John V. Guttag
1999年~2004年任MIT电气工程与计算机科学系主任，所授计算机科学系列导论课程深受学生欢迎。目前为计算机科学与人工智能实验室网络及移动系统组联合负责人，还进行软件工程、机器定理证明、硬件验证等领域的研究以及培训工作。获美国布朗大学英语专业学士学位、应用数学硕士学位，多伦多大学计算机科学博士学位。

本书基于MIT 编程思维培训讲义写成，主要目标在于帮助读者掌握并熟练使用各种计算技术，具备用计算思维解决现实问题的能力。书中以Python 3 为例，介绍了对中等规模程序的系统性组织、编写、调试，帮助读者深入理解计算复杂度，还讲解了有用的算法和问题简化技术，并探讨各类计算工具的使用。与本书* 1版相比，* 2版全面改写了后半部分，且书中所有示例代码都从Python 2 换成了Python 3。
本书适合对编程知之甚少但想要使用计算方法解决问题的读者。

第1章　启程 1

第2章　Python简介 6

2．1　Python基本元素 7

2．1．1　对象、表达式和数值类型 8

2．1．2　变量与赋值 9

2．1．3　Python IDE 11

2．2　程序分支 12

2．3　字符串和输入 14

2．3．1　输入 15

2．3．2　杂谈字符编码 16

2．4　迭代 17

第3章　一些简单的数值程序 20

3．1　穷举法 20

3．2　for循环 22

3．3　近似解和二分查找 24

3．4　关于浮点数 27

3．5　牛顿 拉弗森法 29

第4章　函数、作用域与抽象 31

4．1　函数与作用域 32

4．1．1　函数定义 32

4．1．2　关键字参数和默认值 33

4．1．3　作用域 34

4．2　规范 37

4．3　递归 39

4．3．1　斐波那契数列 40

4．3．2　回文 42

4．4　全局变量 45

4．5　模块 46

4．6　文件 47

第5章　结构化类型、可变性与

高阶函数 50

5．1　元组 50

5．2　范围 52

5．3　列表与可变性 52

5．3．1　克隆 57

5．3．2　列表推导 57

5．4　函数对象 58

5．5　字符串、元组、范围与列表 60

5．6　字典 61

第6章　测试与调试 65

6．1　测试 65

6．1．1　黑盒测试 66

6．1．2　白盒测试 68

6．1．3　执行测试 69

6．2　调试 70

6．2．1　学习调试 72

6．2．2　设计实验 72

6．2．3　遇到麻烦时 75

6．2．4　找到“目标”错误之后 76

第7章　异常与断言 77

7．1　处理异常 77

7．2　将异常用作控制流 80

7．3　断言 82

第8章　类与面向对象编程 83

8．1　抽象数据类型与类 83

8．1．1　使用抽象数据类型设计程序 87

8．1．2　使用类记录学生与教师 87

8．2　继承 90

8．2．1　多重继承 92

8．2．2　替换原则 93

8．3　封装与信息隐藏 94

8．4　进阶示例：抵押贷款 99

第9章　算法复杂度简介 103

9．1　思考计算复杂度 103

9．2　渐近表示法 106

9．3　一些重要的复杂度 107

9．3．1　常数复杂度 107

9．3．2　对数复杂度 108

9．3．3　线性复杂度 108

9．3．4　对数线性复杂度 109

9．3．5　多项式复杂度 109

9．3．6　指数复杂度 111

9．3．7　复杂度对比 112

* 10章　一些简单算法和数据结构 114

10．1　搜索算法 115

10．1．1　线性搜索与间接引用元素 115

10．1．2　二分查找和利用假设 116

10．2　排序算法 119

10．2．1　归并排序 120

10．2．2　将函数用作参数 122

10．2．3　Python中的排序 123

10．3　散列表 124

* 11章　绘图以及类的进一步扩展 128

11．1　使用PyLab绘图 128

11．2　进阶示例：绘制抵押贷款 133

* 12章　背包与图的* 优化问题 139

12．1　背包问题 139

12．1．1　贪婪算法 140

12．1．2　0/1背包问题的* 优解 143

12．2　图的* 优化问题 145

12．2．1　一些典型的图论问题 149

12．2．2　* 短路径：深度优先搜索和

广度优先搜索 149

* 13章　动态规划 155

13．1　又见斐波那契数列 155

13．2　动态规划与0/1背包问题 157

13．3　动态规划与分治算法 162

* 14章　随机游走与数据可视化 163

14．1　随机游走 163

14．2　醉汉游走 164

14．3　有偏随机游走 170

14．4　变幻莫测的田地 175

* 15章　随机程序、概率与分布 178

15．1　随机程序 178

15．2　计算简单概率 180

15．3　统计推断 180

15．4　分布 192

15．4．1　概率分布 194

15．4．2　正态分布 195

15．4．3　连续型和离散型均匀分布 199

15．4．4　二项式分布与多项式分布 200

15．4．5　指数分布和几何分布 200

15．4．6　本福德分布 203

15．5　散列与碰撞 204

15．6　强队的获胜概率 206

* 16章　蒙特卡罗模拟 208

16．1　帕斯卡的问题 209

16．2　过线还是不过线 210

16．3　使用查表法提高性能 213

16．4　求π的值 214

16．5　模拟模型结束语 218

第* 章　抽样与置信区间 220

17．1　对波士顿马拉松比赛进行抽样 220

17．2　中心极限定理 225

17．3　均值的标准误差 228

第* 章　理解实验数据 231

18．1　弹簧的行为 231

18．2　弹丸的行为 238



18．2．1　可决系数 240

18．2．2　使用计算模型 241

18．3　拟合指数分布数据 242

18．4　当理论缺失时 245

第* 章　随机试验与假设检验 247

19．1　检验显著性 248

19．2　当心P-值 252

19．3　单尾单样本检验 254

19．4　是否显著 255

19．5　哪个N 257

19．6　多重假设 258

第* 章　条件概率与贝叶斯统计 261

20．1　条件概率 262

20．2　贝叶斯定理 263

20．3　贝叶斯更新 264

第* 章　谎言、该死的谎言与统计学 267

21．1　垃圾输入，垃圾输出 267

21．2　检验是有缺陷的 268

21．3　图形会骗人 268

21．4　Cum Hoc Ergo Propter Hoc 270

21．5　统计测量不能说明所有问题 271

21．6　抽样偏差 272

21．7　上下文很重要 273

21．8　慎用外推法 273

21．9　得克萨斯神枪手谬误 274

21．10　莫名其妙的百分比 276

21．11　不显著的显著统计差别 276

21．12　回归假象 277

21．13　小心为上 278

第* 章　机器学习简介 279

22．1　特征向量 281

22．2　距离度量 283

第* 章　聚类 288

23．1　Cluster类 289

23．2　K-均值聚类 291

23．3　虚构示例 292

23．4　更真实的示例 297

第* 章　分类方法 303

24．1　分类器评价 303

24．2　预测跑步者的性别 306

24．3　K-* 邻近方法 308

24．4　基于回归的分类器 312

24．5　从“泰坦尼克”号生还 320

24．6　总结 325

Python　3．5速查表 326