利用Python实现概率、统计及机器学习方法（原书第2版）

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1Scipy统计模块98
322Sympy统计模块99
323其他用于统计的Python
模块99
33收敛类型100
331几乎必然收敛100
332依概率收敛102
333依分布收敛104
334极限定理104
34大似然估计105
341设置抛硬币试验107
342Delta方法115
35假设检验和p值117
351回到抛硬币的例子118
352ROC曲线120
353p值122
354检验统计量123
355多重假设检验129
356Fisher精确检验129
36置信区间131
37线性回归134
371扩展至多个协变量141
38大后验概率145
39鲁棒统计150
310自助法155
3101参数化自助法159
311高斯马尔可夫模型160
312非参数方法162
3121核密度估计162
3122核平滑164
3123非参数回归估计169
3124近邻回归169
3125核回归173
3126维数灾难174
3127非参数检验176
313生存分析181
参考文献187
第4章机器学习188
41引言188
42Python机器学习模块188
43学习理论192
431机器学习理论概述194
432泛化理论198
433泛化/近似复杂度示例199
434交叉验证204
435偏差和方差208
436学习噪声211
44决策树213
441随机森林219
442提升树220
45逻辑回归223
46广义线性模型231
47正则化236
471岭回归239
472套索回归243
48支持向量机244
49降维248
491独立成分分析252
410聚类256
411集成方法259
4111装袋法259
4112提升法261
412深度学习262
4121TensorFlow概述270
4122梯度下降275
4123基于卷积神经网络的图像
处理286
参考文献301