01 / 導讀
導讀
引用
Guttag, J. V. (2021). Introduction to Computation and Programming Using Python: With Application to Computational Modeling and Understanding Data (3rd ed.). The MIT Press.
章節概要
本書共 26 章，另有一份 Python 3.8 速查表。前半部分講授程式設計和演算法基礎，後半部分用 Python 為資料建模並解讀資料。
第1–3章：Getting Started（入門）；Introduction to Python（Python 簡介）；Some Simple Numerical Programs（幾個簡單的數值程式）
開篇幾章把計算看作解決問題的過程，區分陳述性知識與命令式知識，並介紹 Python 的基本型別、運算子和控制流。第3章把這些內容用於簡單的數值程式，通過窮舉列舉、近似和二分查詢來求得答案。
第4–7章：Functions, Scoping, and Abstraction（函式、作用域與抽象）；Structured Types and Mutability（結構化型別與可變性）；Recursion and Global Variables（遞迴與全域性變數）；Modules and Files（模組與檔案）
函式與作用域被當作抽象的工具來介紹。隨後講授元組、列表和字典，並關注可變性，再講遞迴和全域性變數，最後是把程式碼組織成模組以及讀寫檔案。
第8–10章：Testing and Debugging（測試與除錯）；Exceptions and Assertions（異常與斷言）；Classes and Object-Oriented Programming（類與物件導向程式設計）
這幾章講授系統的測試與除錯、異常處理與斷言，然後是類與物件導向程式設計。
第11–13章：A Simplistic Introduction to Algorithmic Complexity（演算法複雜度的簡化介紹）；Some Simple Algorithms and Data Structures（幾個簡單的演算法與資料結構）；Plotting and More about Classes（繪圖與類的更多內容）
先非正式地介紹演算法複雜度，再講查詢和排序等簡單演算法與資料結構。第13章把繪圖與對類的進一步使用結合起來。
第14–15章：Knapsack and Graph Optimization Problems（背包與圖的最佳化問題）；Dynamic Programming（動態規劃）
最佳化問題以背包問題和圖問題的形式提出，隨後是一章動態規劃。
第16–19章：Random Walks and More about Data Visualization（隨機遊走與更多資料視覺化）；Stochastic Programs, Probability, and Distributions（隨機程式、機率與分佈）；Monte Carlo Simulation（蒙特卡羅模擬）；Sampling and Confidence（抽樣與置信度）
後半部分轉向隨機性：隨機遊走與視覺化、機率與分佈、蒙特卡羅模擬，以及抽樣與置信區間。
第20–22章：Understanding Experimental Data（理解實驗資料）；Randomized Trials and Hypothesis Checking（隨機試驗與假設檢驗）；Lies, Damned Lies, and Statistics（謊言、該死的謊言與統計）
這幾章把機率知識用於解讀實驗資料、在隨機試驗中檢驗假設，並認識統計如何誤導人。
第23–26章：Exploring Data with Pandas（用 pandas 探索資料）；A Quick Look at Machine Learning（機器學習速覽）；Clustering（聚類）；Classification Methods（分類方法）
最後幾章用 pandas 探索資料，然後介紹機器學習，包括聚類和分類。
核心概念
第1–10章
- 陳述性知識與命令式知識：全書的起點，區分描述“什麼是真的”與描述“如何計算”。
- 抽象與可變性：函式、作用域和結構化型別被當作控制複雜度的手段，而可變性則是微妙行為的來源。
- 測試與異常：系統的測試、除錯、異常處理和斷言。
第11–15章
- 演算法複雜度：非正式地推理執行時間如何增長。
- 動態規劃：通過複用子問題的答案來求解背包等最佳化問題。
第16–26章
- 蒙特卡羅模擬：通過重複隨機試驗估計某個量。
- 抽樣與置信度：判斷樣本結果可以在多大程度上被信任。
- 聚類與分類：最後幾章涉及的兩類機器學習任務。
評析
優點
- 程式設計與資料分析合於一書。 出版社介紹說，本書用 Python 以及 numpy、matplotlib、random、pandas 和 sklearn 等庫講授計算性問題求解，並包含用於建模和解讀資料的資料科學技術。
- 面向初學者。 出版社稱本書把幾乎沒有程式設計經驗的學生引入計算性問題求解。
- 弧線完整。 演算法、複雜度、模擬、統計和機器學習出現在同一本書裡，因此一本教材即可支撐一門延伸到資料分析的入門課程。
- 程式碼與勘誤線上提供。 書中全部程式碼和勘誤表都可在 MIT Press 的網頁上獲得。
侷限
- 後面的章節重廣度而非深度。 機器學習佔三章（速覽、聚類、分類），統計相關內容分散在若干章裡，因此這些部分屬於入門介紹。
- 節奏。 全書用 26 章從基本的 Python 語法講到分類方法，所以後面的主題只能簡要介紹；機器學習一章的標題本身就是“速覽”。
- 與 Python 繫結。 對型別、可變性和庫的講解都與 Python 3.8 相關，書末的速查表也是針對該版本編寫的。
在課程中的定位
在本課程的入門程式設計書中，How to Design Programs 在 DrRacket 環境裡講授系統的設計流程，Structure and Interpretation of Computer Programs 強調抽象、高階過程和直譯器。Python Crash Course 是一本實用的 Python 入門書，以較大的專案收尾；Think Python 是清晰實用的 Python 程式設計與電腦科學入門。The C Programming Language 是面向系統級程式設計的簡潔經典。
Guttag 的這本書適合作為較平緩的入門書之後的第二步，也適合習慣數學的讀者作為第一本書，因為它從程式設計一路走向演算法、模擬和資料分析。與 Python Crash Course 相比，它較少以專案驅動，更側重計算思維；與 SICP 相比，它使用主流語言，並且沒有關於構建直譯器的章節。
如何使用本書
本書面向幾乎沒有程式設計經驗的讀者，適合作為計算的第一門課程，尤其是通向資料分析的課程。不要求事先學過 Python。
第1–10章是第一門課程的核心，第11–13章講複雜度和基本演算法。第14–15章對關注最佳化的讀者是不錯的可選步驟。第16–22章適合想學模擬與統計的讀者，第23–26章適合想學資料處理與機器學習的讀者。請親手輸入並執行每章的程式碼，並從 MIT Press 頁面下載程式碼，與自己的版本對照。