，这本有趣的《R和Ruby数据分析之旅》会帮你找到日常生活中某些问题的真正答案。借助基本的数学方法，并使用Ruby和R语言做一些简单的编程工作，你就能学会如何对问题建模，并找出解决方案。
要阅读《R和Ruby数据分析之旅》，对编程有基本了解就足够了。书中会对Ruby和R做一个简明的介绍，之后你就可以随作者一起，对多个领域的问题进行探索，并学习如何收集、处理、模拟和分析可用的数据。你将学会如何通过简单的程序和常识性的逻辑，以不同的视角看待日常的事物。读过本书，你便可以开启自己的探索和发现之。
下面是本书将要探究的一些问题：
★确定一间拥有70名员工的办公室需要有多少个卫生间隔间才能满足需要；
★挖掘自己的电子邮件，了解自身特定的邮件习惯；
★借助简易的音频和视频录制设备来计算自己的心率；
★创建一个人造的社会，并分析其中的行为模式，找出某些特定因素是如何影响我们的现实社会的。

Book Description
Python is a free and easy-to-use software tool that offers a significant alternative to proprietary packages such as MATLAB and Mathematica. This book explains Python from scratch, covering everything students and researchers need to get up and running. No previous knowledge of the software is required.

If you know how to program, you have the skills to turn data into knowledge, using tools of probability and statistics. This concise introduction shows you how to perform statistical analysis computationally, rather than mathematically, with programs written in Python.
By working with a single case study throughout this thoroughly revised book, you’ll learn the entire process of exploratory data analysis—from collecting data and generating statistics to identifying patterns and testing hypotheses. You’ll explore distributions, rules of probability, visualization, and many other tools and concepts.
New chapters on regression, time series analysis, survival analysis, and analytic methods will enrich your discoveries.
Develop an understanding of probability and statistics by writing and testing code
Run experiments to test statistical behavior, such as generating samples from several distributions
Use simulations to understand concepts that are hard to grasp mathematically
Import data from most sources with Python, rather than rely on data that’s cleaned and formatted for statistics tools
Use statistical inference to answer questions about real-world data

Numerical Python by Robert Johansson shows you how to leverage the numerical and mathematical modules in Python and its Standard Library as well as popular open source numerical Python packages like NumPy, FiPy, matplotlib and more to numerically compute solutions and mathematically model applications in a number of areas like big data, cloud computing, financial engineering, business management and more.
After reading and using this book, you'll get some takeaway case study examples of applications that can be found in areas like business management, big data/cloud computing, financial engineering (i.e., options trading investment alternatives), and even games.
Up until very recently, Python was mostly regarded as just a web scripting language. Well, computational scientists and engineers have recently discovered the flexibility and power of Python to do more. Big data analytics and cloud computing programmers are seeing Python's immense use. Financial engineers are also now employing Python in their work. Python seems to be evolving as a language that can even rival C++, Fortran, and Pascal/Delphi for numerical and mathematical computations.

• 统计推断、探索性数据分析（EDA）及数据科学工作流程
• 算法
• 垃圾邮件过滤、朴素贝叶斯和数据清理
• 逻辑回归
• 金融建模
• 推荐引擎和因果关系
• 数据可视化
• 社交网络与数据新闻
• 数据工程、MapReduce、Pregel和Hadoop

统计学的思想和各种统计数据对政府、社会乃至我们的工作和日常生活都产生着直接的影响，这种影响可能远远超乎你的想像。通过阅读本书，你将对我们这个世界有一个更完整、更清晰的认识。
本书一点儿也不枯燥乏味，恰恰相反，它是那样生动有趣，深入浅出地把统计学的概念和分析方法呈现在你面前。通过一个个真实的小故事，本书能让你在会心的微笑中不知不觉地增长专业知识，提高分析水平。这是一本能给你带来乐趣的书，也是一本能让你更加睿智的书。

《统计学习基础:数据挖掘、推理与预测》介绍了这些领域的一些重要概念。尽管应用的是统计学方法，但强调的是概念，而不是数学。许多例子附以彩图。《统计学习基础:数据挖掘、推理与预测》内容广泛，从有指导的学习（预测）到无指导的学习，应有尽有。包括神经网络、支持向量机、分类树和提升等主题，是同类书籍中介绍得最全面的。计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础，但常常用不同的术语来表达。

《深入浅出数据分析》以类似“章回小说”的活泼形式，生动地向读者展现优秀的数据分析人员应知应会的技术：数据分析基本步骤、实验方法、最优化方法、假设检验方法、贝叶斯统计方法、主观概率法、启发法、直方图法、回归法、误差处理、相关数据库、数据整理技巧；正文以后，意犹未尽地以三篇附录介绍数据分析十大要务、R工具及ToolPak工具，在充分展现目标知识以外，为读者搭建了走向深入研究的桥梁。
本书构思跌宕起伏，行文妙趣横生，无论是职场老手，还是业界新人，无论是字斟句酌，还是信手翻阅，相信都能跟着文字在职场中走上几回，去体味数据分析领域的乐趣与挑战。

本书全面介绍了数据挖掘，涵盖了五个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都有两章。前一章涵盖基本概念、代表性算法和评估技术，而后一章讨论高级概念和算法。这样读者在透彻地理解数据挖掘的基础的同时，还能够了解更多重要的高级主题。
本书是明尼苏达大学和密歇根州立大学数据挖掘课程的教材，由于独具特色，正式出版之前就已经被斯坦福大学、得克萨斯大学奥斯汀分校等众多名校采用。
本书特色
 与许多其他同类图书不同，本书将重点放在如何用数据挖掘知识解决各种实际问题。
 只要求具备很少的预备知识——不需要数据库背景，只需要很少的统计学或数学背景知识。
 书中包含大量的图表、综合示例和丰富的习题，并且使用示例、关键算法的简洁描述和习题，尽可能直接地聚焦于数据挖掘的主要概念。
 教辅内容极为丰富，包括课程幻灯片、学生课题建议、数据挖掘资源（如数据挖掘算法和数据集）、联机指南（使用实际的数据集和数据分析软件，为本书介绍的部分数据挖掘技术提供例子讲解）。
 向采用本书作为教材的教师提供习题解答。