利用 Python 實現概率、統計及機器學習方法（原書第2版） Python for Probability, Statistics, and Machine Learning
José Unpingco 譯 馬羚//劉瑜//楊林
- 出版商: 機械工業
- 出版日期: 2023-01-01
- 售價: $714
- 貴賓價: 9.5 折 $678
- 語言: 簡體中文
- 頁數: 316
- 裝訂: 平裝
- ISBN: 7111717732
- ISBN-13: 9787111717737
-
相關分類:
Python、Machine Learning
- 此書翻譯自: Python for Probability, Statistics, and Machine Learning
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
深度學習圖解 (Grokking Deep Learning)$594$564 -
$505機器學習基礎 — 面向預測數據分析的算法、實用範例與案例研究 -
$403機器學習中的概率統計：Python 語言描述 -
$331集成學習入門與實戰：原理、算法與應用 -
$281基於Python的概率論與數理統計實驗 -
Python 玩轉數學問題 — 輕松學習 NumPy、SciPy 和 Matplotlib$600$570 -
Time Series Analysis with Python Cookbook: Practical recipes for exploratory data analysis, data preparation, forecasting, and model evaluation (Paperback)$1,960$1,862 -
$607Python 漫遊數學王國 — 高等數學、線性代數、數理統計及運籌學 -
$422Pandas 入門與實戰應用 ：基於 Python 的數據分析與處理 -
$354首席數據官之路——數據實踐領導者的見解 -
$403人工智能產品經理：AI時代 PM 修煉手冊 (修訂版) -
$454SaaS 產品增長筆記 — 從0到100，PLG 落地實戰 SaaS 產品增長工具書 -
$403速通深度學習數學基礎 -
$422對比Excel，輕鬆學習Python統計分析 -
$454聯邦學習原理與PySyft實戰 -
動手學深度學習 (PyTorch 版)$659$626 -
使用 GitOps 實現 Kubernetes 的持續部署：模式、流程及工具$714$678 -
$556Python深度學習：基於PyTorch 第2版 -
$407Python 機器學習入門與實戰 -
應用隨機過程 概率模型導論, 11/e$594$564 -
白話機器學習$780$616 -
$356AI 時代程式設計師開發之道：ChatGPT 讓程式設計師插上翅膀 -
$356機器學習之數學基礎：概率統計與算法應用 -
動手學 PyTorch 建模與應用：從深度學習到大模型$594$564 -
從數學開始的 AI，基礎數學與 Python 實作：機率×卷積×池化……從核心數學概念到程式應用，學會AI背後的邏輯與演算法基礎$480$408
中文年末書展｜繁簡參展書2書75折 詳見活動內容 »
-
75折
為你寫的 Vue Components：從原子到系統，一步步用設計思維打造面面俱到的元件實戰力 (iThome 鐵人賽系列書)$780$585 -
75折
BDD in Action, 2/e (中文版)$960$720 -
75折
看不見的戰場：社群、AI 與企業資安危機$750$563 -
79折
AI 精準提問 × 高效應用：DeepSeek、ChatGPT、Claude、Gemini、Copilot 一本搞定$390$308 -
7折
超實用！Word．Excel．PowerPoint 辦公室 Office 365 省時高手必備 50招, 4/e (暢銷回饋版)$420$294 -
75折
裂縫碎光：資安數位生存戰$550$412 -
85折
日本當代最強插畫 2025 : 150位當代最強畫師豪華作品集$640$544 -
79折
Google BI 解決方案：Looker Studio × AI 數據驅動行銷實作，完美整合 Google Analytics 4、Google Ads、ChatGPT、Gemini$630$498 -
79折
超有料 Plus！職場第一實用的 AI 工作術 - 用對 AI 工具、自動化 Agent, 讓生產力全面進化！$599$473 -
75折
從零開始學 Visual C# 2022 程式設計, 4/e (暢銷回饋版)$690$518 -
75折
Windows 11 制霸攻略：圖解 AI 與 Copilot 應用，輕鬆搞懂新手必學的 Windows 技巧$640$480 -
75折
精準駕馭 Word！論文寫作絕非難事 (好評回饋版)$480$360 -
Sam Yang 的插畫藝術：用 Procreate / PS 畫出最強男友視角 x 女孩美好日常$699$629 -
79折
AI 加持！Google Sheets 超級工作流$599$473 -
78折
想要 SSR? 快使用 Nuxt 吧!：Nuxt 讓 Vue.js 更好處理 SEO 搜尋引擎最佳化（iThome鐵人賽系列書）$780$608 -
78折
超實用！業務．總管．人資的辦公室 WORD 365 省時高手必備 50招 (第二版)$500$390 -
7折
Node-RED + YOLO + ESP32-CAM：AIoT 智慧物聯網與邊緣 AI 專題實戰$680$476 -
79折
「生成式⇄AI」：52 個零程式互動體驗，打造新世代人工智慧素養$599$473 -
7折
Windows APT Warfare：惡意程式前線戰術指南, 3/e$720$504 -
75折
我輩程式人：回顧從 Ada 到 AI 這條程式路，程式人如何改變世界的歷史與未來展望 (We, Programmers: A Chronicle of Coders from Ada to AI)$850$637 -
75折
不用自己寫！用 GitHub Copilot 搞定 LLM 應用開發$600$450 -
79折
Tensorflow 接班王者：Google JAX 深度學習又快又強大 (好評回饋版)$780$616 -
79折
GPT4 會你也會 - 共融機器人的多模態互動式情感分析 (好評回饋版)$700$553 -
79折
技術士技能檢定 電腦軟體應用丙級術科解題教本｜Office 2021$460$363 -
75折
Notion 與 Notion AI 全能實戰手冊：生活、學習與職場的智慧策略 (暢銷回饋版)$560$420
相關主題
商品描述
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複的。
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機器學習中的關鍵直覺，從而將理論概念與具體實現聯繫起來。
對某些重要結果也給出了詳細的證明。
作者簡介
何塞·安平科（José Unpingco），他於1997年在加州大學聖地亞哥分校獲得博士學位，此後擔任工程師、顧問和講師，從事各種高級數據處理和分析研究，在機器學習和統計學方面擁有豐富的經驗。作為美國國防部大規模信號和圖像處理的現場技術總監，他率先在美國國防部範圍內採用科學Python。他還培訓了600多名科學家和工程師，使他們能夠有效地將Python應用於廣泛的科學主題—一從天氣建模到天線分析。他是加利福尼亞州聖地亞哥一家非營利性醫學研究組織的聯合創始人兼數據科學高級總監。他還在加州大學聖地亞哥分校為工程專業本科生和研究生教授數據分析編程課程。他也是Python for Signal Processing（Springer，2014）的作者。
目錄大綱
譯者序
前言
第1版前言
符號說明
第1章科學Python入門1
1.1安裝和設置2
1.2Numpy4
1.2.1Numpy數組和內存5
1.2.2Numpy矩陣8
1.2.3Numpy廣播操作9
1.2.4Numpy掩碼數組11
1.2.5浮點數11
1.2.6Numpy優化簡介14
1.3Matplotlib15
1.3.1Matplotlib的替代方法16
1.3.2Matplotlib的擴展17
1.4IPython17
1.5Jupyter Notebook18
1.6Scipy20
1.7Pandas21
1.7.1Series21
1.7.2DataFrame23
1.8Sympy25
1.9編譯庫接口27
1.10集成開發環境28
1.11性能和並行編程快速指南28
1.12其他資源31
參考文獻32
第2章概率33
2.1引言33
2.1.1概率密度34
2.1.2隨機變量35
2.1.3連續隨機變量39
2.1.4微積分以外的變量變換41
2.1.5獨立隨機變量42
2.1.6經典Broken Rod示例44
2.2投影法45
2.2.1加權距離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有用的分佈67
2.6.1正態分佈67
2.6.2多項分佈67
2.6.3卡方分佈69
2.6.4泊松分佈和指數分佈71
2.6.5伽馬分佈72
2.6.6貝塔分佈73
2.6.7狄利克雷多項分佈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78
2.7.3KullbackLeibler散度79
2.7.4交叉熵作為大似然80
2.8矩母函數80
2.9蒙特卡羅採樣方法83
2.9.1離散變量逆CDF法83
2.9.2連續變量逆CDF法85
2.9.3舍選法86
2.10採樣重要性重採樣90
2.11實用的不等式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96
第3章統計97
3.1引言97
3.2用於統計的Python模塊98
3.2.1Scipy統計模塊98
3.2.2Sympy統計模塊99
3.2.3其他用於統計的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依分佈收斂104
3.3.4極限定理104
3.4大似然估計105
3.4.1設置拋硬幣試驗107
3.4.2Delta方法115
3.5假設檢驗和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檢驗統計量123
3.5.5多重假設檢驗129
3.5.6Fisher精確檢驗129
3.6置信區間131
3.7線性回歸134
3.7.1擴展至多個協變量141
3.8大後驗概率145
3.9魯棒統計150
3.10自助法155
3.10.1參數化自助法159
3.11高斯馬爾可夫模型160
3.12非參數方法162
3.12.1核密度估計162
3.12.2核平滑164
3.12.3非參數回歸估計169
3.12.4近鄰回歸169
3.12.5核回歸173
3.12.6維數災難174
3.12.7非參數檢驗176
3.13生存分析181
參考文獻187
第4章機器學習188
4.1引言188
4.2Python機器學習模塊188
4.3學習理論192
4.3.1機器學習理論概述194
4.3.2泛化理論198
4.3.3泛化/近似複雜度示例199
4.3.4交叉驗證204
4.3.5偏差和方差208
4.3.6學習噪聲211
4.4決策樹213
4.4.1隨機森林219
4.4.2提升樹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244
4.9降維248
4.9.1獨立成分分析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深度學習262
4.12.1TensorFlow概述270
4.12.2梯度下降275
4.12.3基於捲積神經網絡的圖像
處理286
參考文獻301
