零起点TensorFlow与量化交易 pdf epub mobi txt 电子书下载 2025

简体网页||繁体网页

☆☆☆☆☆

何海群著

图书标签:

TensorFlow
量化交易
深度学习
金融
Python
机器学习
投资
算法交易
数据分析
人工智能

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到图书大百科

book.teaonline.club

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

出版社：电子工业出版社

ISBN：9787121335846

版次：1

商品编码：12335700

品牌：Broadview

包装：平装

丛书名：金融科技丛书

开本：16开

出版时间：2018-04-01

用纸：胶版纸

页数：464

具体描述

产品特色

编辑推荐

本书采用独创的黑箱模式、MBA案例教学机制，结合大量的经典案例，介绍TensorFlow系统和常用的深度学习算法、神经网络模型，以及它们在量化分析当中的具体应用。

《零起点TensorFlow与量化交易》仅仅作为入门课程，具体的实盘策略，有待广大读者通过进一步深入学习TensorFlow、PyTorch、MXNet等新一代深度学习平台来获得。更重要的是，还有待广大的一线实盘操作人员结合专业的金融操盘经验，与各种神经网络模型融会贯通，构建更加符合金融量化实际应用的神经网络模型，从而获得更好的投资回报。

内容简介

Python量化回溯、TensorFlow、PyTorch、MXNet深度学习平台以及神经网络模型，都是近年来兴起的前沿科技项目，相关理论、平台、工具目前尚处于摸索阶段。

TensorFlow是近年来影响大的神经网络、深度学习平台，本书从入门者的角度，对TensorFlow进行了介绍，《零起点TensorFlow与量化交易》中通过大量的实际案例，让初学者快速掌握神经网络和金融量化分析的基本编程，为进一步学习奠定扎实的基础。

《零起点TensorFlow与量化交易》中的案例、程序以教学为主，且进行了高度简化，以便读者能够快速理解相关内容，短时间了解Python量化回溯的整个流程，以及数据分析、机器学习、神经网络的应用。

《零起点TensorFlow与量化交易》仅仅作为入门课程，具体的实盘策略，有待广大读者通过进一步深入学习TensorFlow、PyTorch等新一代深度学习平台来获得。更重要的是，广大的一线实盘操作人员需要结合专业的金融操盘经验，与各种神经网络模型融会贯通，构建更加符合金融量化实际应用的神经网络模型，从而获得更好的投资回报收益。

作者简介

何海群，网名：字王，CHRD前海智库CTO，《中华大字库》发明人，20年人工智能从业经验；zwPython开发平台、TopQuant.vip极宽量化系统设计师，中国“Python创客”项目发起人，国内Python量化项目的启蒙者和开拓者：《Python量化实盘·魔鬼训练营》，Top极宽量化开源团队的创始人。2018年于深圳华侨城创意园，启动太和极宽金融孵化基地：金融、科技、艺术三位一体。

研究成果有：BigQuant理论架构：Python量化+数字货币+人工智能；“小数据”理论，GPU超算工作站、MTRD多节点超算集群算法、“1+N”网络传播模型、人工智能“足彩图灵法则”等；论文《人工智能与中文字型设计》是中文字库行业三大基础建模理论之一。

内页插图

前言/序言

推荐序

AlphaGo与柯洁的黑白大战，因为对阵的一方是中国顶级围棋高手柯洁，所以引起国人的高度关注。利用百度搜索引擎输入AlphaGo，一度可以得出7000多万条搜索结果，这远远高于其他热门词条。

事实上，AlphaGo只是Google拥有的两套人工智能系统中的一套。它是Google 2014年收购的DeepMind的人工智能系统，专注于棋赛开发。Google的另外一套人工智能系统就是本书介绍的TensorFlow系统。

在TensorFlow等人工智能系统出现之前，计算机所做的事情往往是简单重复的。计算机会按照人类编好的既定程序，简单重复、按部就班地运行，没有超越人类事先为其设定的思维边界。

计算机与人类的大脑相比，根本的区别在于不具备学习和创新能力。

计算机顶多也就是记忆的信息多，重复计算的速度快，不受情绪的影响等。但是，在TensorFlow等人工智能系统出现之后，计算机所做的事情除简单重复运行之外，更重要的是其具备了一定的自我学习和创新能力。

TensorFlow等人工智能系统使得计算机在一定程度上能够自主学习，自我提高，总结过去的经验，汲取以往的教训，具备一定的创新性。这一点在AlphaGo与柯洁对垒的3场棋局的结果中不难看出。

这正是以AlphaGo和TensorFlow为代表的人工智能系统区别于以往任何计算机技术的关键所在，也是TensorFlow被称为互联网以来唯一的“黑科技”项目的原因。

具备了一定的自我学习和创造能力的人工智能系统的出现，将对经济系统的各个领域产生重大影响。笔者有着超过20年境内外金融行业从业经历，将从一个侧面分享人工智能对金融领域的影响。

从整个金融业的历史沿革来看，这大致经历了4个阶段：纯人工阶段、单机电脑阶段、互联网（含移动互联网）阶段和人工智能阶段。

随着每个阶段的渐次演进，提供金融服务一方的人力成本投入在逐渐减少，提供金融服务的效率在提高；对于接受金融服务的一方来说，金融服务的可获得性，以及便捷程度在逐渐增加，金融服务越来越围绕着人进行，以人为中心的全方位的社会经济服务体系正在形成。

在金融服务体系中，银行服务、证券服务、保险服务等的内部界限开始变得模糊，金融服务与其他非金融的社会经济服务之间的界限开始变得不清。

特别是金融业进入人工智能阶段之后，人工智能系统将接受金融服务一方的身份特征数据、交易数据和行为数据等大数据，进行实时分析和动态跟踪，以远低于人工成本的成本，为每个人建立一个基于生命周期的综合金融模型，对每个人未来的金融行为进行预测，自动为他们提供账户资金管理、货币兑换、证券买卖、保险购买、购房购车计划、旅行休闲、子女教育、养老规划等方面的金融建议和授权代理操作，并将模型预测结果与实际情况相比对，自主学习和修正模型，以便更加贴合接受金融服务一方的真实金融意图，使得人工智能模型的预测建议和人的实际金融行为无限接近。

由此人类将从日常繁杂的各种金融交易中解放出来，投身到更需要自己或自己更感兴趣的方面。

展望未来，人工智能的应用前景无限美好；探寻当下，人工智能在世界各地的各行各业方兴未艾。

千里之行，始于足下。何海群先生的《零起点TensorFlow与量化交易》是有志于人工智能领域的IT人士的一块敲门砖和铺路石。

祝愿人工智能在华夏大地生根发芽，开花结果。

梁忠

梁忠：中国人民大学财政金融系博士，曾任里昂证券CLSA分析员；瑞银证券UBSS董事，财富管理中国研究部主管；瑞士信贷（香港）有限公司中国研究部董事；瑞信方正证券执行董事，研究部主管，具有20年国际顶级金融机构从业经历。

前言

感谢梁忠先生在百忙之中为本书撰写序言。以TensorFlow为代表的神经网络，被视为自互联网以来唯一的“黑科技”，无远弗届，无分行业领域，对社会各界从上至下带来彻底的颠覆与革命。

梁忠先生作为非IT领域的学者、专家，从第三方角度，冷静地观察这场数字革命，同时向更多的大众介绍这场革命的火花，推动行业变革，功莫大焉。

随着类似于Titanic数据集案例、梵高画风等一系列，基于TensorFlow等神经网络、深度学习项目的不断涌现，未来的各个学科都会结合人工智能（AI），进行新的学术重组。

“Python量化三部曲”

“Python量化三部曲”包括：

《零起点Python大数据与量化交易》（入门课程）

《零起点机器学习与量化交易》（重点分析SKLearn）

《零起点TensorFlow与量化交易》（重点分析TensorFlow）

此外，还有几部补充作品：

《零起点Python足彩大数据与机器学习实盘分析》

《零起点Python机器学习快速入门》

《零起点TensorFlow快速入门》

《MXNet神经网络与量化交易》

《Plotly可视化数据分析》

本书是《零起点TensorFlow快速入门》的后续之作，原本是TopQuant.vip极宽量化培训课程高级班的教学课件，为了节省篇幅，删除了Python基础教程，以及SKLearn、TensorFlow等机器学习方面的入门内容。没有经验的读者，建议先阅读《零起点Python机器学习快速入门》《零起点TensorFlow快速入门》，再开始本书的学习，这样会收到事半功倍的效果。

本书是目前较好的TensorFlow神经网络与量化分析入门教程：

无需任何理论基础，全程采用MBA案例模式，懂Excel就可看懂本书。

独创的逆向式课件模式，结合TensorBoard可视化系统，案例、图表优先，层层剖析。

系统介绍TensorFlow在金融量化领域的具体应用，提供多组配套案例。

全套神经网络股票趋势预测、股票价格预测案例源码。

TDS金融数据集的创建与使用。

三位一体的课件模式：图书+开发平台+成套的教学案例，系统讲解，逐步深入。

进一步学习

读者如有兴趣可以进一步学习“Python量化三部曲”的内容，以及《零起点Python足彩大数据与机器学习实盘分析》。

机器学习、人工智能、金融量化，它们的基本原理是相通的，本质上都是数据分析。对于“Python量化三部曲”的读者而言，本书也有很大的价值，特别是对于第一部入门课程的读者。

Python量化回溯与TensorFlow、PyTorch、MXNet等神经网络深度学习平台，都是近年来兴起的科技前沿领域，有关的理论、平台、工具目前还处于摸索阶段。“Python量化三部曲”图书和TopQuant.vip极宽智能量化系统，只是在这些领域的起步阶段，作为入门教程，抛砖引玉。

本书中的案例、程序以教学为主，进行了很多简化，以便大家能够快速理解相关内容，用最短的时间，了解Python量化回溯的整个流程，以及数据分析、机器学习、神经网络在这些领域的应用操作技巧。

神经网络、深度学习在量化实盘当中的应用，是目前全世界都在研究的顶尖课题，当前尚未有很好的模型与应用案例。

本书仅仅作为入门课程，具体的实盘策略，有待广大读者通过进一步深入学习TensorFlow、PyTorch、MXNet等新一代深度学习平台来获得。

最重要的是，还有待广大的一线实盘操作人员结合专业的金融操盘经验，与各种神经网络模型融会贯通，构建更加符合金融量化实际应用的神经网络模型，从而获得更好的投资回报。

网络资源

为避免版本冲突，建议本书的读者下载zwPython 2018m1版本的软件和最新版本的《零起点TensorFlow与量化交易》配套课件程序，作为配套学习课件。配套程序的下载地址是http://www.broadview.com.cn/33584。

使用其他Python运行环境如Linux、Mac平台的读者，请尽量使用Python 3.5和TensorFlow 1.1版本，并自行安装所需的其他模块库。

此外，需要注意的是，读者在运行书中案例时得到的结果，可能与本书略有差别，甚至多次运行同一个案例的结果也会有所差异，这属于正常情况。因为TensorFlow等深度学习系统，内部都使用了随机数作为种子数，用于系统变量初始化等操作，每次分析的起点或者中间参数都有所不同。

本书的案例程序已经做过优化处理，不需要GPU显卡，全部支持单CPU平台。不过，为了提高运行效率，笔者建议尽量使用NVIDA公司最新一代的GPU显卡。

目前是大数据、人工智能+时代，在这样的时代，计算力=生产力。

与本书相关的网络资源如下。

网站：http://www.TopQuant.vip http://www.ziwang.com。

网盘地址：http://pan.baidu.com/s/1jIg944u。

极宽量化QQ群：总群，124134140；QQ 2群，650924099；QQ 3群，450853713。

技术Blog：http://blog.sina.com.cn/zbrow。

字王Git项目总览：https://github.com/ziwang-com/，包括：字王4k云字库、zwPython、zwpy_lst。

与本书相关的程序和数据下载，请浏览网站：TopQuant.vip极宽量化社区，在网站的“下载中心”有最新的程序和数据下载地址。

本书在TopQuant.vip极宽量化网站设有专栏，若对本书、人工智能和机器学习有任何建议，请在网站专栏或QQ群留言，我们会在第一时间进行反馈和答复。

TopQuant极宽量化网站“资源中心”的网址：

TOP极宽量化?资源中心网址：http://www.topquant.vip/?p=56

TOP极宽量化?百度网盘网址：http://pan.baidu.com/s/1jIg944u

致谢

本书的出版要特别感谢电子工业出版社的黄爱萍和葛娜编辑，感谢她们在选题策划和稿件整理方面做出的大量工作。

同时，在本书创作过程中，极宽开源量化团队和培训班的全体成员，提出了很多宝贵的意见，并对部分课件程序做了中文注解。

特别是吴娜、余勤、邢梦来、孙励、王硕几位成员，为极宽开源量化文库和TopQuant极宽量化开源软件编写了文档，并在团队成员管理方面做了大量工作，为他们的付出表示感谢。

何海群（字王）

TopQuant.vip极宽量化开源组?创始人

2018年2月14日

机器学习与数据科学的入门之旅：探索算法、模型与实际应用本书旨在为对机器学习和数据科学领域感到好奇，但又缺乏专业背景的初学者提供一条清晰、实用的学习路径。我们将从最基础的概念入手，逐步深入到核心算法和模型的原理，并重点探讨如何在实际问题中运用这些强大的工具。本书的编写理念是“理论与实践并重”，确保读者在掌握理论知识的同时，也能获得宝贵的实践经验，从而真正理解并掌握机器学习和数据科学的力量。第一部分：机器学习的基石——概念与原理在开始任何复杂的建模之前，理解机器学习的基本概念至关重要。本部分将从“什么是机器学习？”这一根本性问题出发，阐述机器学习的定义、发展历程以及其在当今科技领域扮演的角色。我们会区分监督学习、无监督学习和强化学习这三大基本学习范式，并通过生动形象的比喻和简单的例子，让读者直观地理解它们之间的差异与各自的应用场景。数据的重要性与预处理：机器学习模型的效果很大程度上取决于数据的质量。我们将深入探讨数据收集、清洗、转换和特征工程等关键步骤。读者将学习如何识别和处理缺失值、异常值，如何进行数据标准化和归一化，以及如何从原始数据中提取有用的特征，为模型训练打下坚实的基础。核心算法的直观解读：我们不会回避算法的数学原理，但会以最易于理解的方式呈现。例如，在讲解线性回归时，我们会从“拟合一条直线”的直观感受出发，再引出最小二乘法的思想；在介绍逻辑回归时，会从分类问题的挑战入手，解释Sigmoid函数的作用；在讨论决策树时，会以“问答游戏”的方式比喻其分裂过程，并引入信息增益和基尼不纯度等概念。K近邻（KNN）、支持向量机（SVM）等经典算法也将以类似的方式进行介绍，强调它们的原理、优缺点以及适用范围。模型评估与选择：训练出模型只是第一步，如何知道模型是否“好”？本书将详细介绍模型评估的各种指标，如准确率、精确率、召回率、F1分数、ROC曲线和AUC值等，并解释它们各自的含义和适用场景。此外，我们还会讲解交叉验证等技术，帮助读者避免过拟合和欠拟合，从而选择出泛化能力更强的模型。第二部分：深入探索——常用模型与技术在掌握了基础算法后，我们将进一步拓展读者的视野，介绍一些在实际应用中更为常见和强大的模型，并引入一些关键的技术概念。集成学习的威力：许多强大的机器学习模型都依赖于集成学习的思想，即“集众人之智”。本书将重点介绍两种最流行的集成学习方法：随机森林和梯度提升树（GBDT）。我们将深入剖析它们的工作原理，解释它们如何通过组合多个弱学习器来构建高性能模型，并讨论它们在处理复杂数据集时的优势。神经网络与深度学习入门：深度学习是当前人工智能领域最热门的方向之一。本书将为读者搭建神经网络的入门知识框架，从感知机出发，逐步讲解多层感知机（MLP）的结构、激活函数的作用、反向传播算法的核心思想。我们将用清晰的图示和简化的数学表达，帮助读者理解神经网络是如何进行学习和预测的。聚类算法与降维技术：在无监督学习方面，我们将深入探讨K-Means等经典的聚类算法，理解它们如何将相似的数据点分组。同时，我们还会介绍主成分分析（PCA）等降维技术，解释其在减少数据维度、加速模型训练和可视化高维数据方面的作用。第三部分：实战演练——从代码到应用理论知识的掌握固然重要，但真正的能力体现在将理论应用于实践。本部分将是本书的重点，我们将引导读者使用当下最流行的机器学习库——Scikit-learn和TensorFlow——来构建和训练模型。 Python与Scikit-learn的实践：我们将从Python语言的基础语法开始，快速进入数据科学常用库的介绍，如NumPy进行数值计算，Pandas进行数据处理，Matplotlib和Seaborn进行数据可视化。随后，我们将结合这些库，使用Scikit-learn实现前面介绍的各种经典机器学习算法。读者将学习如何加载数据、划分训练集和测试集、实例化模型、训练模型、进行预测以及评估模型性能，完成一系列完整的实践案例。 TensorFlow基础与构建神经网络：随着深度学习的普及，TensorFlow作为一款强大的深度学习框架，其学习和应用变得尤为重要。本书将从TensorFlow的基本概念入手，介绍其核心组件，如张量（Tensor）、计算图（Computational Graph）和变量（Variable）。我们将引导读者使用TensorFlow API来构建简单的神经网络模型，并演示如何进行前向传播和反向传播。实际应用场景案例分析：为了让读者更好地理解机器学习的应用价值，我们将提供多个贴近实际的案例。这些案例将涵盖：图像识别：使用卷积神经网络（CNN）识别手写数字（如MNIST数据集）。文本分类：使用循环神经网络（RNN）或Transformer模型进行情感分析或垃圾邮件检测。回归预测：使用线性回归或更复杂的模型预测房价或股票价格。推荐系统：介绍协同过滤等基本思想，为构建个性化推荐系统打下基础。第四部分：进阶思考与未来展望在掌握了基础知识和实践技能后，本书将引导读者进行更深入的思考，并对机器学习和数据科学的未来发展方向进行展望。模型调优与超参数优化：即使是相同的算法，不同的参数设置也会产生截然不同的效果。我们将介绍网格搜索（Grid Search）、随机搜索（Random Search）等超参数优化技术，帮助读者找到模型的最佳参数组合。特征工程的艺术：好的特征往往比复杂的模型更能提升性能。我们将探讨一些高级的特征工程技巧，如多项式特征、交互特征以及如何利用领域知识构建有意义的特征。可解释性AI（XAI）的探索：随着模型越来越复杂，理解模型决策过程的重要性也日益凸显。我们将简要介绍可解释性AI的概念，并提及一些常用的解释工具或方法。机器学习的伦理与挑战：技术的发展总是伴随着挑战。我们将讨论机器学习在公平性、隐私保护、算法偏见等方面的伦理问题，并鼓励读者在实践中保持批判性思维。行业趋势与学习资源：最后，我们将简要介绍机器学习和数据科学领域的最新发展趋势，并为读者推荐进一步学习的资源，包括在线课程、社区论坛和重要的学术会议，帮助读者构建持续学习的能力。本书并非一本速成手册，而是希望成为读者在机器学习和数据科学领域的可靠向导。我们相信，通过循序渐进的学习和大量的实践，任何有志于此的读者都能成功入门，并开启属于自己的智能探索之旅。

用户评价

评分☆☆☆☆☆

这本书的整体风格给人的感觉是严谨且富有启发性，仿佛预示着一次深度探索的旅程。书名中的“TensorFlow”让我联想到强大的数据处理能力和智能分析工具，而“量化交易”则代表着一种基于数据和模型的理性决策方式。我一直在寻找能够帮助我提升交易效率和准确性的方法，而将AI技术应用于量化交易，无疑是一个令人兴奋的方向。我设想书中能够提供关于如何收集和整理海量金融数据的详细指南，以及如何利用TensorFlow构建有效的特征工程，从而为量化模型提供更优质的输入。我希望书中能够深入探讨各种量化交易策略的实现原理，并结合TensorFlow的强大功能，给出具体的代码实现和优化建议。如果书中还能涉及如何评估模型的性能，如何应对过拟合和欠拟合的问题，以及如何将模型部署到实际交易环境中，那就更加贴合我的需求了。

评分☆☆☆☆☆

这本书的包装非常到位，书脊的字体清晰，排版也显得十分专业，给人的第一印象就非常可靠。我平时工作繁忙，阅读时间非常有限，所以我特别看重书籍的内容是否能够直击要害，节省我的时间。看到“量化交易”这个词，我就联想到那些通过数据分析来指导交易决策的策略，这正是我一直想要探索的方向。而“TensorFlow”则代表着强大的计算能力和灵活的模型搭建能力，两者结合，似乎预示着一种全新的交易模式的出现。我脑海中浮现出书中可能包含的各种经典量化策略，比如均值回归、趋势跟踪，甚至是一些更高级的机器学习算法在交易中的应用。我渴望书中能够提供一些实用的代码示例，让我能够快速上手，并在自己的实际交易中进行测试和验证。如果书中能够包含一些关于数据预处理、特征工程以及模型评估的详细指导，那就更好了，因为这些往往是量化交易过程中最容易被忽视但又至关重要的一环。

评分☆☆☆☆☆

这本书的封面设计相当简洁大气，采用了一种科技蓝作为主色调，配合着一些抽象的几何图形，隐约能感受到人工智能与金融领域的碰撞。书名“零起点TensorFlow与量化交易”第一眼就吸引了我，作为一名在金融领域摸爬滚打多年的交易员，我一直对量化交易充满兴趣，但苦于技术门槛，迟迟未能深入。TensorFlow这个名字在我耳边也早已如雷贯耳，听说它是目前最主流的深度学习框架之一，足以应对各种复杂的模型构建。看到“零起点”这三个字，我心中燃起了一丝希望，这或许意味着这本书真的能为我这样的“小白”打开通往量化交易世界的大门，而不需要我再去啃那些晦涩难懂的数学公式和编程语言。我期待着书中能够提供清晰易懂的入门教程，能够一步步地引导我理解TensorFlow的基本概念和使用方法，并且能将这些技术巧妙地融入到量化交易的实操中。我想象着，读完这本书，我能够亲手搭建起自己的量化交易模型，不再仅仅依赖于传统的经验和直觉。

评分☆☆☆☆☆

我翻开这本书，一股浓郁的书墨香扑鼻而来，纸张的质感也相当不错，阅读体验上乘。书名“零起点TensorFlow与量化交易”中的“零起点”几个字，像是一道邀请函，向我这样对技术感到畏惧但又渴望探索金融前沿的人发出了诚挚的邀请。量化交易听起来高大上，但很多时候觉得它离我们很远，似乎需要深厚的数学功底和编程技能。而TensorFlow，则代表了当前人工智能领域最前沿的技术之一。我好奇这本书能否真正做到“零起点”，能够将这些复杂的技术用简单易懂的方式呈现出来，甚至不需要读者具备任何编程基础。我期待书中能从搭建开发环境开始，一步步引导读者完成第一个TensorFlow程序，然后将这些能力迁移到构建简单的交易模型上。比如，能否教我们如何获取股票数据，如何进行数据清洗，然后如何用TensorFlow模型来预测未来几天的股价走势，并模拟执行买卖操作。

评分☆☆☆☆☆

拿到这本书的瞬间，我就被它沉甸甸的分量所吸引，这通常意味着内容充实，而非华而不实的宣传。封面上“零起点”的承诺，让我这个对编程和AI几乎一无所知的人，也能鼓起勇气去尝试。我常常在思考，如何在瞬息万变的金融市场中找到制胜的法宝，而量化交易无疑是一个极具潜力的方向。TensorFlow作为一种强大的工具，它的名字常常出现在各种技术新闻中，我一直好奇它究竟能为金融领域带来怎样的变革。我设想书中会从最基础的Python编程讲起，然后逐步介绍TensorFlow的核心概念，比如张量、计算图、神经网络等等，用通俗易懂的语言去解释这些复杂的概念。我特别期待书中能够详细讲解如何利用TensorFlow构建各种类型的交易模型，例如用于预测股价的RNN模型，或者用于识别交易信号的CNN模型。如果还能分享一些关于如何优化模型参数、回测交易策略以及处理交易中的各种风险的经验，那就更完美了。

评分☆☆☆☆☆

??分布式服务架构：原理、设计与实战??分布式服务架构：原理、设计与实战

评分☆☆☆☆☆

书的质量很好，还没看，京东物流一如既往的好

评分☆☆☆☆☆

Python系列书籍，可以～

评分☆☆☆☆☆

呃…外行人买来了解下…没全部看懂…感觉还是总觉得不错

评分☆☆☆☆☆

东西质量很好，和预期的一样！

评分☆☆☆☆☆

就像封面说的，有技术，有案例，有工具，有总结。都学习并组合，才能用知识致富。还没看完，学习中