91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
Python數(shù)據(jù)科學手冊（第2版）
Python數(shù)據(jù)科學手冊（第2版）
Jake VanderPlas 著
陶俊杰, 陳小莉 譯
出版時間：2025年03月
頁數(shù)：483
“第2版全新升級，書中提供了大量清晰且易于實踐的示例，助你迅速掌握并高效應(yīng)用核心的數(shù)據(jù)科學與機器學習工具。”
——Anne Bonner
Content Simplicity創(chuàng)始人兼首席執(zhí)行官
因強大的數(shù)據(jù)存儲、處理及數(shù)據(jù)分析與建模能力，Python已成為開發(fā)者與研究者的首選工具。這得益于其豐富的庫生態(tài)，覆蓋從數(shù)據(jù)存儲、處理到分析與建模的全流程工具：IPython、NumPy、pandas、Matplotlib、scikit-learn等。市面上關(guān)于它們的資源多如牛毛，但本書獨具特色，系統(tǒng)、全面地整合了這些強大的工具，真正為大家提供全方位的一站式解決方案。
本書被譽為Python數(shù)據(jù)分析與數(shù)據(jù)科學領(lǐng)域的“權(quán)威指南”，內(nèi)容系統(tǒng)全面，講解深入淺出。同時，本書的實用性極強，只需熟悉Python編程，你便可以通過學習本書輕松解決數(shù)據(jù)科學中的常見難題：數(shù)據(jù)的操作、轉(zhuǎn)換與清洗，不同類型的數(shù)據(jù)的可視化，以及基于數(shù)據(jù)構(gòu)建統(tǒng)計模型或機器學習模型。
通過本書，你將深入掌握以下內(nèi)容。
● IPython與Jupyter：提供強大的交互式計算環(huán)境。
● NumPy：利用ndarray實現(xiàn)稠密數(shù)據(jù)數(shù)組的高效存儲與運算。
● pandas：通過DataFrame高效存儲和操作帶標簽的數(shù)據(jù)/列式數(shù)據(jù)。
● Matplotlib：支持多樣化、靈活的數(shù)據(jù)可視化需求。
● scikit-learn：高效、簡潔地實現(xiàn)核心機器學習算法。
  1. 對本書的贊譽
  2. 譯者序
  3. 前言
  4. 第一部分 Jupyter：超越 Python
  5. 第1章 lPython和Jupyter入門
  6. 1.1 啟動IPython shell.
  7. 1.2 啟動Jupyter Notebook
  8. 1.3 IPython的幫助和文檔
  9. 1.3.1 用符號?獲取文檔
  10. 1.3.2 用符號??獲取源代碼
  11. 1.3.3 用Tab補全的方式探索模塊
  12. 1.4 IPython shell中的快捷鍵
  13. 1.4.1 導航快捷鍵
  14. 1.4.2 文本輸入快捷鍵
  15. 1.4.3 命令歷史快捷鍵
  16. 1.4.4 其他快捷鍵
  17. 第2章 增強的交互功能
  18. 2.1 IPython魔法命令
  19. 2.1.1 執(zhí)行外部代碼：%run
  20. 2.1.2 計算代碼運行時間：%timeit
  21. 2.1.3 魔法函數(shù)的幫助：?、%magic和%lsmagic
  22. 2.2 輸入和輸出歷史
  23. 2.2.1 IPvthon的輸入和輸出對象
  24. 2.2.2 下劃線快捷鍵和以前的輸出
  25. 2.2.3 禁止輸出
  26. 2.2.4 相關(guān)的魔法命令
  27. 2.3 IPython和shell命令
  28. 2.3.1 shell快速入門
  29. 2.3.2 IPython中的shell命令
  30. 2.3.3 在shell中傳入或傳出值
  31. 2.3.4 與shell相關(guān)的魔法命令
  32. 第3章 調(diào)試及性能分析
  33. 3.1 錯誤和調(diào)試
  34. 3.1.1 控制異常：%xmode
  35. 3.1.2 調(diào)試:當閱讀軌跡追溯不足以解決問題時
  36. 3.2 代碼性能與耗時分析
  37. 3.2.1 代碼段計時：%timeit和%time
  38. 3.2.2 對整個腳本進行性能分析：%prun
  39. 3.2.3 用%lprun進行逐行性能分析
  40. 3.2.4 用%emit和%prun進行內(nèi)存分析
  41. 3.3 IPython參考資料
  42. 3.3.1 網(wǎng)絡(luò)資源
  43. 3.3.2 相關(guān)圖書
  44. 第二部分　 NumPy入門
  45. 第4章 理解Python中的數(shù)據(jù)類型
  46. 4.1 Python整型不僅僅是一個整型
  47. 4.2 Python列表不僅僅是一個列表
  48. 4.3 Python中的固定類型數(shù)組
  49. 4.4 從Python列表創(chuàng)建數(shù)組
  50. 4.5 從頭創(chuàng)建數(shù)組
  51. 4.6 NumPy標準數(shù)據(jù)類型
  52. 第5章 NumPy數(shù)組基礎(chǔ)
  53. 5.1 NumPy數(shù)組的屬性
  54. 5.2 數(shù)組索引：獲取單個元素
  55. 5.3 數(shù)組切片：獲取子數(shù)組
  56. 5.3.1 一維子數(shù)組
  57. 5.3.2 多維子數(shù)組
  58. 5.3.3 非副本視圖的子數(shù)組
  59. 5.3.4 創(chuàng)建數(shù)組的副本
  60. 5.4 數(shù)組的變形
  61. 5.5 數(shù)組拼接和拆分
  62. 5.5.1 數(shù)組的拼接
  63. 5.5.2 數(shù)組的拆分
  64. 第6章 NumPy數(shù)組的計算：通用函數(shù)
  65. 6.1 緩慢的循環(huán)
  66. 6.2 通用函數(shù)介紹
  67. 6.3 探索NumPy的通用函數(shù)
  68. 6.3.1 數(shù)組的運算
  69. 6.3.2 絕對值
  70. 6.3.3 三角函數(shù)
  71. 6.3.4 指數(shù)和對數(shù)
  72. 6.3.5 專業(yè)的通用函數(shù)
  73. 6.4 高級的通用函數(shù)特性
  74. 6.4.1 指定輸出
  75. 6.4.2 聚合
  76. 6.4.3 外積
  77. 6.5 通用函數(shù)：更多的信息
  78. 第7章 聚合：最小值、最大值和其他值
  79. 7.1 數(shù)組值求和
  80. 7.2 最小值和最大值
  81. 7.2.1 多維度聚合
  82. 7.2.2 其他聚合函數(shù)
  83. 7.3 示例：美國總統(tǒng)的平均身高是多少
  84. 第8章 數(shù)組的計算：廣播
  85. 8.1 廣播的介紹
  86. 8.2 廣播的規(guī)則
  87. 8.2.1 廣播示例1
  88. 8.2.2 廣播示例2
  89. 8.2.3 廣播示例3
  90. 8.3 廣播的實際應(yīng)用
  91. 8.3.1 數(shù)組的歸一化
  92. 8.3.2 畫一個二維函數(shù)
  93. 第9章 比較、掩碼和布爾邏輯
  94. 9.1 示例：統(tǒng)計下雨天數(shù)
  95. 9.2　將比較運算符看作通用函數(shù)
  96. 9.3 操作布爾數(shù)組
  97. 9.3.1 統(tǒng)計記錄的個數(shù)
  98. 9.3.2 布爾運算符
  99. 9.4 將布爾數(shù)組作為掩碼
  100. 9.5 使用關(guān)鍵字and/or與邏輯操作運算符&/|
  101. 第10章 花式索引
  102. 10.1 探索花式索引
  103. 10.2 組合索引
  104. 10.3 示例：選擇隨機點
  105. 10.4 用花式索引修改值
  106. 10.5 示例：數(shù)據(jù)區(qū)間劃分
  107. 第11章 數(shù)組排序
  108. 11.1 NumPy中的快速排序：np．sort和np．a(chǎn)rgsort
  109. 11.2 沿著行或列排序
  110. 11.3 部分排序：分區(qū)
  111. 11.4 示例：k個最近鄰
  112. 第12章 結(jié)構(gòu)化數(shù)據(jù)：NumPy的結(jié)構(gòu)化數(shù)組
  113. 12.1 生成結(jié)構(gòu)化數(shù)組
  114. 12.2 更高級的復合數(shù)據(jù)類型
  115. 12.3 記錄數(shù)組：結(jié)構(gòu)化數(shù)組的扭轉(zhuǎn)
  116. 12.4 關(guān)于pandas
  117. 第三部分　pandas數(shù)據(jù)處理
  118. 第13章 pandas對象簡介
  119. 13.1 pandas的Series對象
  120. 13.1.1 Serise是通用的NumPy數(shù)組
  121. 13.1.2 Series是特殊的字典
  122. 13.1.3 創(chuàng)建Series對象
  123. 13.2 pandas的DataFrame對象
  124. 13.2.1 DataFrame是通用的NumPy數(shù)組
  125. 13.2.2 DataFrame是特殊的字典
  126. 13.2.3 創(chuàng)建DataFrame對象
  127. 13.3 pandas的Index對象
  128. 13.3.1 將Index看作不可變數(shù)組
  129. 13.3.2 將Index看作有序集合
  130. 第14章 數(shù)據(jù)取值與選擇
  131. 14.1 Series數(shù)據(jù)選擇方法
  132. 14.1.1 將Series看作字典
  133. 14.1.2 將Series看作一維數(shù)組
  134. 14.1.3 索引器：loc和iloc
  135. 14.2 DataFrame數(shù)據(jù)選擇方法
  136. 14.2.1 將DataFrame看作字典
  137. 14.2.2 將DataFrame看作二維數(shù)組
  138. 14.2.3 其他取值方法
  139. 第15章 pandas數(shù)值運算方法
  140. 15.1 通用函數(shù)：保留索引
  141. 15.2 通用函數(shù)：索引對齊
  142. 15.2.1 Series索引對齊
  143. 15.2.2 DataFrame索引對齊
  144. 15.3 通用函數(shù)：DataFrame與Series的運算
  145. 第16章 處理缺失值
  146. 16.1 處理缺失值的方法選擇
  147. 16.2 pandas的缺失值
  148. 16.2.1 None作為哨兵值
  149. 16.2.2 NaN：數(shù)值類型的缺失值
  150. 16.2.3 pandas中NaN與None的差異
  151. 16.3 pandas可空類型
  152. 16.4 處理缺失值
  153. 16.4.1 發(fā)現(xiàn)缺失值
  154. 16.4.2 剔除缺失值
  155. 16.4.3 填充缺失值
  156. 第17章 分層索引
  157. 17.1 多級索引Series
  158. 17.1.1 笨辦法
  159. 17.1.2 好辦法：pandas多級索引
  160. 17.1.3 高維數(shù)據(jù)的多級索引
  161. 17.2 多級索引的創(chuàng)建方法
  162. 17.2.1 顯式地創(chuàng)建多級索引
  163. 17.2.2 多級索引的級別名稱
  164. 17.2.3 多級列索引
  165. 17.3 多級索引的取值與切片
  166. 17.3.1 Series多級索引
  167. 17.3.2 DataFrame多級索引
  168. 17.4 多級索引行列轉(zhuǎn)換
  169. 17.4.1 有序的索引和無序的索引
  170. 17.4.2 索引stack與unstack
  171. 17.4.3 索引的設(shè)置與重置
  172. 第18章 合并數(shù)據(jù)集：concat與append操作
  173. 18.1 知識回顧：NumPy數(shù)組的合并
  174. 18.2 通過pd.concat實現(xiàn)簡單合并
  175. 18.2.1 索引重復
  176. 18.2.2 類似join的合并
  177. 18.2.3 append方法
  178. 第19章 合并數(shù)據(jù)集：合并與連接
  179. 19.1 關(guān)系代數(shù)
  180. 19.2 數(shù)據(jù)連接的類型
  181. 19.2.1 一對一連接
  182. 19.2.2 多對一連接
  183. 19.2.3 多對多連接
  184. 19.3 設(shè)置數(shù)據(jù)合并的鍵
  185. 19.3.1　參數(shù)on的用法
  186. 19.3.2 left_on與right_on參數(shù)
  187. 19.3.3 left_index與right_index參數(shù)
  188. 19.4 設(shè)置數(shù)據(jù)連接的集合操作規(guī)則
  189. 19.5 重復列名：suffixes參數(shù)
  190. 19.6 案例：美國各州的統(tǒng)計數(shù)據(jù)
  191. 第20章 聚合與分組
  192. 20.1 行星數(shù)據(jù)
  193. 20.2 pandas的簡單聚合功能
  194. 20.3 groupby：分割、應(yīng)用和組合
  195. 20.3.1 分割、應(yīng)用和組合
  196. 20.3.2 GroupBy對象
  197. 20.3.3 聚合、過濾、轉(zhuǎn)換和應(yīng)用
  198. 20.3.4 設(shè)置分割的鍵
  199. 第21章 數(shù)據(jù)透視表
  200. 21.1 演示數(shù)據(jù)透視表
  201. 21.2 手工制作數(shù)據(jù)透視表
  202. 21.3 數(shù)據(jù)透視表語法
  203. 21.3.1 多級數(shù)據(jù)透視表
  204. 21.3.2 其他數(shù)據(jù)透視表選項
  205. 21.4 案例：美國人的生日
  206. 第22章 向量化字符串操作
  207. 22.1 pandas字符串操作簡介
  208. 22.2 pandas字符串方法列表
  209. 22.2.1 與Python字符串方法相似的方法
  210. 22.2.2 使用正則表達式的方法
  211. 22.2.3 其他字符串方法
  212. 22.3 案例：食譜數(shù)據(jù)庫
  213. 22.3.1 制作簡單的美食推薦系統(tǒng)
  214. 22.3.2 繼續(xù)完善美食推薦系統(tǒng)
  215. 第23章 處理時間序列
  216. 23.1 Python的日期與時間工具
  217. 23.1.1 Python的原生日期與時間工具：datetime與dateutil
  218. 23.1.2 時間類型數(shù)組：NumPy的datetime64類型
  219. 23.1.3 pandas的日期與時間工具：理想與現(xiàn)實的最佳解決方案
  220. 23.2 pandas時間序列：用時間作索引
  221. 23.3 pandas時間序列數(shù)據(jù)結(jié)構(gòu)
  222. 23.4 有規(guī)律的時間序列：pd.date_range
  223. 23.5 時間頻率與偏移量
  224. 23.6 重采樣、移位和窗口
  225. 23.6.1 重采樣與頻率轉(zhuǎn)換
  226. 23.6.2 時間移位
  227. 23.6.3 滾動窗口
  228. 23.7 案例：美國西雅圖自行車統(tǒng)計數(shù)據(jù)的可視化
  229. 23.7.1 數(shù)據(jù)可視化
  230. 23.7.2 深入挖掘數(shù)據(jù)
  231. 第24章 高性能pandas：eval與query
  232. 24.1 query與eval的設(shè)計動機：復合表達式
  233. 24.2 用pandas.eval實現(xiàn)高性能運算
  234. 24.3 用DataFrame.eval實現(xiàn)列間運算
  235. 24.3.1 用DataFrame.eval新增列
  236. 24.3.2 DataFrame.eval使用局部變量
  237. 24.4 DataFrame.query方法
  238. 24.5 性能決定使用時機
  239. 24.6 參考資料
  240. 第四部分　Matplotlib數(shù)據(jù)可視化
  241. 第25章 Matplotlib常用技巧
  242. 25.1 導入Matplotlib
  243. 25.2 設(shè)置繪圖樣式
  244. 25.3 用不用show？如何顯示圖形
  245. 25.3.1 在腳本中畫圖
  246. 25.3.2 在IPython shell中畫圖
  247. 25.3.3 在Jupyter Notebook中畫圖
  248. 25.3.4 將圖形保存為文件
  249. 25.3.5 兩種畫圖接口
  250. 第26章 簡單線形圖
  251. 26.1 調(diào)整圖形：線條的顏色與風格
  252. 26.2 調(diào)整圖形：坐標軸上下限
  253. 26.3 設(shè)置圖形標簽
  254. 26.4 Matplotlib陷阱
  255. 第27章 簡單散點圖
  256. 27.1 用plt.plot畫散點圖
  257. 27.2 用plt.scatter畫散點圖
  258. 27.3 plot與scatter：效率對比
  259. 27.4 可視化誤差
  260. 27.4.1 基本誤差線
  261. 27.4.2 連續(xù)誤差
  262. 第28章 密度圖與等高線圖
  263. 28.1 三維函數(shù)的可視化
  264. 28.2 頻次直方圖、數(shù)據(jù)區(qū)間劃分和分布密度
  265. 28.3 二維頻次直方圖與數(shù)據(jù)區(qū)間劃分
  266. 28.3.1 plt.hist2d：二維頻次直方圖
  267. 28.3.2 plt.hexbin：六邊形區(qū)間劃分
  268. 28.3.3 核密度估計
  269. 第29章 配置圖例
  270. 29.1 選擇圖例顯示的元素
  271. 29.2 在圖例中顯示不同尺寸的點
  272. 29.3 同時顯示多個圖例
  273. 第30章 配置顏色條
  274. 30.1 配置顏色條
  275. 30.1.1 選擇配色方案
  276. 30.1.2 顏色條刻度的限制與擴展功能的設(shè)置
  277. 30.1.3 離散型顏色條
  278. 30.2 案例：手寫數(shù)字
  279. 第31章 多子圖
  280. 31.1 plt.axes：手動創(chuàng)建子圖
  281. 31.2 plt.subplot：簡單網(wǎng)格子圖
  282. 31.3 plt.subplots：用一行代碼創(chuàng)建網(wǎng)格
  283. 31.4 plt.GridSpec：實現(xiàn)更復雜的排列方式
  284. 第32章　文字與注釋
  285. 32.1 案例：節(jié)假日對美國出生率的影響
  286. 32.2 坐標變換與文字位置
  287. 32.3 箭頭與注釋
  288. 第33章 自定義坐標軸刻度
  289. 33.1 主要刻度與次要刻度
  290. 33.2 隱藏刻度與標簽
  291. 33.3 增減刻度數(shù)量
  292. 33.4 花哨的刻度格式
  293. 33.5 格式生成器與定位器小結(jié)
  294. 第34章 Matplotlib自定義：配置文件與樣式表
  295. 34.1 手動配置圖形
  296. 34.2 修改默認配置：rcParams
  297. 34.3 樣式表
  298. 34.3.1 默認風格
  299. 34.3.2 FiveThirtyEight風格
  300. 34.3.3 ggplot風格
  301. 34.3.4 bmh風格
  302. 34.3.5 黑色背景風格
  303. 34.3.6 灰度風格
  304. 34.3.7 Seaborn風格
  305. 第35章 用Matplotlib畫三維圖
  306. 35.1 三維數(shù)據(jù)點與線
  307. 35.2 三維等高線圖
  308. 35.3 線框圖和曲面圖
  309. 35.4 曲面三角剖分
  310. 35.5 案例：默比烏斯帶
  311. 第36章 用Seaborn做數(shù)據(jù)可視化
  312. 36.1 Seaborn圖形介紹
  313. 36.1.1 頻次直方圖、KDE和密度圖
  314. 36.1.2 成對圖
  315. 36.1.3 分面頻次直方圖
  316. 36.2 分類圖
  317. 36.2.1 聯(lián)合分布
  318. 36.2.2 條形圖
  319. 36.3 案例：探索馬拉松比賽成績數(shù)據(jù)
  320. 36.4 參考資料
  321. 36.5 其他Python畫圖程序庫
  322. 第五部分　機器學習
  323. 第37章 什么是機器學習
  324. 37.1 機器學習的分類
  325. 37.2 機器學習應(yīng)用的定性示例
  326. 37.2.1 分類：預(yù)測離散標簽
  327. 37.2.2 回歸：預(yù)測連續(xù)標簽
  328. 37.2.3 聚類：為無標簽數(shù)據(jù)添加標簽
  329. 37.2.4 降維：推斷無標簽數(shù)據(jù)的結(jié)構(gòu)
  330. 37.3 小結(jié)
  331. 第38章 scikit-learn簡介
  332. 38.1 scikit-learn的數(shù)據(jù)表示
  333. 38.1.1 特征矩陣
  334. 38.1.2 目標數(shù)組
  335. 38.2 scikit-learn的估計器API
  336. 38.2.1 API基礎(chǔ)知識
  337. 38.2.2 監(jiān)督學習示例：簡單線性回歸
  338. 38.2.3 監(jiān)督學習示例：鳶尾花數(shù)據(jù)分類
  339. 38.2.4 無監(jiān)督學習示例：鳶尾花數(shù)據(jù)降維
  340. 38.2.5 無監(jiān)督學習示例：鳶尾花數(shù)據(jù)聚類
  341. 38.3 應(yīng)用：手寫數(shù)字探索
  342. 38.3.1 加載并可視化手寫數(shù)字
  343. 38.3.2 無監(jiān)督學習：降維
  344. 38.3.3 數(shù)字分類
  345. 38.4 小結(jié)
  346. 第39章 超參數(shù)與模型驗證
  347. 39.1 模型驗證
  348. 39.1.1 錯誤的模型驗證方法
  349. 39.1.2 正確的模型驗證方法：留出集
  350. 39.1.3 交叉驗證
  351. 39.2 選擇最優(yōu)模型
  352. 39.2.1 偏差與方差的均衡
  353. 39.2.2 scikit-learn驗證曲線
  354. 39.3 學習曲線
  355. 39.4 驗證實踐：網(wǎng)格搜索
  356. 39.5 小結(jié)
  357. 第40章 特征工程
  358. 40.1 分類特征
  359. 40.2 文本特征
  360. 40.3 圖像特征
  361. 40.4 衍生特征
  362. 40.5 缺失值插補
  363. 40.6 特征管道
  364. 第41章 專題：樸素貝葉斯分類
  365. 41.1 貝葉斯分類
  366. 41.2 高斯樸素貝葉斯
  367. 41.3 多項式樸素貝葉斯
  368. 41.4 樸素貝葉斯的應(yīng)用場景
  369. 第42章 專題：線性回歸
  370. 42.1 簡單線性回歸
  371. 42.2 基函數(shù)回歸
  372. 42.2.1 多項式基函數(shù)
  373. 42.2.2 高斯基函數(shù)
  374. 42.3 正則化
  375. 42.3.1 嶺回歸（L2范數(shù)正則化）
  376. 42.3.2 Lasso回歸（L1范數(shù)正則化）
  377. 42.4 案例：預(yù)測自行車流量
  378. 第43章 專題：支持向量機
  379. 43.1 支持向量機的由來
  380. 43.2 支持向量機：間隔最大化
  381. 43.2.1 擬合支持向量機
  382. 43.2.2 超越線性邊界：核函數(shù)SVM模型
  383. 43.2.3 SVM優(yōu)化：軟化間隔
  384. 43.3 案例：人臉識別
  385. 43.4 小結(jié)
  386. 第44章 專題：決策樹與隨機森林
  387. 44.1 隨機森林的基礎(chǔ)：決策樹
  388. 44.1.1 創(chuàng)建一棵決策樹
  389. 44.1.2 決策樹與過擬合
  390. 44.2 估計器集成算法：隨機森林
  391. 44.3 隨機森林回歸
  392. 44.4 案例：用隨機森林識別手寫數(shù)字
  393. 44.5 小結(jié)
  394. 第45章 專題：主成分分析
  395. 45.1 PCA簡介
  396. 45.1.1 用PCA降維
  397. 45.1.2 用PCA做數(shù)據(jù)可視化：手寫數(shù)字
  398. 45.1.3 成分的含義
  399. 45.1.4 選擇成分的數(shù)量
  400. 45.2 用PCA做噪聲過濾
  401. 45.3 案例：特征臉
  402. 45.4 小結(jié)
  403. 第46章 專題：流形學習
  404. 46.1 流形學習：“HELLO”
  405. 46.1.1 多維標度法（MDS）
  406. 46.1.2 將MDS用于流形學習
  407. 46.2 非線性嵌入：當MDS失敗時
  408. 46.3 非線性流形：局部線性嵌入
  409. 46.4 關(guān)于流形方法的一些思考
  410. 46.5 示例：用Isomap處理人臉數(shù)據(jù)
  411. 46.6 示例：手寫數(shù)字的可視化結(jié)構(gòu)
  412. 第47章 專題：k-means聚類
  413. 47.1 k-means簡介
  414. 47.2 k-means算法：期望最大化
  415. 47.3 案例
  416. 47.3.1 案例1：用k-means算法處理手寫數(shù)字
  417. 47.3.2 案例2：將k-means用于色彩壓縮
  418. 第48章 專題：高斯混合模型
  419. 48.1 高斯混合模型誕生的原因：k-means算法的缺陷
  420. 48.2 廣義E-M：高斯混合模型
  421. 48.3 選擇協(xié)方差的類型
  422. 48.4 將GMM用作密度估計器
  423. 48.5 示例：用GMM生成新的數(shù)據(jù)
  424. 第49章 專題：核密度估計
  425. 49.1 KDE的由來：直方圖
  426. 49.2 核密度估計的實際應(yīng)用
  427. 49.3 通過交叉驗證選擇帶寬
  428. 49.4 示例：不是很樸素的貝葉斯
  429. 49.4.1 解析自定義估計器
  430. 49.4.2 使用自定義估計器
  431. 第50章 應(yīng)用：人臉識別管道
  432. 50.1 HOG特征
  433. 50.2 HOG實戰(zhàn)：一個簡單的人臉識別器
  434. 50.2.1 獲取一組正訓練樣本
  435. 50.2.2 獲取一組負訓練樣本
  436. 50.2.3 組合數(shù)據(jù)集并提取HOG特征
  437. 50.2.4 訓練一個支持向量機
  438. 50.2.5 在新圖像中尋找人臉
  439. 50.3 注意事項與改進方案
  440. 50.4 機器學習參考資料
書名：Python數(shù)據(jù)科學手冊（第2版）
作者：Jake VanderPlas 著
譯者：陶俊杰, 陳小莉 譯
國內(nèi)出版社：人民郵電出版社
出版時間：2025年03月
頁數(shù)：483
書號：978-7-115-66266-8
原版書書名：Python Data Science Handbook,2e
原版書出版商：O'Reilly Media
Jake VanderPlas
 
Jake VanderPlas是Google研究院（Google Research）的一名軟件工程師，從事支持數(shù)據(jù)密集型研究的相關(guān)工具開發(fā)。他創(chuàng)建并開發(fā)了各種用于數(shù)據(jù)密集型科學的Python工具， 包括Scikit-Learn、SciPy、Astropy、Altair、JAX等軟件包。
 
 
本書封面上的動物是一種名為墨西哥毒蜥（珠毒蜥，Heloderahorridum）的爬行動物，主要棲息于墨西哥和危地馬拉的部分地區(qū)。heloderma 在希臘語中意為“布滿顆粒的皮膚”指的是這種蜥蜴特有的念珠紋理的皮膚。這些小凸起被稱為骨鱗片（osteoderm），內(nèi)嵌著骨片，為蜥蜴提供了像甲胄一樣的保護。
墨西哥毒蜥的身體覆蓋著醒目的黑黃相間的斑點和條紋。它頭部寬大，尾部粗壯，尾內(nèi)脂肪豐富，這種獨特的生理結(jié)構(gòu)使其在酷熱的夏季休眠期間得以生存。這種蜥蜴的體長通常在 22至36 英寸（約55至91厘米）之間，體重約為1.8磅（約0.8千克）。與許多蛇和蜥蜴一樣，墨西哥毒蜥靈敏的舌頭是其探索世界的主要工具。它會不斷地伸出舌頭，以捕捉空氣中的氣味分子，從而偵測到獵物的存在，或在交配季節(jié)尋找潛在伴侶。
墨西哥毒蜥和它的近親吉拉毒蜥（Gila monster）是世界上僅存的兩種有毒蜥蜴。當受到敵人威脅時，墨西哥毒蜥會將其咬住并不斷咀嚼，因為它無法一次性釋放大量的毒素，只能通過咀嚼動作將毒素滲透到敵人的傷口中。雖然這種咬傷和毒液引起的后續(xù)反應(yīng)非常痛苦，但是很少會對人類造成致命傷害。墨西哥毒蜥的毒液中含有某種化合物，已被合成用干治療糖尿病，進一步的藥理學研究還在進行中。由于棲息地的消失、作為寵物而被捕獵，以及當?shù)厝艘驗楹ε露稓⒌仍?，墨西哥毒蜥瀕臨滅絕。目前，它受到它的棲息地墨西哥和危地馬拉兩國法律的保護。
購買選項
定價：139.80元
書號：978-7-115-66266-8
出版社：人民郵電出版社