清华开发者书库.PythonPython科学计算及实践

目录

第1章Python科学基础

1.1Python初尝

1.2辅助工具

1.3使用第三方库

1.4缩进

1.5内置函数

1.6模块

1.6.1数据结构

1.6.2使用列表

1.6.3元组

1.6.4字典

1.7Python中的函数

1.8循环

1.9基因表达

1.10NumPy的N维数组

1.10.1N维数组代替Python列表

1.10.2向量化

1.10.3广播

1.11标准化

1.12习题

第2章模型评估与概率统计

2.1经验误差与过拟合

2.2评估方法

2.2.1留出法

2.2.2交叉验证法

2.2.3自助法

2.2.4调参与*终模型

2.3性能度量

2.3.1错误率和精度

2.3.2查准率与查全率

2.3.3ROC曲线

2.3.4代价敏感错误率与代价曲线

2.4比较检验

2.4.1假设检验

2.4.2交叉验证t检验

2.4.3McNemar检验

2.5偏差和方差

2.6习题

第3章贝叶斯分类器

3.1贝叶斯学派

3.1.1贝叶斯学派论述

3.1.2贝叶斯决策论

3.1.3贝叶斯原理

3.2参数估计

3.2.1似然函数

3.2.2极大似然估计原理

3.2.3极大似然估计(ML估计)

3.2.4极大后验概率估计(MAP估计)

3.3朴素贝叶斯

3.3.1基本框架

3.3.2朴素贝叶斯分类算法实现二分类

3.3.3贝叶斯算法实现垃圾邮件分类

3.3.4MultinomialNB的实现

3.3.5GaussianNB的实现

3.3.6MergedNB的实现

3.3.7BernoulliNB分类器实现

3.4半朴素贝叶斯

3.4.1ODE算法

3.4.2SPODE算法

3.4.3AODE算法

3.5贝叶斯网

3.6习题

第4章频域与快速傅里叶变换

4.1频率直方图

4.2傅里叶变换

4.2.1一维傅里叶变换

4.2.2二维傅里叶变换

4.2.3Python实现傅里叶变换

4.3快速傅里叶变换

4.4频域滤波

4.4.1低通滤波器

4.4.2高通滤波器

4.4.3频率域高通滤波器

4.4.4巴特沃斯滤波器

4.5平滑空域滤波器

4.5.1基本灰度变换函数

4.5.2对数变换

4.5.3幂律(伽马)变换

4.6线性滤波器

4.6.1均值滤波器

4.6.2非线性滤波器

4.7锐化空间滤波

4.7.1基本概述

4.7.2拉普拉斯算子

4.8习题

第5章线性回归

5.1概述

5.2普通线性回归

5.2.1基本概述

5.2.2Python实现

5.3广义线性模型

5.4逻辑回归

5.5岭回归

5.6Lasso回归

5.7弹性网络

5.8线性判别分析

5.8.1线性判别二分类情况

5.8.2线性判别多类情况

5.8.3线性判别分析实现

5.9习题

第6章多分类器系统

6.1多分类器系统原理及误差

6.2Bagging与AdaBoost算法

6.2.1Bagging算法

6.2.2PAC与Boosting算法

6.2.3AdaBoost算法

6.3随机森林算法

6.3.1决策树

6.3.2随机森林

6.3.3随机森林模型的注意点

6.3.4随机森林实现过程

6.4多分类器实战

6.5习题

第7章Scipy科学计算库

7.1文件输入和输出

7.2线性代数操作

7.3傅里叶变换

7.4积分

7.5插值

7.6拟合

7.6.1*小二乘拟合

7.6.2一元一阶线性拟合

7.6.3一元多阶线性拟合(多项式拟合)

7.7图像处理

7.8边缘检测

7.9正交距离回归

7.10数学形态学运算

7.10.1二值形态学

7.10.2灰度形态学

7.10.3开运算和闭运算

7.11卷积运算

7.12中值滤波器

7.13稀疏矩阵的存储和表示

7.14特殊函数

7.15习题

第8章统计分析

8.1随机变量

8.1.1获取帮助

8.1.2通用方法

8.1.3缩放

8.1.4形态(shape)变量

8.1.5冻结分布

8.1.6广播

8.1.7离散分布的特殊之处

8.1.8构造具体的分布

8.2几种常用分布

8.2.1正态分布

8.2.2均匀分布

8.2.3泊松分布

8.2.4二项式分布

8.2.5卡方分布

8.3样本分析

8.3.1描述统计

8.3.2t检验和KS检验

8.3.3分布尾部

8.3.4正态分布的特殊检验

8.3.5比较两个样本

8.4核密度估计

8.4.1单元估计

8.4.2多元估计

8.5习题

第9章数值分析

9.1主成分分析

9.1.1主成分分析的原理

9.1.2PCA算法

9.1.3PCA降维的两个准则

9.1.4PAC的实现

9.2奇异值分解

9.2.1奇异值分解的原理

9.2.2求超定方程的解

9.3k近邻算法

9.3.1k近邻算法概述

9.3.2可视化与距离计算

9.4聚类算法

9.4.1聚类的有效性指标

9.4.2距离度量

9.4.3k均值聚类

9.4.4高斯混合聚类

9.4.5密度聚类

9.4.6层次聚类

9.5数据标准化

9.5.1数据标准化的两个原因

9.5.2几种标准化方法

9.6特征选择

9.7习题

第10章数据可视化

10.1Matplotlib生成数据图

10.1.1安装Matplotlib包

10.1.2Matplotlib数据图入门

10.1.3图例

10.1.4坐标轴

10.1.5多个子图

10.2其他数据图

10.2.1饼图

10.2.2柱状图

10.2.3散点图

10.2.4等高线图

10.2.53D图形

10.3Pygal数据图

10.3.1安装Pygal包

10.3.2Pygal数据图入门

10.4Pygal常见数据图

10.4.1折线图

10.4.2水平折线图

10.4.3叠加折线图

10.4.4饼图

10.4.5点图

10.4.6仪表图

10.4.7雷达图

10.5习题

第11章数据处理

11.1CSV文件格式

11.2JSON数据

11.2.1JSON的基本知识

11.2.2Python的JSON支持

11.3数据清洗

11.4读取网络数据

11.5习题