作者：[美]何塞·安平科
页数：304
出版社：机械工业出版社
出版日期：2023
ISBN：9787111717737
电子书格式：pdf/epub/txt
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。
作者简介
马羚 博士，目前任教于海军航空大学岸防兵学院，研究方向为计算机编程语言、智能优化算法、测试性设计、测试与故障诊断。
本书特色
本书涵盖概率论、统计学和机器学习领域的关键思想，并使用Python模块演示了这些领域的应用。本书从最简单的概率论知识展开，逐步延伸到统计学和机器学习的关键思想，并通过Python及其强大的扩展功能来阐述概率论和统计学知识与机器学习的联系。本书各章都给出了大量的示例，以展示理论概念与具体实践的联系，并且书中所有的图形和数值结果都可以用Python重现。作者还提供了某些重要结果的详细证明。作者使用Pandas、Sympy、Scikit-learn、TensorFlow和Keras等流行的Python模块模拟和可视化了重要的机器学习概念（如偏差与方差之间的权衡、交叉验证和正则化），并通过数值方法展示了许多抽象的数学思想（如概率论中的收敛性）。
本书特色
● 全面阐释如何模拟、概念化和可视化随机统计过程以及应用机器学习方法。
● 覆盖关键的Python模块，如Numpy、Scikit-learn、Sympy、Matplotlib、Pandas、TensorFlow、Keras等，并说明了相应的编程技巧。
● 用直观的方法概述了概率、统计和机器学习的概念，并提供了相应的可视化代码。
目录
前言
第1版前言
符号说明
第1章科学Python入门1
11安装和设置2
12Numpy4
121Numpy数组和内存5
122Numpy矩阵8
123Numpy广播操作9
124Numpy掩码数组11
125浮点数11
126Numpy优化简介14
13Matplotlib15
131Matplotlib的替代方法16
132Matplotlib的扩展17
14IPython17
15Jupyter Notebook18
16Scipy20
17Pandas21
171Series21
172DataFrame23
18Sympy25
19编译库接口27
110集成开发环境28
111性能和并行编程快速指南28
112其他资源31
参考文献32
第2章概率33
21引言33
211概率密度34
212随机变量35
213连续随机变量39
214微积分以外的变量变换41
215独立随机变量42
216经典Broken Rod示例44
22投影法45
221加权距离47
23条件期望作为投影47
231附录51
24条件期望与均方误差52
25条件期望和均方误差优化
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正态分布67
262多项分布67
263卡方分布69
264泊松分布和指数分布71
265伽马分布72
266贝塔分布73
267狄利克雷多项分布74
X
XI
27信息熵76
271信息论的概念76
272信息熵的性质78
273Kullback睱eibler散度79
274交叉熵作为大似然80
28矩母函数80
29蒙特卡罗采样方法83
291离散变量逆CDF法83
292连续变量逆CDF法85
293舍选法86
210采样重要性重采样90
211实用的不等式92
2111马尔可夫不等式92
2112切比雪夫不等式93
2113霍夫丁不等式94
参考文献96
第3章统计97
31引言97
32用于统计的Python模块98
321Sc
