Python 統計分析：生命科學應用 (1版)

類似書籍推薦給您

【簡介】 本書以基礎的統計學知識和假設檢定為重點，簡單扼要闡述了 Python 在資料分析、視覺化和統計建模中的應用。本書主要包含了 Python 簡介、研究設計、資料管理、機率分布、不同資料類型的假設檢定、廣義線性模型、存活分析和貝氏統計等從入門到高階的內容。 本書利用 Python 這門開源語言，不僅直觀上對資料分析和統計檢定提供了很好的解說，在相關數學公式的解釋上也能夠做到深入淺出。此外，本書所述內容的可操作性很強，還提供配套的相關程式碼及資料，方便讀者動手練習。本書適合對統計學與 Python 有興趣的讀者，特別是在實驗學科中需要利用 Python 的強大功能進行資料處理和統計分析的學生及研究人員。 【目錄】 | PART 1_Python和統計學 | Chapter 1 為什麼要學統計學？ Chapter 2 Python 2.1 開始 2.2 Python 資料結構 2.3 IPython/Jupyter：一個互動式的 Python 程式設計環境 2.4 開發 Python 程式 2.5 Pandas：用於統計學的資料結構 2.6 Statsmodels：統計建模的工具 2.7 Seaborn：資料視覺化 2.8 一般慣例 2.9 練習 Chapter 3 資料輸入 3.1 從文字檔中輸入 3.2 從 MS Excel 中匯入 3.3 從其他格式匯入資料 Chapter 4 統計資料的展示 4.1 資料類型 4.2 在 Python 中繪圖 4.3 展示統計資料集 4.4 練習 | PART 2_分布和假設檢定 | Chapter 5 背景 5.1 母體與樣本 5.2 機率分布 5.3 自由度 5.4 研究設計 Chapter 6 單變數的分布 6.1 分布的特徵描述 6.2 離散分布 6.3 常態分布 6.4 來自常態分布的連續分布 6.5 其他連續分布 6.6 練習 Chapter 7 假設檢定 7.1 典型分析流程 7.2 假設概念、錯誤、p 值與樣本數 7.3 敏感性和特異性 7.4 ROC 曲線 Chapter 8 數值型資料的平均數檢定 8.1 樣本平均數的分布 8.2 兩組之間的比較 8.3 多組比較 8.4 總結：選擇正確的檢定方法進行組間比較 8.5 練習 Chapter 9 類別型資料的檢定 9.1 單一比例（one proportion） 9.2 次數表 9.3 練習 Chapter 10 存活時間分析 10.1 存活分布 10.2 存活機率 10.3 在兩組間比較存活曲線 | PART 3_統計建模 | Chapter 11 線性迴歸模型 11.1 線性相關 11.2 廣義線性迴歸模型 11.3 Patsy：公式語言 11.4 用 Python 進行線性迴歸分析 11.5 線性迴歸模型的結果 11.6 線性迴歸模型的假設 11.7 線性迴歸模型結果的解釋 11.8 Bootstrapping 11.9 練習 Chapter 12 多變量資料分析 12.1 視覺化多變量相關性 12.2 多重線性迴歸 Chapter 13 離散型資料的檢定 13.1 等級資料的組間比較 13.2 邏輯迴歸 13.3 廣義線性模型 13.4 順序邏輯迴歸 Chapter 14 貝氏統計 14.1 貝氏學派與頻率學派的解釋 14.2 電腦時代的貝氏方法 14.3 例子：用馬可夫鏈蒙地卡羅法模擬分析挑戰者號災難 14.4 總結 Appendix_附錄 A 參考解答 B 術語表 C 參考文獻

建構機器學習管道｜運用TensorFlow實現模型生命週期自動化 Building Machine Learning Pipelines (1版)

類似書籍推薦給您

內容簡介 　　「本書是一本出色的參考資料，全面介紹ML產品系統，特別關注TFX。它包含最準確的資訊，並提供清晰、簡潔的解釋案例。」 　　—Robert Crowe 　　TensorFlow Developer Advocate, Google 　　公司在機器學習專案上耗費巨資，但如果不能有效地部署模型，無疑是在浪費金錢。在本書中，Hannes Hapke和Catherine Nelson將帶領您瞭解使用TensorFlow生態系統自動化機器學習管道的步驟。您將學習到將部署時間從幾天縮短到幾分鐘的技術和工具，進而更專注新模型的開發，而不是維護舊有的系統。 　　數據科學家、機器學習工程師和DevOps工程師將發現如何超越模型開發，成功地將他們的數據科學項目產品化，而管理人員將更瞭解他們在加速這些專案項目所扮演的角色。 　　‧瞭解構建機器學習管道的步驟 　　‧使用TensorFlow Extended中的組件建構您的管道 　　‧使用Apache Beam、Apache Airflow和Kubeflow管道來協作您的機器學習管道 　　‧使用TensorFlow數據驗證和TensorFlow轉換來處理數據 　　‧使用TensorFlow模型驗證對模型進行詳細分析 　　‧檢驗模型表現的公平性和偏誤性 　　‧使用TensorFlow Serving或TensorFlow Lite為移動設備部署模型 　　‧學習隱私保護(privacy-preserving)機器學習技術 目錄 第一章 導論 第二章 TensorFlow Extended 簡介 第三章 數據擷取 第四章 數據驗證 第五章 資料預處理 第六章 模型訓練 第七章 模型分析與驗證 第八章 TensorFlow Serving 的模型部署 第九章 TensorFlow Serving 的高級模型部署 第十章 進階 TensorFlow Extended 第十一章 管道第一部分：Apache Beam 與 Apache Airflow 第十二章 管道第二部分：Kubeflow 管道 第十三章 反饋循環 第十四章 機器學習的數據隱私 第十五章 管道的未來與下一步 附錄A 機器學習基礎架構介紹 附錄B 在 Google Cloud 上設置 Kubernetes 集群 附錄C 操作 Kuberflow 管道的技巧