本書針對Python 3.6+版本進行了全面更新，涵蓋了在這些領域中使用Python組件演示的概率、統(tǒng)計和機器學習之間的鏈接的關鍵思想。所提供的Python代碼、所有的圖形和數值結果都是可重復的。作者通過使用多種分析方法和Python代碼處理有意義的示例來開發(fā)機器學習中的關鍵直覺，從而將理論概念與具體實現聯系起來。對某些重要結果也給出了詳細的證明。
譯者序
前言
第1版前言
符號說明
第1章科學Python入門1
11安裝和設置2
12Numpy4
121Numpy數組和內存5
122Numpy矩陣8
123Numpy廣播操作9
124Numpy掩碼數組11
125浮點數11
126Numpy優(yōu)化簡介14
13Matplotlib15
131Matplotlib的替代方法16
132Matplotlib的擴展17
14IPython17
15Jupyter Notebook18
16Scipy20
17Pandas21
171Series21
172DataFrame23
18Sympy25
19編譯庫接口27
110集成開發(fā)環(huán)境28
111性能和并行編程快速指南28
112其他資源31
參考文獻32
第2章概率33
21引言33
211概率密度34
212隨機變量35
213連續(xù)隨機變量39
214微積分以外的變量變換41
215獨立隨機變量42
216經典Broken Rod示例44
22投影法45
221加權距離47
23條件期望作為投影47
231附錄51
24條件期望與均方誤差52
25條件期望和均方誤差優(yōu)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正態(tài)分布67
262多項分布67
263卡方分布69
264泊松分布和指數分布71
265伽馬分布72
266貝塔分布73
267狄利克雷多項分布74
X
XI
27信息熵76
271信息論的概念76
272信息熵的性質78
273KullbackLeibler散度79
274交叉熵作為大似然80
28矩母函數80
29蒙特卡羅采樣方法83
291離散變量逆CDF法83
292連續(xù)變量逆CDF法85
293舍選法86
210采樣重要性重采樣90
211實用的不等式92
2111馬爾可夫不等式92
2112切比雪夫不等式93
2113霍夫丁不等式94
參考文獻96
第3章統(tǒng)計97
31引言97
32用于統(tǒng)計的Python模塊98
321Scipy統(tǒng)計模塊98
322Sympy統(tǒng)計模塊99
323其他用于統(tǒng)計的Python
模塊99
33收斂類型100
331幾乎必然收斂100
332依概率收斂102
333依分布收斂104
334極限定理104
34大似然估計105
341設置拋硬幣試驗107
342Delta方法115
35假設檢驗和p值117
351回到拋硬幣的例子118
352ROC曲線120
353p值122
354檢驗統(tǒng)計量123
355多重假設檢驗129
356Fisher精確檢驗129
36置信區(qū)間131
37線性回歸134
371擴展至多個協變量141
38大后驗概率145
39魯棒統(tǒng)計150
310自助法155
3101參數化自助法159
311高斯馬爾可夫模型160
312非參數方法162
3121核密度估計162
3122核平滑164
3123非參數回歸估計169
3124近鄰回歸169
3125核回歸173
3126維數災難174
3127非參數檢驗176
313生存分析181
參考文獻187
第4章機器學習188
41引言188
42Python機器學習模塊188
43學習理論192
431機器學習理論概述194
432泛化理論198
433泛化/近似復雜度示例199
434交叉驗證204
435偏差和方差208
436學習噪聲211
44決策樹213
441隨機森林219
442提升樹220
45邏輯回歸223
46廣義線性模型231
47正則化236
471嶺回歸239
472套索回歸243
48支持向量機244
49降維248
491獨立成分分析252
410聚類256
411集成方法259
4111裝袋法259
4112提升法261
412深度學習262
4121TensorFlow概述270
4122梯度下降275
4123基于卷積神經網絡的圖像
處理286
參考文獻301
新書資訊