利用Python实现概率、统计及机器学习方法(原书第2版)

1星价 ¥83.3 (7.0折)

2星价￥83.3 定价￥119.0

作者：[美]何塞·安平科

出版社：机械工业出版社

本类榜单：计算机/网络

分类：计算机/网络 > 软件工程/开发项目管理

暂无评论

图文详情

ISBN：9787111717737
装帧：一般胶版纸
册数：暂无
重量：暂无
开本：16开
页数：304
出版时间：2023-01-01
条形码：9787111717737 ; 978-7-111-71773-7

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*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。

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。

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1Sc

展开全部