消息 首页 搜索 举报
  • 利用Python实现概率、统计及机器学习方法
21年品牌 40万+商家 超1.5亿件商品

利用Python实现概率、统计及机器学习方法

正版图书，可开发票，请放心购买。

￥ 84.25 7.1折 ￥ 119 全新

库存171件

广东广州
认证卖家担保交易快速发货售后保障

作者[美]何塞·安平科(José Unpingco) 著

出版社机械工业出版社

ISBN9787111717737

出版时间2022-11

装帧平装

开本16开

定价119元

货号12150779

上书时间2023-12-27

哲仁书店
已实名 已认证 进店 收藏店铺
  • 店主推荐
  • 最新上架

   商品详情   

品相描述：全新
商品描述
目录
译者序 前言 第1版前言 符号说明 第1章科学Python入门1 11安装和设置2 12Numpy4 121Numpy数组和内存5 122Numpy矩阵8 123Numpy广播操作9 124Numpy掩码数组11 125浮点数11 126Numpy优化简介14 13Matplotlib15 131Matplotlib的替代方法16 132Matplotlib的扩展17 14IPython17 15Jupyter Notebook18 16Scipy20 17Pandas21 171Series21 172DataFrame23 18Sympy25 19编译库接口27 110集成开发环境28 111性能和并行编程快速指南28 112其他资源31 参考文献32 第2章概率33 21引言33 211概率密度34 212随机变量35 213连续随机变量39 214微积分以外的变量变换41 215独立随机变量42 216经典Broken Rod示例44 22投影法45 221加权距离47 23条件期望作为投影47 231附录51 24条件期望与均方误差52 25条件期望和均方误差优化 示例55 251示例155 252示例258 253示例360 254示例463 255示例564 256示例666 26有用的分布67 261正态分布67 262多项分布67 263卡方分布69 264泊松分布和指数分布71 265伽马分布72 266贝塔分布73 267狄利克雷多项分布74 X XI 27信息熵76 271信息论的概念76 272信息熵的性质78 273KullbackLeibler散度79 274交叉熵作为大似然80 28矩母函数80 29蒙特卡罗采样方法83 291离散变量逆CDF法83 292连续变量逆CDF法85 293舍选法86 210采样重要性重采样90 211实用的不等式92 2111马尔可夫不等式92 2112切比雪夫不等式93 2113霍夫丁不等式94 参考文献96 第3章统计97 31引言97 32用于统计的Python模块98 321Scipy统计模块98 322Sympy统计模块99 323其他用于统计的Python 模块99 33收敛类型100 331几乎必然收敛100 332依概率收敛102 333依分布收敛104 334极限定理104 34大似然估计105 341设置抛硬币试验107 342Delta方法115 35假设检验和p值117 351回到抛硬币的例子118 352ROC曲线120 353p值122 354检验统计量123 355多重假设检验129 356Fisher准确检验129 36置信区间131 37线性回归134 371扩展至多个协变量141 38大后验概率145 39鲁棒统计150 310自助法155 3101参数化自助法159 311高斯马尔可夫模型160 312非参数方法162 3121核密度估计162 3122核平滑164 3123非参数回归估计169 3124近邻回归169 3125核回归173 3126维数灾难174 3127非参数检验176 313生存分析181 参考文献187 第4章机器学习188 41引言188 42Python机器学习模块188 43学习理论192 431机器学习理论概述194 432泛化理论198 433泛化/近似复杂度示例199 434交叉验证204 435偏差和方差208 436学习噪声211 44决策树213 441随机森林219 442提升树220 45逻辑回归223 46广义线性模型231 47正则化236 471岭回归239 472套索回归243 48支持向量机244 49降维248 491独立成分分析252 410聚类256 411集成方法259 4111装袋法259 4112提升法261 412深度学习262 4121TensorFlow概述270 4122梯度下降275 4123基于卷积神经网络的图像 处理286 参考文献301

内容摘要
本书针对Python 3.6+版本进行了全面更新，涵盖了在这些领域中使用Python组件演示的概率、统计和机器学习之间的链接的关键思想。所提供的Python代码、所有的图形和数值结果都是可重复的。作者通过使用多种分析方法和Python代码处理有意义的示例来开发机器学习中的关键直觉，从而将理论概念与具体实现联系起来。对某些重要结果也给出了详细的证明。

精彩内容
本书针对Python 3.6+版本进行了全面更新，涵盖了在这些领域中使用Python组件演示的概率、统计和机器学习之间的链接的关键思想。所提供的Python代码、所有的图形和数值结果都是可重复的。作者通过使用多种分析方法和Python代码处理有意义的示例来开发机器学习中的关键直觉，从而将理论概念与具体实现联系起来。对某些重要结果也给出了详细的证明。

   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP