导航
下一节
上一节
|
科学 Python 讲座
»
3.
包和应用程序
编辑
改善此页面:
在 Github 上编辑。
3.
包和应用程序
¶
科学 Python 讲座
的这一部分专门介绍各种有用的科学软件包，以满足扩展需求。
3.1. Python 中的统计
3.1.1. 数据表示和交互
3.1.1.1. 数据作为表格
3.1.1.2. pandas 数据框
3.1.2. 假设检验：比较两组
3.1.2.1. 学生 t 检验：最简单的统计检验
3.1.2.2. 配对检验：对同一组个体进行重复测量
3.1.3. 线性模型、多因素和方差分析
3.1.3.1. 在 Python 中使用“公式”指定统计模型
3.1.3.2. 多元回归：包含多个因素
3.1.3.3. 事后假设检验：方差分析 (ANOVA)
3.1.4. 更多可视化：seaborn 用于统计探索
3.1.4.1. Pairplot：散点矩阵
3.1.4.2. lmplot：绘制单变量回归
3.1.5. 检验交互作用
3.1.6. 图表完整代码
3.1.7. 本章练习的解答
3.2. Sympy：Python 中的符号数学
3.2.1. SymPy 入门
3.2.1.1. 使用 SymPy 作为计算器
3.2.1.2. 符号
3.2.2. 代数运算
3.2.2.1. 展开
3.2.2.2. 简化
3.2.3. 微积分
3.2.3.1. 极限
3.2.3.2. 微分
3.2.3.3. 级数展开
3.2.3.4. 积分
3.2.4. 方程求解
3.2.5. 线性代数
3.2.5.1. 矩阵
3.2.5.2. 微分方程
3.3.
scikit-image
：图像处理
3.3.1. 简介和概念
3.3.1.1.
scikit-image
和科学 Python 生态系统
3.3.1.2. scikit-image 中包含的内容
3.3.2. 导入
3.3.3. 示例数据
3.3.4. 输入/输出、数据类型和色彩空间
3.3.4.1. 数据类型
3.3.4.2. 色彩空间
3.3.5. 图像预处理/增强
3.3.5.1. 局部滤波器
3.3.5.2. 非局部滤波器
3.3.5.3. 数学形态学
3.3.6. 图像分割
3.3.6.1. 二值分割：前景 + 背景
3.3.6.2. 基于标记的方法
3.3.7. 测量区域属性
3.3.8. 数据可视化和交互
3.3.9. 用于计算机视觉的特征提取
3.3.10. 完整代码示例
3.3.11. scikit-image 章节的示例
3.4. scikit-learn：Python 中的机器学习
3.4.1. 简介：问题设置
3.4.1.1. 什么是机器学习？
3.4.1.2. scikit-learn 中的数据
3.4.2. 使用 scikit-learn 的机器学习基本原理
3.4.2.1. 介绍 scikit-learn 估计器对象
3.4.2.2. 监督学习：分类和回归
3.4.2.3. Scikit-learn 估计器接口回顾
3.4.2.4. 正则化：它是什 么以及为什么需要它
3.4.3. 监督学习：手写数字分类
3.4.3.1. 数据的性质
3.4.3.2. 在其主成分上可视化数据
3.4.3.3. 高斯朴素贝叶斯分类
3.4.3.4. 性能的定量测量
3.4.4. 监督学习：房屋数据回归
3.4.4.1. 快速浏览数据
3.4.4.2. 预测房价：简单线性回归
3.4.5. 衡量预测性能
3.4.5.1. 对 K 近邻分类器的快速测试
3.4.5.2. 正确的方法：使用验证集
3.4.5.3. 通过验证进行模型选择
3.4.5.4. 交叉验证
3.4.5.5. 使用交叉验证进行超参数优化
3.4.6. 无监督学习：降维和可视化
3.4.6.1. 降维：PCA
3.4.6.2. 使用非线性嵌入进行可视化：tSNE
3.4.7. 参数选择、验证和测试
3.4.7.1. 超参数、过拟合和欠拟合
3.4.7.2. 可视化偏差/方差权衡
3.4.7.3. 模型选择的总结
3.4.7.4. 最后一点注意事项：分离验证集和测试集
3.4.8. scikit-learn 章节的示例
上一主题
2.8.
与 C 接口
下一主题
3.1.
Python 中的统计
本页
显示源代码
快速搜索
导航
下一节
上一节
|
科学 Python 讲座
»
3.
包和应用程序
编辑
改善此页面:
在 Github 上编辑。