利用Python實(shí)現(xiàn)概率、統(tǒng)計(jì)及機(jī)器學(xué)習(xí)方法(原書第2版)
定 價(jià):119 元
叢書名:數(shù)據(jù)分析與決策技術(shù)叢書
- 作者:[美]何塞·安平科(José Unpingco) 著
- 出版時(shí)間:2023/2/1
- ISBN:9787111717737
- 出 版 社:機(jī)械工業(yè)出版社
- 中圖法分類:TP311.561
- 頁碼:304
- 紙張:
- 版次:
- 開本:16
本書針對(duì)Python 3.6+版本進(jìn)行了全面更新,涵蓋了在這些領(lǐng)域中使用Python組件演示的概率、統(tǒng)計(jì)和機(jī)器學(xué)習(xí)之間的鏈接的關(guān)鍵思想。所提供的Python代碼、所有的圖形和數(shù)值結(jié)果都是可重復(fù)的。作者通過使用多種分析方法和Python代碼處理有意義的示例來開發(fā)機(jī)器學(xué)習(xí)中的關(guān)鍵直覺,從而將理論概念與具體實(shí)現(xiàn)聯(lián)系起來。對(duì)某些重要結(jié)果也給出了詳細(xì)的證明。
譯者序
前言
第1版前言
符號(hào)說明
第1章科學(xué)Python入門1
11安裝和設(shè)置2
12Numpy4
121Numpy數(shù)組和內(nèi)存5
122Numpy矩陣8
123Numpy廣播操作9
124Numpy掩碼數(shù)組11
125浮點(diǎn)數(shù)11
126Numpy優(yōu)化簡介14
13Matplotlib15
131Matplotlib的替代方法16
132Matplotlib的擴(kuò)展17
14IPython17
15Jupyter Notebook18
16Scipy20
17Pandas21
171Series21
172DataFrame23
18Sympy25
19編譯庫接口27
110集成開發(fā)環(huán)境28
111性能和并行編程快速指南28
112其他資源31
參考文獻(xiàn)32
第2章概率33
21引言33
211概率密度34
212隨機(jī)變量35
213連續(xù)隨機(jī)變量39
214微積分以外的變量變換41
215獨(dú)立隨機(jī)變量42
216經(jīng)典Broken Rod示例44
22投影法45
221加權(quán)距離47
23條件期望作為投影47
231附錄51
24條件期望與均方誤差52
25條件期望和均方誤差優(yōu)化
示例55
251示例155
252示例258
253示例360
254示例463
255示例564
256示例666
26有用的分布67
261正態(tài)分布67
262多項(xiàng)分布67
263卡方分布69
264泊松分布和指數(shù)分布71
265伽馬分布72
266貝塔分布73
267狄利克雷多項(xiàng)分布74
X
XI
27信息熵76
271信息論的概念76
272信息熵的性質(zhì)78
273KullbackLeibler散度79
274交叉熵作為大似然80
28矩母函數(shù)80
29蒙特卡羅采樣方法83
291離散變量逆CDF法83
292連續(xù)變量逆CDF法85
293舍選法86
210采樣重要性重采樣90
211實(shí)用的不等式92
2111馬爾可夫不等式92
2112切比雪夫不等式93
2113霍夫丁不等式94
參考文獻(xiàn)96
第3章統(tǒng)計(jì)97
31引言97
32用于統(tǒng)計(jì)的Python模塊98
321Scipy統(tǒng)計(jì)模塊98
322Sympy統(tǒng)計(jì)模塊99
323其他用于統(tǒng)計(jì)的Python
模塊99
33收斂類型100
331幾乎必然收斂100
332依概率收斂102
333依分布收斂104
334極限定理104
34大似然估計(jì)105
341設(shè)置拋硬幣試驗(yàn)107
342Delta方法115
35假設(shè)檢驗(yàn)和p值117
351回到拋硬幣的例子118
352ROC曲線120
353p值122
354檢驗(yàn)統(tǒng)計(jì)量123
355多重假設(shè)檢驗(yàn)129
356Fisher精確檢驗(yàn)129
36置信區(qū)間131
37線性回歸134
371擴(kuò)展至多個(gè)協(xié)變量141
38大后驗(yàn)概率145
39魯棒統(tǒng)計(jì)150
310自助法155
3101參數(shù)化自助法159
311高斯馬爾可夫模型160
312非參數(shù)方法162
3121核密度估計(jì)162
3122核平滑164
3123非參數(shù)回歸估計(jì)169
3124近鄰回歸169
3125核回歸173
3126維數(shù)災(zāi)難174
3127非參數(shù)檢驗(yàn)176
313生存分析181
參考文獻(xiàn)187
第4章機(jī)器學(xué)習(xí)188
41引言188
42Python機(jī)器學(xué)習(xí)模塊188
43學(xué)習(xí)理論192
431機(jī)器學(xué)習(xí)理論概述194
432泛化理論198
433泛化/近似復(fù)雜度示例199
434交叉驗(yàn)證204
435偏差和方差208
436學(xué)習(xí)噪聲211
44決策樹213
441隨機(jī)森林219
442提升樹220
45邏輯回歸223
46廣義線性模型231
47正則化236
471嶺回歸239
472套索回歸243
48支持向量機(jī)244
49降維248
491獨(dú)立成分分析252
410聚類256
411集成方法259
4111裝袋法259
4112提升法261
412深度學(xué)習(xí)262
4121TensorFlow概述270
4122梯度下降275
4123基于卷積神經(jīng)網(wǎng)絡(luò)的圖像
處理286
參考文獻(xiàn)301