iBooker 中文系列教程 2025.10
数据科学
- 数据科学领域的每个人都应该知道的 97 件关于伦理的事情
- 数据分析高级指南
- PySpark 高级数据分析
- PySpark 高级数据分析
- 亚马孙 Redshift 权威指南
- SQL 和 DBT 分析工程
- 规模化自动数据质量和监控指南
- 数据科学职业构建指南
- R 和 Python 行为数据分析
- Python 文本分析蓝图
- Python 因果推断
- AWS 数据科学
- 数据科学训练营
- 命令行上的数据科学第二版
- 数据科学难点指南
- 从零开始的数据科学第二版
- Spark 数据算法
- 数据好奇心
- 数据流水线口袋参考
- Python 和 JavaScript 数据可视化指南第二版
- 数据科学基础设施高效指南
- 人工智能的数学基础
- 数据科学的数学基础
- 企业级大数据湖
- 利用数据对抗客户流失
- 数据可视化的基础知识
- 云中的基因组学
- 数据科学的图算法
- 图算法之 Neo4J 版
- Hadoop 实践指南第二版
- 实体解析实用指南
- 数据科学领导力操作手册
- 数据科学入门指南
- 作为第二语言的 Julia 指南
- Julia 数据分析
- Kafka 权威指南第二版
- 数据科学团队领导指南
- Spark 学习指南
- 程序员的数学
- Excel 现代数据分析
- 精通 R Spark
- Python 自然语言处理第二版
- Pandas 实战
- R 数据科学实践指南第二版
- SAP 数据科学实践指南
- 面向数据科学的线性代数实践指南
- Python 数据清理和质量实践指南
- 数据科学家的统计学实践指南
- 时间序列分析实践指南
- Python 数据科学手册第二版
- Python 地理空间数据分析
- 现代数据科学家 Python 与 R 指南
- Python Excel 指南
- 利用 Python 进行数据分析第二版
- Python 数据分析（PYDA）第三版
- R 数据科学第二版
- R 语言实战第三版
- 可复现的 Python 生物信息学指南
- SQL 数据分析
- Flink 流式处理
- Spark 流式处理
- 流式系统
- 统计学大灌篮
- Streamlit 实战
- Storm 应用指南
- Tableau 策略指南
- 数据科学思维
- UCB Data100：数据科学学习指南
- 数据分析落地指南
机器学习
- 边缘侧人工智能指南
- 面向程序员的人工智能和机器学习
- 人工智能和机器学习设备开发指南
- 人工智能驱动的商业智能
- 人工智能和数据科学的分析技能
- 数据和机器学习平台架构指南
- 自动机器学习实战
- 云边端的 Azure 人工智能规模化服务指南
- 机器学习流水线构建指南
- 机器学习驱动应用构建指南
- Python 与 Jax 现代推荐系统构建指南
- 你自己的机器人构建指南
- 分布式机器学习模式
- 机器学习系统设计指南
- 机器学习团队高效指南
- 机器学习的集成方法
- 图驱动的机器学习
- 图驱动的数据分析和机器学习
- 机器学习探索指南
- 人类参与的机器学习
- 无监督学习实用指南
- MLOps 入门指南
- 面向机器学习的 Kubeflow
- 低代码人工智能
- 机器学习训练营
- 机器学习设计模式
- 机器学习工程实战
- 企业级机器学习
- 高风险应用的机器学习
- 机器学习面试指南
- 机器学习口袋参考
- Python 机器学习秘籍第二版
- R 机器学习
- 机器学习系统
- TensorFlow 机器学习
- MLOps：数据科学运维化指南
- 机器学习项目管理指南
- Azure 自动机器学习实践指南
- 面向计算机视觉的机器学习实践指南
- MLOps 实践指南
- 面向机器学习的仿真实践指南
- 可信机器学习实践指南
- 隐私保护的机器学习
- 可靠的机器学习
- 现实世界的机器学习
- 响应式机器学习
- Spark 机器学习扩展指南
- 斯坦福 CS329S：机器学习系统设计
- 面向机器学习的数据训练指南
深度学习
- AI 智能体实战
- 人工智能辅助的编程指南
- 人工智能工程指南
- 应对 EU 人工智能行动的人工智能工程指南
- 技术执行官的人工智能精要
- 程序员的 PyTorch 人工智能和机器学习指南
- 人工智能原生的软件交付
- AI 口袋手册
- AI 驱动的开发者指南
- AI 驱动的搜索指南
- 人工智能价值创造
- 人工智能即服务
- AWS 认证人工智能专业人员学习指南
- Azure 人工智能基础知识学习指南
- 云原生应用的 Azure OpenAI 服务指南
- 人工智能驱动的产品构建指南
- 使用生成式 AI 的金融软件构建指南
- FastAPI 生成式人工智能服务构建指南
- 从零开始的大语言模型构建指南
- 超越氛围编程
- 贝叶斯优化实战
- 生成式人工智能的完整过时指南（MEAP）
- 推理式人工智能
- 使用 GPT4 和 ChatGPT 开发应用
- 开发者的大语言模型安全攻略书
- 生物深度学习
- 深度学习秘籍书
- 面向程序员的 FastAI 和 PyTorch 深度学习
- 面向金融的深度学习（提前发布）
- 深度学习与围棋游戏
- JavaScript 深度学习
- 面向生命科学的深度学习
- PyTorch 深度学习（GPT 重译）
- 深度学习模式与实践指南
- Python 深度学习第二版（GPT 重译）
- R 深度学习第二版
- 从零开始的深度学习
- 结构化数据的深度学习
- 视觉系统的深度学习
- Python 深度学习第三版
- 深度强化学习实战
- 深度学习系统设计
- 大语言模型应用设计指南
- 使用 Altair 和人工智能的数据故事讲述指南
- 无标签的数据指南
- 大语言模型数据分析
- 对话式人工智能高效指南
- 图检索增强生成（GraphRAG）精要
- 演化式深度学习
- 深度学习基础第二版
- 生成对抗网络实战
- 生成式深度学习
- 生成式人工智能实战
- 生成式人工智能软件开发指南
- 图神经网络实战
- GPT3：使用大型语言模型构建创新的自然语言处理产品
- 深度学习探索指南
- 深度强化学习探索指南
- 人工智能和数据科学的 API 实用指南
- Transformer 和扩散模型的生成式 AI 实用指南（预览版）
- 大语言模型实用指南
- Sklearn 与 TensorFlow 机器学习实用指南第二版
- Sklearn、TensorFlow 与 Keras 机器学习实用指南第三版
- Sklearn 和 PyTorch 机器学习实用指南
- 大语言模型工作原理
- AI 内部原理
- 深度学习内部原理
- 生成式人工智能入门指南
- 可解释性人工智能
- Java 模块系统
- 大语言模型生产环境指南
- LLMOps 指南
- AI 辅助的 Python 编程学习指南
- Tableau 人工智能工具学习指南
- PyTorch 生成式人工智能学习指南
- Github Copilot 学习指南
- LangChain 学习指南
- TensorFlow 学习手册
- TensorFlow.js 学习手册
- 深度学习的数学与架构
- 表格数据的机器学习
- 大规模 MLOps 工程
- 人工智能智能体记忆管理指南
- 自然语言处理实战第二版（MEAP）
- PyTorch 自然语言处理
- Transformer 自然语言处理
- 最优化算法指南
- 生成式人工智能的提示词工程
- 大语言模型的提示词工程
- 面向云边端的深度学习实践指南
- 概率性深度学习
- PyTorch 深度学习编程
- PyTorch 口袋参考
- 真实世界的自然语言处理
- 人工智能平台的 Kubernetes 基础设施扩展指南
- 检索增强生成简易指南
- 生成式人工智能的数据分析入门指南
- 生成式人工智能的软件测试
- Tensorflow 深度学习
- TensorFlow 实战
- TensorFlow2 口袋参考
- Tinyml：TensorFlow Lite 深度学习
- 面向自然语言处理的迁移学习
- 无监督学习与生成式人工智能（MEAP）
- 生成式人工智能的 SEO 使用指南
- WordPress 增强工具集（AI 驱动的 WordPress）
移动开发
Python
- Python 架构模式
- Python ASyncIO 编程
- Dask 权威指南
- Python 和 Dask 数据科学
- Python 和 PySpark 数据分析
- Python 加速指南
- FastAPI 指南
- 流畅的 Python 第二版（GPT 重译）
- Python 地理信息处理
- 嗨翻 Python 第三版（早期发布）
- Python 高性能编程第二版
- 你好 Python
- Python 超现代工具指南（早期发布）
- Python 入门指南第二版
- AI 辅助 Python 编程学习指南第二版
- Python 编程学习指南
- Python 和 Q# 量子计算学习指南
- Ray 学习指南（早期发布）
- 精通 Python 大型数据集
- Python 高级实践指南
- Python 包发布指南
- Python 冒险之旅
- Python AsyncIO 并发指南
- Python DevOps 指南
- Python 操作指南
- Python 技术手册第三版
- Python 练习手册
- Python3 Cookbook 中文版
- Python Cookbook 中文版
- Python 简明之书第三版
- Python 鲁棒编程
- Python Dask 扩展指南（早期发布）
- Python Ray 扩展指南
- 微型 Python 项目
- Python 时间序列预测
- Python 测试驱动开发第三版（早期发布）
- Python 网络爬取第三版
- Python 开发者落地指南
Linux
- Linux 命令行高效编程
- 你好树莓派
- IPv6 精要第三版
- Linux 秘籍第二版
- Linux 实战
- Linux BPF 可观测指南
- EBPF 学习指南
- 一个月的 Linux 学习指南
- 现代 Linux 学习指南
- 一个月的 Powershell 学习指南
- Linux 系统管理实践指南
Java
- 云原生 Spring 实战
- 经典计算机科学问题 Java 描述
- Java 开发者的 DevOps 工具
- Java 企业级微服务
- Java 函数式方法
- Java 函数式编程
- 嗨翻 Java 第三版（早期发布）
- Java Selenium WebDriver 实用手册
- 从 Java 到 Kotlin
- Java 秘籍第四版
- Java 技术手册第八版
- Java 高性能指南
- SpringData 和 Hibernate 的 Java 持久化指南
- 日志记录实战
- Java 学习指南第六版
- Java 企业级现代化指南
- 现代 Java 实战
- Java 程序员的 Groovy 指南
- 微服务 API 指南
- 微服务模式
- Java 云原生优化指南（早期发布）
- AWS Lambda 编程指南
- Quarkus 秘籍
- Java 中的反应式系统
- 真实世界的软件开发
- Spring Boot 启动指南
- Java 微服务与 SRE
- Java 故障排除指南
- Java 微服务测试指南
- Vertx 实战
- Java 开发者落地指南第二版
HTML/CSS/JavaScript
- 单元测试的艺术
- Web 物联网构建指南
- CSS 权威指南第五版
- D3.js 实战
- Node 分布式系统指南
- JavaScript 数据整理指南
- TypeScript 高效编程
- Express 实战
- React 流畅编程
- GraphQL 全栈应用
- MEAN 入门指南
- JavaScript 编程入门指南
- 下一代 JavaScript 编程入门指南
- Node 编程入门指南
- 嗨翻 JavaScript 第三版（早期发布）
- Web 应用同构指南
- Jamestack 之书
- JavaScript 的乐趣
- JavaScript 应用设计
- JavaScript 秘籍第三版
- JavaScript 权威指南第七版（GPT 重译）
- 无处不在的 JavaScript
- JavaScript 物联网指南
- JavaScript 模式
- JavaScript 设计模式学习指南第二版
- React 学习指南第二版
- TypeScript 学习指南
- Vue 学习指南
- JavaScript 多线程编程
- Angular 和 TypeScript 开发指南
- ANgular 实战
- Node 实战第二版
- Node 实践指南
- OGA JavaSE8 程序员 1 认证指南
- TypeScript 编程指南
- React 秘籍
- React 挂钩实战
- React 实战
- React 快速指南第二版
- React 启动指南第二版
- ReactNative 实战
- JavaScript 忍者秘籍第二版
- 单页 Web 应用
- 微星 CSS 项目
- TypeScript 秘籍
- JavaScript 应用测试指南
- Vue 实战
- Web 设计游乐场
- WebAPI 秘籍
- Node Express Web 开发
- 你不懂 JS
Go
- 100 个 Go 错误以及如何避免
- Go 云原生指南
- Go 高效编程
- Go 秘籍
- Go 实战
- gRPC 启动指南
- Go 编程入门指南
- 嗨翻 Go
- Go 并发编程学习指南
- Go 学习指南第二版
- Go 启动指南
DevOps
- Kubernetes 认证管理员考试指南
- Azure Arc 支持的面向多云的 Kubernetes 指南
- 构建安全可靠的系统
- Docker、Kubernetes 和 Terraform 微服务启动指南
- Kubernetes 认证管理员（CKA）学习指南
- Kubernetes 认证应用开发者（CKAD）学习指南
- Kubernetes 认证安全专家（CKS）学习指南
- DevOps 文化中的协作指南
- 云原生：容器、函数、数据和 Kubernetes 指南
- Kubernetes 云原生 DevOps 指南
- 集群 API 与声明式 Kubernetes 管理指南
- Kubernetes 应用的容器存储和安全防护指南
- Kubernetes 核心指南
- Docker 实战第二版
- Docker 实践指南
- Docker 启动指南第三版
- 无服务器全栈开发
- 谷歌 Anthos 实战
- GitOps 秘籍
- GitOps 与 Kubernetes
- Openshift 和 Kubernetes 混合云应用
- Hubernetes 黑客指南
- 基础设施即代码、模式和实践
- Kubernetes 最佳实践第二版
- Kubernetes 秘籍第二版
- Kubernetes 开发者指南
- Kubernetes 实战
- Kubernetes 算子教程
- Kubernetes 模式第二版
- Kubernetes 机密管理指南
- Kubernetes 安全与可观测指南
- Kubernetes 启动指南
- Linkerd 启动指南
- 一个月的 Docker 学习指南
- Helm 学习指南
- 一个月的 Kubernetes 学习指南
- Kubernetes 云原生数据管理指南
- Kubernetes 网络指南
- Podman 实战
- Kubernetes 平台工程
- 流水线即代码
- Falco 云原生安全实践指南
- Kubernetes 生产指南
- Kubernetes 编程指南
数据库
C#
- C# 专家编程指南
- C# 并发编程秘籍第二版
- .NET 并发指南
- C# 秘籍
- C#12 技术手册
- C#12 口袋参考
- 深入 C# 第四版
- C# AWS 开发指南
- C# 函数式编程
- C# 函数式编程第二版
- 嗨翻 C# 第四版
- Blazor 学习指南
- C#10 编程指南
- Unity 实战第二版
C/C++
安全
量化
- 金融中的人工智能
- 金融中的深度学习
- Python 金融理论指南
- 现代 C++ 金融学习指南（早期发布）
- 金融机器学习与数据科学蓝图
- Python 机器学习金融风险管理
- 精通金融模式识别
- 金融投资中的概率机器学习
- Python 算法交易指南
- Python 金融编程第二版
浙公网安备 33010602011771号