Python科學(xué)計(jì)算及實(shí)踐

目錄


第1章Python科學(xué)基礎(chǔ)

1.1Python初嘗

1.2輔助工具

1.3使用第三方庫(kù)

1.4縮進(jìn)

1.5內(nèi)置函數(shù)

1.6模塊

1.6.1數(shù)據(jù)結(jié)構(gòu)

1.6.2使用列表

1.6.3元組

1.6.4字典

1.7Python中的函數(shù)

1.8循環(huán)

1.9基因表達(dá)

1.10NumPy的N維數(shù)組

1.10.1N維數(shù)組代替Python列表

1.10.2向量化

1.10.3廣播

1.11標(biāo)準(zhǔn)化

1.12習(xí)題

第2章模型評(píng)估與概率統(tǒng)計(jì)

2.1經(jīng)驗(yàn)誤差與過擬合

2.2評(píng)估方法

2.2.1留出法

2.2.2交叉驗(yàn)證法

2.2.3自助法

2.2.4調(diào)參與最終模型

2.3性能度量

2.3.1錯(cuò)誤率和精度

2.3.2查準(zhǔn)率與查全率

2.3.3ROC曲線

2.3.4代價(jià)敏感錯(cuò)誤率與代價(jià)曲線

2.4比較檢驗(yàn)

2.4.1假設(shè)檢驗(yàn)

2.4.2交叉驗(yàn)證t檢驗(yàn)

2.4.3McNemar檢驗(yàn)

2.5偏差和方差

2.6習(xí)題





第3章貝葉斯分類器

3.1貝葉斯學(xué)派

3.1.1貝葉斯學(xué)派論述

3.1.2貝葉斯決策論

3.1.3貝葉斯原理

3.2參數(shù)估計(jì)

3.2.1似然函數(shù)

3.2.2極大似然估計(jì)原理

3.2.3極大似然估計(jì)(ML估計(jì))

3.2.4極大后驗(yàn)概率估計(jì)(MAP估計(jì))

3.3樸素貝葉斯

3.3.1基本框架

3.3.2樸素貝葉斯分類算法實(shí)現(xiàn)二分類

3.3.3貝葉斯算法實(shí)現(xiàn)垃圾郵件分類

3.3.4MultinomialNB的實(shí)現(xiàn)

3.3.5GaussianNB的實(shí)現(xiàn)

3.3.6MergedNB的實(shí)現(xiàn)

3.3.7BernoulliNB分類器實(shí)現(xiàn)

3.4半樸素貝葉斯

3.4.1ODE算法

3.4.2SPODE算法

3.4.3AODE算法

3.5貝葉斯網(wǎng)

3.6習(xí)題

第4章頻域與快速傅里葉變換

4.1頻率直方圖

4.2傅里葉變換

4.2.1一維傅里葉變換

4.2.2二維傅里葉變換

4.2.3Python實(shí)現(xiàn)傅里葉變換

4.3快速傅里葉變換

4.4頻域?yàn)V波

4.4.1低通濾波器

4.4.2高通濾波器

4.4.3頻率域高通濾波器

4.4.4巴特沃斯濾波器

4.5平滑空域?yàn)V波器

4.5.1基本灰度變換函數(shù)

4.5.2對(duì)數(shù)變換

4.5.3冪律(伽馬)變換

4.6線性濾波器

4.6.1均值濾波器

4.6.2非線性濾波器

4.7銳化空間濾波

4.7.1基本概述

4.7.2拉普拉斯算子

4.8習(xí)題

第5章線性回歸

5.1概述

5.2普通線性回歸

5.2.1基本概述

5.2.2Python實(shí)現(xiàn)

5.3廣義線性模型

5.4邏輯回歸

5.5嶺回歸

5.6Lasso回歸

5.7彈性網(wǎng)絡(luò)

5.8線性判別分析

5.8.1線性判別二分類情況

5.8.2線性判別多類情況

5.8.3線性判別分析實(shí)現(xiàn)

5.9習(xí)題

第6章多分類器系統(tǒng)

6.1多分類器系統(tǒng)原理及誤差

6.2Bagging與AdaBoost算法

6.2.1Bagging算法

6.2.2PAC與Boosting算法

6.2.3AdaBoost算法

6.3隨機(jī)森林算法

6.3.1決策樹

6.3.2隨機(jī)森林

6.3.3隨機(jī)森林模型的注意點(diǎn)

6.3.4隨機(jī)森林實(shí)現(xiàn)過程

6.4多分類器實(shí)戰(zhàn)

6.5習(xí)題

第7章Scipy科學(xué)計(jì)算庫(kù)

7.1文件輸入和輸出

7.2線性代數(shù)操作

7.3傅里葉變換

7.4積分

7.5插值

7.6擬合

7.6.1最小二乘擬合

7.6.2一元一階線性擬合

7.6.3一元多階線性擬合(多項(xiàng)式擬合)

7.7圖像處理

7.8邊緣檢測(cè)

7.9正交距離回歸

7.10數(shù)學(xué)形態(tài)學(xué)運(yùn)算

7.10.1二值形態(tài)學(xué)

7.10.2灰度形態(tài)學(xué)

7.10.3開運(yùn)算和閉運(yùn)算

7.11卷積運(yùn)算

7.12中值濾波器

7.13稀疏矩陣的存儲(chǔ)和表示

7.14特殊函數(shù)

7.15習(xí)題

第8章統(tǒng)計(jì)分析

8.1隨機(jī)變量

8.1.1獲取幫助

8.1.2通用方法

8.1.3縮放

8.1.4形態(tài)(shape)變量

8.1.5凍結(jié)分布

8.1.6廣播

8.1.7離散分布的特殊之處

8.1.8構(gòu)造具體的分布

8.2幾種常用分布

8.2.1正態(tài)分布

8.2.2均勻分布

8.2.3泊松分布

8.2.4二項(xiàng)式分布

8.2.5卡方分布

8.3樣本分析

8.3.1描述統(tǒng)計(jì)

8.3.2t檢驗(yàn)和KS檢驗(yàn)

8.3.3分布尾部

8.3.4正態(tài)分布的特殊檢驗(yàn)

8.3.5比較兩個(gè)樣本

8.4核密度估計(jì)

8.4.1單元估計(jì)

8.4.2多元估計(jì)

8.5習(xí)題

第9章數(shù)值分析

9.1主成分分析

9.1.1主成分分析的原理

9.1.2PCA算法

9.1.3PCA降維的兩個(gè)準(zhǔn)則

9.1.4PAC的實(shí)現(xiàn)

9.2奇異值分解

9.2.1奇異值分解的原理

9.2.2求超定方程的解

9.3k近鄰算法

9.3.1k近鄰算法概述

9.3.2可視化與距離計(jì)算

9.4聚類算法

9.4.1聚類的有效性指標(biāo)

9.4.2距離度量

9.4.3k均值聚類

9.4.4高斯混合聚類

9.4.5密度聚類

9.4.6層次聚類

9.5數(shù)據(jù)標(biāo)準(zhǔn)化

9.5.1數(shù)據(jù)標(biāo)準(zhǔn)化的兩個(gè)原因

9.5.2幾種標(biāo)準(zhǔn)化方法

9.6特征選擇

9.7習(xí)題

第10章數(shù)據(jù)可視化

10.1Matplotlib生成數(shù)據(jù)圖

10.1.1安裝Matplotlib包

10.1.2Matplotlib數(shù)據(jù)圖入門

10.1.3圖例

10.1.4坐標(biāo)軸

10.1.5多個(gè)子圖

10.2其他數(shù)據(jù)圖

10.2.1餅圖

10.2.2柱狀圖

10.2.3散點(diǎn)圖

10.2.4等高線圖

10.2.53D圖形

10.3Pygal數(shù)據(jù)圖

10.3.1安裝Pygal包

10.3.2Pygal數(shù)據(jù)圖入門

10.4Pygal常見數(shù)據(jù)圖

10.4.1折線圖

10.4.2水平折線圖

10.4.3疊加折線圖

10.4.4餅圖

10.4.5點(diǎn)圖

10.4.6儀表圖

10.4.7雷達(dá)圖

10.5習(xí)題

第11章數(shù)據(jù)處理

11.1CSV文件格式

11.2JSON數(shù)據(jù)

11.2.1JSON的基本知識(shí)

11.2.2Python的JSON支持

11.3數(shù)據(jù)清洗

11.4讀取網(wǎng)絡(luò)數(shù)據(jù)

11.5習(xí)題