马羚 博士，目前任教于海军航空大学岸防兵学院，研究方向为计算机编程语言、智能优化算法、测试性设计、测试与故障诊断。

本书主要介绍概率、统计及机器学习相关概念及对应的Python实现，并讨论相关的Python编程技巧。全书共分为4章：第1章介绍Python的入门知识，主要包含Numpy、Matplotlib和Pandas三个基本库，以及Scipy与Sympy模块、编译库接口和集成开发环境等内容；第2章从几何角度来阐述概率论，将概率论与线性代数和几何中的常见概念联系起来；第3章引入Python强大的统计分析工具来介绍统计学知识；第4章利用前面介绍的概率论与统计学的知识探讨机器学习的关键思想。 新版更新了Fisher精确检验和Mann-Whitney-Wilcoxon检验，新增了生存分析以及广义线性模型，还新增了图像处理相关的深度学习内容，深入讨论支持所有深度学习算法的梯度下降方法。此外，本书提供了许多实用编程技巧，解释了科学编程和机器学习的有效Python模块和方法，有445个经过实际验证的可运行的代码块，并用158个图形（几乎都是用Python生成的）可视化地演示了代码和数学中使用的概念。 本书适合任何本科阶段接触过概率论、统计学或机器学习并掌握Python编程基础知识的读者阅读。

译者序
前言
第1版前言
符号说明
第1章 科学Python入门
1.1 安装和设置
1.2 Numpy
1.2.1 Numpy数组和内存
1.2.2 Numpy矩阵
1.2.3 Numpy广播操作
1.2.4 Numpy掩码数组
1.2.5 浮点数
1.2.6 Numpy优化简介
1.3 Matplotlib
1.3.1 Matplotlib的替代方法
1.3.2 Matplotlib的扩展
1.4 IPython
1.5 Jupyter Notebook
1.6 Scipy
1.7 Pandas
1.7.1 Series
1.7.2 DataFrame
1.8 Sympy
1.9 编译库接口
1.10 集成开发环境
1.11 性能和并行编程快速指南
1.12 其他资源
参考文献
第2章 概率
2.1 引言
2.1.1 概率密度
2.1.2 随机变量
2.1.3 连续随机变量
2.1.4 微积分以外的变量变换
2.1.5 独立随机变量
2.1.6 经典Broken Rod示例
2.2 投影法
2.2.1 加权距离
2.3 条件期望作为投影
2.3.1 附录
2.4 条件期望与均方误差
2.5 条件期望和均方误差优化示例
2.5.1 示例
2.5.2 示例
2.5.3 示例
2.5.4 示例
2.5.5 示例
2.5.6 示例
2.6 有用的分布
2.6.1 正态分布
2.6.2 多项分布
2.6.3 卡方分布
2.6.4 泊松分布和指数分布
2.6.5 伽马分布
2.6.6 贝塔分布
2.6.7 狄利克雷多项分布
2.7 信息熵
2.7.1 信息论的概念
2.7.2 信息熵的性质
2.7.3 Kullback-Leibler散度
2.7.4 交叉熵作为大似然
2.8 矩母函数
2.9 蒙特卡罗采样方法
2.9.1 离散变量逆CDF法
2.9.2 连续变量逆CDF法
2.9.3 舍选法
2.10 采样重要性重采样
2.11 实用的不等式
2.11.1 马尔可夫不等式
2.11.2 切比雪夫不等式
2.11.3 霍夫丁不等式
参考文献
第3章 统计
3.1 引言
3.2 用于统计的Python模块
3.2.1 Scipy统计模块
3.2.2 Sympy统计模块
3.2.3 其他用于统计的Python模块
3.3 收敛类型
3.3.1 几乎必然收敛
3.3.2 依概率收敛
3.3.3 依分布收敛
3.3.4 极限定理
3.4 大似然估计
3.4.1 设置抛硬币试验
3.4.2 Delta方法
3.5 假设检验和p值
3.5.1 回到抛硬币的例子
3.5.2 ROC曲线
3.5.3 p值
3.5.4 检验统计量
3.5.5 多重假设检验
3.5.6 Fisher精确检验
3.6 置信区间
3.7 线性回归
3.7.1 扩展至多个协变量
3.8 大后验概率
3.9 鲁棒统计
3.10 自助法
3.10.1 参数化自助法
3.11 高斯马尔可夫模型
3.12 非参数方法
3.12.1 核密度估计
3.12.2 核平滑
3.12.3 非参数回归估计
3.12.4 近邻回归
3.12.5 核回归
3.12.6 维数灾难
3.12.7 非参数检验
3.13 生存分析
参考文献
第4章 机器学习
4.1 引言
4.2 Python机器学习模块
4.3 学习理论
4.3.1 机器学习理论概述
4.3.2 泛化理论
4.3.3 泛化/近似复杂度示例
4.3.4 交叉验证
4.3.5 偏差和方差
4.3.6 学习噪声
4.4 决策树
4.4.1 随机森林
4.4.2 提升树
4.5 逻辑回归
4.6 广义线性模型
4.7 正则化
4.7.1 岭回归
4.7.2 套索回归
4.8 支持向量机
4.9 降维
4.9.1 独立成分分析
4.10 聚类
4.11 集成方法
4.11.1 装袋法
4.11.2 提升法
4.12 深度学习
4.12.1 TensorFlow概述
4.12.2 梯度下降
4.12.3 基于卷积神经网络的图像处理
参考文献