利用Python实现概率、统计及机器学习方法（原书第2版）

图书标准信息

• 作者 何塞
• 出版社 机械工业出版社
• 出版时间 2023-02
• 版次 1
• ISBN 9787111717737
• 定价 119.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 316页
• 字数 416千字

【内容简介】

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。

【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精确检验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