利用Python實(shí)現(xiàn)概率、統(tǒng)計(jì)及機(jī)器學(xué)習(xí)方法（原書(shū)第2版）

譯者序
前言
第1版前言
符號(hào)說(shuō)明
第1章科學(xué)Python入門1
11安裝和設(shè)置2
12Numpy4
121Numpy數(shù)組和內(nèi)存5
122Numpy矩陣8
123Numpy廣播操作9
124Numpy掩碼數(shù)組11
125浮點(diǎn)數(shù)11
126Numpy優(yōu)化簡(jiǎn)介14
13Matplotlib15
131Matplotlib的替代方法16
132Matplotlib的擴(kuò)展17
14IPython17
15Jupyter Notebook18
16Scipy20
17Pandas21
171Series21
172DataFrame23
18Sympy25
19編譯庫(kù)接口27
110集成開(kāi)發(fā)環(huán)境28
111性能和并行編程快速指南28
112其他資源31
參考文獻(xiàn)32
第2章概率33
21引言33
211概率密度34
212隨機(jī)變量35
213連續(xù)隨機(jī)變量39
214微積分以外的變量變換41
215獨(dú)立隨機(jī)變量42
216經(jīng)典Broken Rod示例44
22投影法45
221加權(quán)距離47
23條件期望作為投影47
231附錄51
24條件期望與均方誤差52
25條件期望和均方誤差優(yōu)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正態(tài)分布67
262多項(xiàng)分布67
263卡方分布69
264泊松分布和指數(shù)分布71
265伽馬分布72
266貝塔分布73
267狄利克雷多項(xiàng)分布74
X
XI
27信息熵76
271信息論的概念76
272信息熵的性質(zhì)78
273KullbackLeibler散度79
274交叉熵作為大似然80
28矩母函數(shù)80
29蒙特卡羅采樣方法83
291離散變量逆CDF法83
292連續(xù)變量逆CDF法85
293舍選法86
210采樣重要性重采樣90
211實(shí)用的不等式92
2111馬爾可夫不等式92
2112切比雪夫不等式93
2113霍夫丁不等式94
參考文獻(xiàn)96
第3章統(tǒng)計(jì)97
31引言97
32用于統(tǒng)計(jì)的Python模塊98
321Scipy統(tǒng)計(jì)模塊98
322Sympy統(tǒng)計(jì)模塊99
323其他用于統(tǒng)計(jì)的Python
模塊99
33收斂類型100
331幾乎必然收斂100
332依概率收斂102
333依分布收斂104
334極限定理104
34大似然估計(jì)105
341設(shè)置拋硬幣試驗(yàn)107
342Delta方法115
35假設(shè)檢驗(yàn)和p值117
351回到拋硬幣的例子118
352ROC曲線120
353p值122
354檢驗(yàn)統(tǒng)計(jì)量123
355多重假設(shè)檢驗(yàn)129
356Fisher精確檢驗(yàn)129
36置信區(qū)間131
37線性回歸134
371擴(kuò)展至多個(gè)協(xié)變量141
38大后驗(yàn)概率145
39魯棒統(tǒng)計(jì)150
310自助法155
3101參數(shù)化自助法159
311高斯馬爾可夫模型160
312非參數(shù)方法162
3121核密度估計(jì)162
3122核平滑164
3123非參數(shù)回歸估計(jì)169
3124近鄰回歸169
3125核回歸173
3126維數(shù)災(zāi)難174
3127非參數(shù)檢驗(yàn)176
313生存分析181
參考文獻(xiàn)187
第4章機(jī)器學(xué)習(xí)188
41引言188
42Python機(jī)器學(xué)習(xí)模塊188
43學(xué)習(xí)理論192
431機(jī)器學(xué)習(xí)理論概述194
432泛化理論198
433泛化/近似復(fù)雜度示例199
434交叉驗(yàn)證204
435偏差和方差208
436學(xué)習(xí)噪聲211
44決策樹(shù)213
441隨機(jī)森林219
442提升樹(shù)220
45邏輯回歸223
46廣義線性模型231
47正則化236
471嶺回歸239
472套索回歸243
48支持向量機(jī)244
49降維248
491獨(dú)立成分分析252
410聚類256
411集成方法259
4111裝袋法259
4112提升法261
412深度學(xué)習(xí)262
4121TensorFlow概述270
4122梯度下降275
4123基于卷積神經(jīng)網(wǎng)絡(luò)的圖像
處理286
參考文獻(xiàn)301