![](/c49/32/10032773449213.jpg)
出版社:人民郵電出版社 ISBN:9787115560285 商品編碼:10032773449213 出版時間:2021-06-15 頁數:396 字數:374000 審圖號:9787115560285 代碼:79 作者:馬場真哉
"
商品參數
用Python動手學統計學 定價 79.80 出版社 人民郵電出版社 出版時間 2021年06月 作者 [日]馬場真哉 頁數 396 字數 374000 ISBN編碼 9787115560285
內容介紹
《用Python動手學統計學》是面向零基礎讀者的統計學入門書,對同一個知識點分別使用文字、公式和Python 示例代碼加以講解,循序漸進地介紹了統計學和Python 的基礎知識、使用Python 進行統計分析的方法、正態線性模型和廣義線性模型等統計模型,以及機器學習等。通過閱讀本書,讀者不僅可以通過書中例子深刻理解統計學術語、統計分析方法和預測方法等,還可以學到十分前沿的機器學習知識,以及如何使用Python 實現數據可視化和建模等。 《用Python動手學統計學》結構清晰、直觀易懂,適合統計學和Python初學者以及對數據科學和機器學習感興趣的讀者使用,也可作為高等院校計算機、統計等專業學生的入門書。
作者介紹
[日]馬場真哉(作者) 出生於日本神戶市,畢業於北海道大學。經常在個人網站Logics of Blue分享統計學、數據分析與編程知識。著有《決策分析和預測的活用:從基礎理論懂啊Python實現》《R語言編程和數據分析》《基於貝葉斯統計建模的數據分析入門:使用R和Stan》等。 吳昊天(譯者) 2017年畢業於同濟大學,研究方向是車載軟件。目前在汽車行業從事代碼遷移工作,業餘參與一些遊戲軟件的國際化工作。
目錄
第 1章統計學基礎? 1.1統計學 2? 1.1.1統計學的目標①:描述現有數據 2? 1.1.2統計學的目標②:估計未知數據 3? 1.1.3術語樣本與總體 3? 1.1.41.2節及之後的內容 4? 1.2獲取樣本的過程 5? 1.2.1術語隨機變量 5? 1.2.2湖中釣魚的例子 5? 1.2.3從總體中獲取樣本的過程 6? 1.2.4術語樣本值 7? 1.2.5術語抽樣 7? 1.2.6術語簡單隨機抽樣 7? 1.2.7術語樣本容量 7? 1.2.8術語普查與抽樣調查 8? 1.3抽樣過程的抽像描述 9? 1.3.1符號概率 9? 1.3.2術語概率分布 9? 1.3.3術語服從概率分布 10? 1.3.4術語總體分布 10? 1.3.5作為抽樣過程的總體分布 10? 1.3.6無限總體的含義與總體分布 11? 1.3.7總結:抽樣過程 12? 1.3.8補充甕模型 13? 1.4描述統計基礎 14? 1.4.1術語定量變量 14? 1.4.2術語離散變量與連續變量 14? 1.4.3術語分類變量 15? 1.4.4術語組、組中值 15? 1.4.5術語頻數、頻數分布、頻率 15? 1.4.6術語累積頻數、累積頻率 16? 1.4.7術語直方圖 17? 1.4.8術語統計量 19? 1.4.9術語均值 19? 1.4.10術語期望值 20? 1.4.11術語方差 21? 1.4.12補充均值、方差與數據範圍 21? 1.5總體分布的推斷 23? 1.5.1總體分布與總體的頻率分布 23? 1.5.2更現實一些的湖中釣魚 24? 1.5.3做假設 24? 1.6概率質量函數與概率密度函數 27? 1.6.1術語概率質量函數 27? 1.6.2術語概率密度 27? 1.6.3補充積分與加法的關繫 28? 1.6.4術語概率密度函數 28? 1.6.5術語正態分布 29? 1.6.6術語參數(概率分布的參數) 30? 1.6.7補充各種各樣的概率分布 30? 1.6.8推斷總體分布 =確定分布 +估計參數 31? 1.6.9把樣本的統計量看作參數的估計值 32? 1.6.10補充估計誤差 32? 1.6.11總結:統計學基礎 33? 1.7統計量的計算 35? 1.7.1為什麼要使用數學式 35? 1.7.2符號樣本 35? 1.7.3符號均值 36? 1.7.4符號期望值 36? 1.7.5術語總體均值與樣本均值 37? 1.7.6符號樣本方差 37? 1.7.7術語無偏方差 38? 1.7.8為什麼樣本方差會偏離 38? 1.7.9術語標準差 39? 1.8概率論基礎 41? 1.8.1術語集合 41? 1.8.2素 41? 1.8.3集合的兩種表示方法 42? 1.8.4術語子集 42? 1.8.5術語維恩圖 43? 1.8.6術語交集與並集 43? 1.8.7術語差集 44? 1.8.8術語空集 44? 1. 8. 9 術語 全集 44? 1.8.10術語補集 45? 1.8.11術語樣本點、樣本空間、事件 45? 1.8.12術語互斥事件 46? 1.8.13通過擲骰子可以聯想到的各種概率分布 47? 1.8.14概率的公理化定義 47? 1.8.15用頻率解釋概率 48? 1.8.16主觀概率 48? 1.8.17術語概率的加法公式 49? 1.8.18術語條件概率 49? 1.8.19術語概率的乘法公式 50? 1.8.20術語獨立事件 50? 1.9隨機變量與概率分布 51? 1.9.1隨機變量與樣本值 51? 1.9.2離散型概率分布與概率質量函數 52? 1.9.3概率密度 52? 1.9.4連續型概率分布與概率密度函數 53? 1.9.5概率的總和與概率密度的積分 53? 1.9.6補充積分與面積的關繫 54? 1.9.7正態分布的概率密度函數 56? 1.9.8符號服從概率分布 56? 1.9.9獨立同分布 57? 1.9.10使用正態分布的概率密度函數計算概率的方法 57? 1.9.11使用概率密度計算期望值的方法 57? 第 2章Python與 Jupyter Notebook基礎 59? 2.1環境搭建 60? 2.1.1什麼是 Python 60? 2.1.2Python的版本 60? 2.1.3Python與 Anaconda 60? 2.1.4Jupyter Notebook 61? 2.1.5下載和安裝 61? 2.1.6補充Python編程術語 61? 2.2認識 Jupyter Notebook 63? 2.2.1啟動 Jupyter Notebook 63? 2.2.2創建新文件 64? 2.2.3執行代碼 65? 2.2.4保存執行結果 65? 2.2.5Markdown的用法 65? 2.2.6退出 Jupyter Notebook 66? 2.3Python編程基礎 67? 2.3.1實現四則運算 67? 2.3.2實現編寫注釋 68? 2.3.3實現數據類型 69? 2.3.4實現比較運算符 70? 2.3.5實現變量 71? 2.3.6實現函數 71? 2.3.7實現類與實例 73? 2.3.8實現基於 if語句的程序分支 75? 2.3.9實現基於 for語句的循環 76? 2.3.10編寫易用程序的竅門 77? 2.4認識 numpy與 pandas 78? 2.4.1導入用於分析的功能 78? 2.4.2numpy與 pandas 79? 2.4.3實現列表 79? 2.4.4術語行與列 79? 2.4.5實現數組 81? 2.4.6實現生成等差數列的方法 82? 2.4.7實現多種生成數組的方式 83? 2.4.8實現切片 84? 2.4.9實現數據幀 85? 2.4.10實現讀取文件中的數據 87? 2.4.11實現連接數據幀 87? 2.4.12實現數據幀的列操作 88? 2.4.13實現數據幀的行操作 90? 2.4.14補充序列 91? 2.4.15補充函數文檔 92? 第3 章使用Python 進行數據分析 95? 3. 1使用Python 進行描述統計:單變量 96? 3 .1 .1統計分析與scipy 96? 3 .1. 2單變量數據的操作 96? 3 .1. 3 實現 總和與樣本容量 97? 3. 1 .4 實現 均值(期望值) 98? 3. 1. 5 實現 樣本方差 98? 3. 1. 6 實現 無偏方差 100? 3 .1. 7 實現 標準差 101? 3. 1. 8 補充 標準化 101? 3. 1. 9 補充 其他統計量 103? 3 .1. 10 實現 scipy.stats 與四分位數 104? 3.2使用 Python進行描述統計:多變量 106? 3.2.1術語整潔數據 106? 3.2.2術語雜亂數據 107? 3.2.3術語列聯表(交叉分類表) 108? 3.2.4多變量數據的管理 109? 3.2.5實現求各分組的統計量 110? 3.2.6實現列聯表 111? 3.2.7術語協方差 112? 3.2.8術語協方差矩陣 114? 3.2.9實現協方差 114? 3.2.10實現協方差矩陣 115? 3.2.11術語皮爾遜積矩相關繫數 116? 3.2.12術語相關矩陣 116? 3.2.13實現皮爾遜積矩相關繫數 117? 3.2.14補充相關繫數無效的情況 118? 3.3基於 matplotlib、seaborn的數據可視化 119? 3.3.1Python中的數據可視化 119? 3.3.2實現數據可視化的環境準備 119? 3.3.3實現用 pyplot繪制折線圖 120? 3.3.4實現用 seaborn和 pyplot繪制折線圖 121? 3.3.5實現用 seaborn繪制直方圖 122? 3.3.6實現通過核密度估計將直方圖平滑化 123? 3.3.7實現兩個變量的直方圖 125? 3.3.8將多變量可視化的代碼 127? 3.3.9實現箱形圖 128? 3.3.10實現小提琴圖 129? 3.3.11實現條形圖 130? 3.3.12實現散點圖 131? 3.3.13實現散點圖矩陣 132? 3.4用 Python模擬抽樣 135? 3.4.1環境準備 135? 3.4.2抽樣過程 136? 3.4.3在隻有 5條魚的湖中抽樣 136? 3.4.4術語隨機數 138? 3.4.5術語放回抽樣、不放回抽樣 138? 3.4.6從魚較多的湖中抽樣 139? 3.4.7總體分布 140? 3.4.8對比總體分布和正態分布的概率密度函數 141? 3.4.9抽樣過程的抽像描述 143? 3.4.10補充有限總體校正 144? 3.4.11補充假設總體服從正態分布是否恰當 145? 3.5樣本統計量的性質 146? 3.5.1術語試驗 146? 3.5.2術語樣本分布 146? 3.5.3導入所需的庫 147? 3.5.4多次計算樣本均值 148? 3.5.5樣本均值的均值與總體均值相近 149? 3.5.6樣本容量越大,樣本均值越接近總體均值 150? 3.5.7定義用來計算樣本均值的函數 152? 3.5.8不同樣本容量所得的樣本均值的分布 153? 3.5.9樣本均值的標準差小於總體標準差 154? 3.5.10術語標準誤差 156? 3.5.11標準誤差的直觀解釋 158? 3.5.12樣本方差的均值偏離總體方差 158? 3.5.13采用無偏方差消除偏離 159? 3.5.14樣本容量越大,其無偏方差越接近總體方差 160? 3.5.15術語無偏性 161? 3.5.16術語一致性 161? 3.5.17較好的參數估計量 162? 3.5.18補充大數定律 162? 3.5.19補充中心極限定理 162? 3.6正態分布及其應用 165? 3.6.1導入函數庫 165? 3.6.2實現概率密度 166? 3.6.3樣本小於等於某值的比例 168? 3.6.4術語累積分布函數 168? 3.6.5實現累積分布函數 169? 3.6.6術語左側概率與百分位數 170? 3.6.7實現百分位數 170? 3.6.8術語標準正態分布 171? 3.6.9術語t值 171? 3.6.10t值的樣本分布 172? 3.6.11術語t分布 174? 3.6.12實現t分布 175? 3.7參數估計 177? 3.7.1本節任務 177? 3.7.2環境準備 177? 3.7.3術語點估計 178? 3.7.4實現點估計 179? 3.7.5術語區間估計 179? 3.7.6術語置信水平、置信區間 180? 3.7.7術語置信界限 180? 3.7.8置信區間的計算 180? 3.7.9實現區間估計 180? 3.7.10補充置信區間的求解細節 181? 3.7.11決定置信區間大小的因素 183? 3.7.12區間估計結果的解讀 184? 3.8假設檢驗 187? 3.8.1術語假設檢驗 187? 3.8.2單樣本 t檢驗 187? 3.8.3顯著性差異 188? 3.8.4t檢驗的直觀解釋 188? 3.8.5均值差異大不代表存在顯著性差異 189? 3.8.6t值 189? 3.8.7假設檢驗的結構:零假設與備擇假設 190? 3.8.8術語p值 191? 3.8.9術語顯著性水平 191? 3.8.10t檢驗與 t分布的關繫 191? 3.8.11術語單側檢驗與雙側檢驗 192? 3.8.12p值的計算 192? 3.8.13t檢驗的實現:環境準備 193? 3.8.14t檢驗的實現:計算 t值 194? 3.8.15t檢驗的實現:計算 p值 195? 3.8.16通過模擬實驗計算 p值 196? 3.9均值差的檢驗 198? 3.9.1雙樣本 t檢驗 198? 3.9.2配對樣本 t檢驗 198? 3.9.3環境準備 199? 3.9.4實現配對樣本 t檢驗 200? 3.9.5獨立樣本 t檢驗 201? 3.9.6實現獨立樣本 t檢驗 202? 3.9.7補充獨立樣本 t檢驗(同方差) 203? 3.9.8補充p值操縱 203? 3.10列聯表檢驗 205? 3.10.1使用列聯表的好處 205? 3.10.2本節例題 206? 3.10.3計算期望頻數 207? 3.10.4計算觀測頻數和期望頻數的差 208? 3.10.5實現計算 p值 209? 3.10.6實現列聯表檢驗 209? 3.11檢驗結果的解讀 211? 3.11.1p值小於 0.05時的表述方法 211? 3.11.2p值大於 0.05時的表述方法 211? 3.11.3關於假設檢驗的常見誤區 212? 3.11.4p值小不代表差異大 212? 3.11.5p值大於 0.05不代表沒有差異 213? 3.11.6術語第 一類錯誤與*二類錯誤 213? 3.11.7術語假設檢驗的非對稱性 213? 3.11.8在檢驗之前確定顯著性水平 214? 3.11.9補充統計模型的選擇 214? 3.11.10假設檢驗有什麼用 214? 3.11.11假設是否正確 215? 第 4章統計模型基礎 217? 4.1統計模型 218? 4.1.1術語模型 218? 4.1.2術語建模 218? 4.1.3模型有什麼用 218? 4.1.4簡化復雜的世界 219? 4.1.5從某個角度觀察復雜的現像 219? 4.1.6術語數學模型 220? 4.1.7術語概率模型 220? 4.1.8術語統計模型 221? 4.1.9概率分布與統計模型 221? 4.1.10基於統計模型的預測 222? 4.1.11統計模型與經典數據分析的對比 222? 4.1.12統計模型應用 223? 4.2建模方法 224? 4.2.1本節例題 224? 4.2.2術語響應變量和解釋變量 224? 4.2.3術語參數模型 224? 4.2.4術語非參數模型 224? 4.2.5術語線性模型 224? 4.2.6術語繫數與權重 226? 4.2.7建模 = 模型選擇 + 參數估計 227? 4.2.8線性模型的建模方法 227? 4.2.9術語變量選擇 228? 4.2.10術語空模型 228? 4.2.11通過假設檢驗選擇變量 229? 4.2.12通過信息量準則選擇變量 229? 4.2.13模型評估 230? 4.2.14補充在建模之前確定分析目的 230? 4.3數據表示與模型名稱 231? 4.3.1術語正態線性模型 231? 4.3.2術語回歸分析(經典術語) 231? 4.3.3術回歸分析(經典術語) 232? 4.3.4術語方差分析(經典術語) 232? 4.3.5術語廣義線性模型 232? 4.3.6補充機器學習中的叫法 232? 4.4參數估計:*大似然估計 234? 4.4.1為什麼要學習參數估計 234? 4.4.2術語似然 234? 4.4.3術語似然函數 235? 4.4.4術語對數似然 235? 4.4.5術語對數的性質 235? 4.4.6術語*大似然法 238? 4.4.7術語*大似然估計量 238? 4.4.8術語*大對數似然 239? 4.4.9服從正態分布的數據的似然 239? 4.4.10術語多餘參數 239? 4.4.11正態線性模型的似然 240? 4.4.12補充*大似然法計算舉例 241? 4.4.13補充*大似然估計量的性質 243? 4.5參數估計:*小化損失 244? 4.5.1術語損失函數 244? 4.5.2術語殘差 244? 4.5.3為什麼不把殘差之和作為損失指標 245? 4.5.4術語殘差平方和 246? 4.5.5術語*小二乘法 247? 4.5.6補充*小二乘法與*大似然法的關繫 247? 4.5.7術語誤差函數 248? 4.5.8多種損失函數 248? 4.6預測精度的評估與變量選擇 249? 4.6.1術語擬合精度與預測精度 249? 4.6.2術語過擬合 249? 4.6.3變量選擇的意義 250? 4.6.4術語泛化誤差 250? 4.6.5術語訓練集與測試集 250? 4.6.6術語交叉驗證 250? 4.6.7術語赤池信息量準則 251? 4.6.8術語相對熵 252? 4.6.9*小化相對熵與平均對數似然 252? 4.6.10AIC與平均對數似然中的偏離 253? 4.6.11AIC與交叉驗證 254? 4.6.12使用 AIC進行變量選擇 254? 4.6.13用變量選擇代替假設檢驗 254? 4.6.14使用假設檢驗還是 AIC 255? 第 5章正態線性模型 257? 5.1含有單個連續型解釋變量的模回歸) 258? 5.1.1環境準備 258? 5.1.2實現讀入數據並繪制其圖形 259? 5.1.3建模 260? 5.1.4實現使用 statsmodels實現模型化 261? 5.1.5實現打印估計結果並檢驗繫數 261? 5.1.6關於 summary函數的輸出的說明 263? 5.1.7實現使用 AIC進行模型選擇 264? 5.1.8術語回歸直線 266? 5.1.9實現用 seaborn繪制回歸直線 266? 5.1.10實現使用模型進行預測 267? 5.1.11實現獲取殘差 269? 5.1.12術語決定繫數 270? 5.1.13實現決定繫數 270? 5.1.14術語修正決定繫數 272? 5.1.15實現修正決定繫數 272? 5.1.16實現殘差的直方圖和散點圖 273? 5.1.17術語分位圖 274? 5.1.18實現分位圖 275? 5.1.19根據 summary函數的輸出分析殘差 277? 5.2方差分析 279? 5.2.1本節例題 279? 5.2.2什麼時候應該使用方差分析 279? 5.2.3術語多重假設檢驗 280? 5.2.4方差分析的直觀理解:F比 280? 5.2.5顯著性差異與小提琴圖 281? 5.2.6方差分析的直觀理解:分離效應和誤差 283? 5.2.7術語組間差異與組內差異 283? 5.2.8環境準備 284? 5.2.9生成數據並可視化 284? 5.2.10實現方差分析①:計算組間偏差平方和與組內偏差平方和 286? 5.2.11實現方差分析②:計算組間方差與組內方差 287? 5.2.12實現方差分析③:計算 p值 288? 5.2.13解釋變量為分類變量的正態線性模型 289? 5.2.14術語虛擬變量 289? 5.2.15實現statsmodels中的方差分析 290? 5.2.16術語方差分析表 290? 5.2.17模型繫數的含義 290? 5.2.18使用模型分離效應和誤差 291? 5.2.19回歸模型中的方差分析 292? 5.3含有多個解釋變量的模型 295? 5.3.1環境準備 295? 5.3.2實現數據可視化 296? 5.3.3錯誤的分析:建立隻有 1個變量的模型 297? 5.3.4分析解釋變量之間的關繫 299? 5.3.5實現多解釋變量的模型 301? 5.3.6錯誤的分析:使用普通方差分析 301? 5.3.7實現回歸繫數的 t檢驗 303? 5.3.8術語Type II ANOVA 304? 5.3.9模型選擇與方差分析 304? 5.3.10Type II ANOVA與調整平方和 307? 5.3.11實現Type II ANOVA 308? 5.3.12Type II ANOVA的含義 310? 5.3.13實現變量選擇與模型選擇 310? 5.3.14使用 AIC進行變量選擇 311? 5.3.15補充多重共線性 312? 第 6章廣義線性模型 313? 6.1各種概率分布 314? 6.1.1術語二值隨機變量 314? 6.1.2術語伯努利試驗 314? 6.1.3術語成功概率 315? 6.1.4術語伯努利分布 315? 6.1.5術語二項分布 315? 6.1.6二項分布的應用 316? 6.1.7二項分布的概率質量函數 316? 6.1.8環境準備 317? 6.1.9實現二項分布 318? 6.1.10術語泊松分布 319? 6.1.11泊松分布的應用 319? 6.1.12泊松分布的概率質量函數 320? 6.1.13補充二項分布與泊松分布的關繫 320? 6.1.14實現泊松分布 320? 6.1.15補充其他概率分布 323? 6.1.16補充指數分布族 323? 6.2廣義線性模型基礎 325? 6.2.1廣義線性模型的組成 325? 6.2.2概率分布 326? 6.2.3術語線性預測算子 326? 6.2.4術語聯繫函數 326? 6.2.5聯繫函數與概率分布的關繫 327? 6.2.6廣義線性模型的參數估計 328? 6.2.7補充廣義線性模型的檢驗方法 328? 6.3logistic回歸 329? 6.3.1術語logistic回歸 329? 6.3.2本節例題 329? 6.3.3二值分類問題 329? 6.3.4術語logit函數 330? 6.3.5術語反函數 330? 6.3.6術語logistic函數 330? 6.3.7logistic函數的性質 331? 6.3.8logistic回歸的推導 331? 6.3.9logistic回歸的似然函數 332? 6.3.10環境準備 333? 6.3.11實現讀取數據並可視化 334? 6.3.12實現logistic回歸 335? 6.3.13實現logistic 回歸的結果 336? 6.3.14實現模型選擇 337? 6.3.15實現回歸曲線 337? 6.3.16實現預測成功概率 338? 6.3.17術語優勢 339? 6.3.18術語優勢比 340? 6.3.19logistic回歸的繫數與優勢比的關繫 340? 6.4廣義線性模型的評估 342? 6.4.1環境準備 342? 6.4.2術語皮爾遜殘差 343? 6.4.3皮爾遜殘差的含義 343? 6.4.4實現皮爾遜殘差 344? 6.4.5術語模型偏差 345? 6.4.6模型偏差的含義 345? 6.4.7補充模型偏差與似然比檢驗 346? 6.4.8術語偏差殘差 346? 6.4.9實現偏差殘差 346? 6.4.10補充交叉熵誤差 347? 6.5泊松回歸 349? 6.5.1術語泊松回歸 349? 6.5.2本節例題 349? 6.5.3泊松回歸的推導 349? 6.5.4環境準備 350? 6.5.5實現泊松回歸 351? 6.5.6實現模型選擇 352? 6.5.7實現回歸曲線 352? 6.5.8回歸繫數的含義 353? 第 7章統計學與機器學習 355? 7.1機器學習基礎 356? 7.1.1術語機器學習 356? 7.1.2術語有監督學習 356? 7.1.3術語無監督學習 357? 7.1.4補充強化學習 357? 7.1.5補充規則學習 357? 7.1.6統計學與機器學習無法徹底分離 357? 7.1.7統計學注重過程,機器學習注重結果 358? 7.2正則化、Ridge回歸與 Lasso回歸 359? 7.2.1術語正則化 359? 7.2.2術語Ridge回歸 359? 7.2.3術語Lasso回歸 361? 7.2.4確定正則化強度 361? 7.2.5將解釋變量標準化 361? 7.2.6Ridge回歸與 Lasso回歸的估計結果對比 362? 7.2.7變量選擇與正則化的對比 363? 7.2.8正則化的意義 363? 7.3Python中的 Ridge回歸與 Lasso回歸 365? 7.3.1scikit.learn 365? 7.3.2環境準備 365? 7.3.3實現標準化 366? 7.3.4定義響應變量 368? 7.3.5實現普通*小二乘法 369? 7.3.6實現使用 sklearn實現線性回歸 370? 7.3.7實現Ridge回歸:懲罰指標的影響 370? 7.3.8實現Ridge回歸:確定*佳正則化強度 373? 7.3.9實現Lasso回歸:懲罰指標的影響 374? 7.3.10實現Lasso回歸:確定*佳正則化強度 376? 7.4線性模型與神經網絡 378? 7.4.1本節例題 378? 7.4.2術語輸入向量、目標向量、權重、偏置 378? 7.4.3術語單層感知機 379? 7.4.4術語激活函數 379? 7.4.5從線性模型到神經網絡 380? 7.4.6術語隱藏層 381? 7.4.7術語神經網絡 381? 7.4.8神經網絡的結構 381? 7.4.9神經網絡中的 L2正則化 382? 7.4.10環境準備 382? 7.4.11實現讀入數據並整理 383? 7.4.12實現logistic 回歸 385? 7.4.13實現標準化 387? 7.4.14實現神經網絡 388? 7.4.15線性模型與神經網絡的優點 389? 7.5擴展內容 390? 7.5.1數學原理 390? 7.5.2經典統計學 390? 7.5.3統計模型 391? 7.5.4機器學習 391? 7.5.5模型評估 392? 7.5.6數據科學 392? 參考文獻 394
在線試讀
![2020版常見問題.jpg 592979ac4dc6bdcf.jpg](https://img10.360buyimg.com/imgzone/jfs/t1/149455/15/18821/860666/60d0345fE00a2f524/592979ac4dc6bdcf.jpg)
" |