精通数据科学：从线性回归到深度学习

目 录 版权信息 内容提要 序一 序二 序三 前言 资源与支持 第1章 数据科学概述 1.1 挑战 1.1.1 工程实现的挑战 1.1.2 模型搭建的挑战 1.2 机器学习 1.2.1 机器学习与传统编程 1.2.2 监督式学习和非监督式学习 1.3 统计模型 1.4 关于本书 第2章 Python安装指南与简介：告别空谈 2.1 Python简介 2.1.1 什么是Python 2.1.2 Python在数据科学中的地位 2.1.3 不可能绕过的第三方库 2.2 Python安装 2.2.1 Windows下的安装 2.2.2 Mac下的安装 2.2.3 Linux下的安装 2.3 Python上手实践 2.3.1 Python shell 2.3.2 第一个Python程序：Word Count 2.3.3 Python编程基础 2.3.4 Python的工程结构 2.4 本章小结 第3章 数学基础：恼人但又不可或缺的知识 3.1 矩阵和向量空间 3.1.1 标量、向量与矩阵 3.1.2 特殊矩阵 3.1.3 矩阵运算 3.1.4 代码实现 3.1.5 向量空间 3.2 概率：量化随机 3.2.1 定义概率：事件和概率空间 3.2.2 条件概率：信息的价值 3.2.3 随机变量：两种不同的随机 3.2.4 正态分布：殊途同归 3.2.5 P-value：自信的猜测 3.3 微积分 3.3.1 导数和积分：位置、速度 3.3.2 极限：变化的终点 3.3.3 复合函数：链式法则 3.3.4 多元函数：偏导数 3.3.5 极值与最值：最优选择 3.4 本章小结 第4章 线性回归：模型之母 4.1 一个简单的例子 4.1.1 从机器学习的角度看这个问题 4.1.2 从统计学的角度看这个问题 4.2 上手实践：模型实现 4.2.1 机器学习代码实现 4.2.2 统计方法代码实现 4.3 模型陷阱 4.3.1 过度拟合：模型越复杂越好吗 4.3.2 模型幻觉之统计学方案：假设检验 4.3.3 模型幻觉之机器学习方案：惩罚项[24] 4.3.4 比较两种方案 4.4 模型持久化 4.4.1 模型的生命周期 4.4.2 保存模型 4.5 本章小结 第5章 逻辑回归：隐藏因子 5.1 二元分类问题：是与否 5.1.1 线性回归：为何失效 5.1.2 窗口效应：看不见的才是关键 5.1.3 逻辑分布：胜者生存 5.1.4 参数估计之似然函数：统计学角度 5.1.5 参数估计之损失函数：机器学习角度 5.1.6 参数估计之最终预测：从概率到选择 5.1.7 空间变换：非线性到线性 5.2 上手实践：模型实现 5.2.1 初步分析数据：直观印象 5.2.2 搭建模型 ......