幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

利用Python實現概率統計及機器學習方法(原書第2版)/數據分析與決策技術叢書

  • 作者：(美)何塞·安平科|責編:張秀華|譯者:馬羚//劉瑜//楊林
  • 出版社：機械工業
  • ISBN：9787111717737
  • 出版日期：2023/01/01
  • 裝幀：平裝
  • 頁數：301
人民幣：RMB 119 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書主要介紹概率、統計及機器學習相關概念及對應的Python實現，並討論相關的Python編程技巧。全書共分為4章：第1章介紹Python的入門知識，主要包含Numpy、Matplotlib和Pandas三個基本庫，以及Scipy與Sympy模塊、編譯庫介面和集成開發環境等內容；第2章從幾何角度來闡述概率論，將概率論與線性代數和幾何中的常見概念聯繫起來；第3章引入Python強大的統計分析工具來介紹統計學知識；第4章利用前面介紹的概率論與統計學的知識探討機器學習的關鍵思想。
    新版更新了Fisher精確檢驗和Mann-Whitney-Wilcoxon檢驗，新增了生存分析以及廣義線性模型，還新增了圖像處理相關的深度學習內容，深入討論支持所有深度學習演算法的梯度下降方法。此外，本書提供了許多實用編程技巧，解釋了科學編程和機器學習的有效Python模塊和方法，有445個經過實際驗證的可運行的代碼塊，並用158個圖形（幾乎都是用Python生成的）可視化地演示了代碼和數學中使用的概念。
    本書適合任何本科階段接觸過概率論、統計學或機器學習並掌握Python編程基礎知識的讀者閱讀。
作者介紹
(美)何塞·安平科|責編:張秀華|譯者:馬羚//劉瑜//楊林
    何塞·安平科（Jos? Unpingco），他于1997年在加州大學聖地亞哥分校獲得博士學位，此後擔任工程師、顧問和講師，從事各種高級數據處理和分析研究，在機器學習和統計學方面擁有豐富的經驗。作為美國國防部大規模信號和圖像處理的現場技術總監，他率先在美國國防部範圍內採用科學Python。他還培訓了600多名科學家和工程師，使他們能夠有效地將Python應用於廣泛的科學主題—一從天氣建模到天線分析。他是加利福尼亞州聖地亞哥一家非營利性醫學研究組織的聯合創始人兼數據科學高級總監。他還在加州大學聖地亞哥分校為工程專業本科生和研究生教授數據分析編程課程。他也是Python for Signal Processing（Springer，2014）的作者。
目錄
譯者序
前言
第1版前言
符號說明
第1章  科學Python入門
  1.1  安裝和設置
  1.2  Numpy
    1.2.1  Numpy數組和內存
    1.2.2  Numpy矩陣
    1.2.3  Numpy廣播操作
    1.2.4  Numpy掩碼數組
    1.2.5  浮點數
    1.2.6  Numpy優化簡介
  1.3  Matplotlib
    1.3.1  Matplotlib的替代方法
    1.3.2  Matplotlib的擴展
  1.4  IPython
  1.5  Jupyter Notebook
  1.6  Scipy
  1.7  Pandas
    1.7.1  Series
    1.7.2  DataFrame
  1.8  Sympy
  1.9  編譯庫介面
  1.10  集成開發環境
  1.11  性能和並行編程快速指南
  1.12  其他資源
  參考文獻
第2章  概率
  2.1  引言
    2.1.1  概率密度
    2.1.2  隨機變數
    2.1.3  連續隨機變數
    2.1.4  微積分以外的變數變換
    2.1.5  獨立隨機變數
    2.1.6  經典Broken Rod示例
  2.2  投影法
    2.2.1  加權距離
  2.3  條件期望作為投影
    2.3.1  附錄
  2.4  條件期望與均方誤差
  2.5  條件期望和均方誤差優化示例
    2.5.1  示例
    2.5.2  示例
    2.5.3  示例
    2.5.4  示例
    2.5.5  示例
    2.5.6  示例
  2.6  有用的分佈
    2.6.1  正態分佈

    2.6.2  多項分佈
    2.6.3  卡方分佈
    2.6.4  泊松分佈和指數分佈
    2.6.5  伽馬分佈
    2.6.6  貝塔分佈
    2.6.7  狄利克雷多項分佈
  2.7  信息熵
    2.7.1  資訊理論的概念
    2.7.2  信息熵的性質
    2.7.3  Kullback-Leibler散度
    2.7.4  交叉熵作為大似然
  2.8  矩母函數
  2.9  蒙特卡羅採樣方法
    2.9.1  離散變數逆CDF法
    2.9.2  連續變數逆CDF法
    2.9.3  舍選法
  2.10  採樣重要性重採樣
  2.11  實用的不等式
    2.11.1  馬爾可夫不等式
    2.11.2  切比雪夫不等式
    2.11.3  霍夫丁不等式
  參考文獻
第3章  統計
  3.1  引言
  3.2  用於統計的Python模塊
    3.2.1  Scipy統計模塊
    3.2.2  Sympy統計模塊
    3.2.3  其他用於統計的Python模塊
  3.3  收斂類型
    3.3.1  幾乎必然收斂
    3.3.2  依概率收斂
    3.3.3  依分佈收斂
    3.3.4  極限定理
  3.4  大似然估計
    3.4.1  設置拋硬幣試驗
    3.4.2  Delta方法
  3.5  假設檢驗和p值
    3.5.1  回到拋硬幣的例子
    3.5.2  ROC曲線
    3.5.3  p值
    3.5.4  檢驗統計量
    3.5.5  多重假設檢驗
    3.5.6  Fisher精確檢驗
  3.6  置信區間
  3.7  線性回歸
    3.7.1  擴展至多個協變數
  3.8  大后驗概率
  3.9  魯棒統計
  3.10  自助法
    3.10.1  參數化自助法

  3.11  高斯馬爾可夫模型
  3.12  非參數方法
    3.12.1  核密度估計
    3.12.2  核平滑
    3.12.3  非參數回歸估計
    3.12.4  近鄰回歸
    3.12.5  核回歸
    3.12.6  維數災難
    3.12.7  非參數檢驗
  3.13  生存分析
  參考文獻
第4章  機器學習
  4.1  引言
  4.2  Python機器學習模塊
  4.3  學習理論
    4.3.1  機器學習理論概述
    4.3.2  泛化理論
    4.3.3  泛化/近似複雜度示例
    4.3.4  交叉驗證
    4.3.5  偏差和方差
    4.3.6  學習雜訊
  4.4  決策樹
    4.4.1  隨機森林
    4.4.2  提升樹
  4.5  邏輯回歸
  4.6  廣義線性模型
  4.7  正則化
    4.7.1  嶺回歸
    4.7.2  套索回歸
  4.8  支持向量機
  4.9  降維
    4.9.1  獨立成分分析
  4.10  聚類
  4.11  集成方法
    4.11.1  裝袋法
    4.11.2  提升法
  4.12  深度學習
    4.12.1  TensorFlow概述
    4.12.2  梯度下降
    4.12.3  基於卷積神經網路的圖像處理
  參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032