多角度探索Python数值

多角度

Python数值算法片段

介绍了编程工具和数值方法，目的是通过使用数值方法和 Python 编程语言开发良好的计算问题解决技巧 。第一部分介绍基本的编程概念，使用简单的示例快速将新概念付诸实践。 第二部分涵盖了算法和数值分析的基础知识，使学生能够在实际环境中快速应用结果。

Python数据挖掘和解析算法

数据挖掘，或解析数据以提取有用的见解，是一项可以改变您作为数据科学家职业生涯的小众技能 Python 是一种灵活的编程语言，配备了一套强大的库和工具包，并为您提供了完美的平台 筛选您的数据并挖掘您寻求的见解。 本学习旨在让您熟悉 Python 库以及熟悉数据挖掘所需的基础统计数据。您将学习如何使用 Python 的流行库 Pandas 来分析不同类型的数据，并利用 Matplotlib 的强大功能为您获得的见解生成吸引人且令人印象深刻的可视化。 您还将探索不同的机器学习技术和统计数据，使您能够构建强大的预测模型。

您将学到：

• 从统计学到机器学习
• 基于树的机器学习模型
• K-最近邻和朴素贝叶斯
• 无监督学习
• 强化学习
• 绘图
• 可视化在线数据
• 可视化多元数据
• 添加交互性和动画图
• 选择数据子集
• 布尔索引
• 索引对齐
• 聚合、过滤和转换分分组
• 数据重组为整洁的形式
• 组合Pandas对象

Python物理数值解析

将惯用的 Python 编程、基础数值方法和物理应用程序结合在一起。解释了物理学中所有常用的数值方法，包括有关线性代数、微分方程、求根、插值和积分等主题的基础技术。伴随数学推导的是 Python 中数十种数值方法的完整实现，以及 250 多个章末问题。主要是为学习计算物理学的学生编写的，在详细了解该主题中常用的数值方法之前，它可以让非专业人士快速掌握 Python。

您将学到：

• 惯用Python
• 数字
• 衍生物
• 矩阵
• 根
• 近似
• 积分
• 微分方程

Python有限元编程

基于流行的 FEniCS 软件库对 Python 中的有限元编程进行了简洁而温和的介绍。 使用一系列示例，包括泊松方程、线性弹性方程、不可压缩 Navier-Stokes 方程和非线性对流-扩散-反应方程组，它指导读者完成在 FEniCS 中快速求解偏微分方程的基本步骤， 例如如何定义有限变分问题，如何设置边界条件，如何求解线性和非线性系统，以及如何可视化解决方案和构建有限元 Python 程序。

您将学到：

• 基础知识：求解泊松方程
• 有限元求解器库
• 子域和边界条件
• 拓展：改进泊松求解器

Python强化学习

强化学习 (RL) 是人工智能领域的下一个重大飞跃，因为它是无监督、优化和快速的。 Python 强化学习项目在富有洞察力的项目的帮助下，带您了解强化学习的各个方面和方法。您将了解强化学习的核心概念，例如 Q 学习、马尔可夫模型、蒙特卡洛过程和深度强化学习。 在您通读本书的过程中，您将从事具有各种数据集的项目，包括数值、文本、视频和音频，并将获得游戏、图像处理、音频处理和推荐系统项目方面的经验。 您将探索 TensorFlow 和 OpenAI Gym，以实现可以玩 Atari 游戏的深度学习 RL 代理。 除此之外，您将学习如何通过为不同类型的游戏构建代理来调整和配置 RL 算法和参数。 您将掌握构建自学习模型，这些模型不仅可以揭示数据层，还可以推理和做出决策。

您将学到：

• 训练和评估使用 TensorFlow 为 RL 构建的神经网络
• 在 Python 和 TensorFlow 中使用 RL 算法解决 CartPole 平衡
• 创建深度强化学习算法来玩 Atari 游戏
• 使用 OpenAI Universe 部署 RL 算法
• 开发与人类聊天的代理
• 为连续控制实现基本的actor-critic算法
• 将先进的深度强化学习算法应用于 Minecraft 等游戏
• 使用 RL 自动生成图像分类器

Python金融分析

使用 Python 理解、设计和实现金融领域最先进的数学和统计应用程序。您将了解成功进行研究和建模、改进交易策略和有效管理风险所需的所有工具。 您将探索用于解决金融领域常见复杂问题的各种工具和技术。您将学习如何使用计算方法为股票、期权、利率衍生品和期货等金融工具定价。 此外，您将学习如何对市场指数执行数据分析并使用 NoSQL 存储报价数据。

您将学到：

• 使用 IPython Notebook 执行交互式计算
• 求解金融模型的线性方程并执行普通最小二乘回归
• 使用求根算法和求解器探索最佳点的非线性建模和解决方案
• 发现定价选项中使用的不同类型的数值程序
• 使用债券和利率模拟固定收益工具
• 使用 NoSQL 管理大数据并使用 Hadoop 执行分析
• 用Python搭建高频算法交易平台
• 创建事件驱动的回测工具并衡量您的策略

Python转移学习

通过使用 Python 生态系统将监督学习、无监督学习和强化学习提升到一个新的水平来简化深度学习。迁移学习是一种机器学习 (ML) 技术，其中在训练一组问题期间获得的知识可用于解决其他类似问题。首先，我们专注于深度学习 (DL) 和迁移学习的详细报道，通过易于理解的概念和示例对两者进行比较和对比。 第二个重点领域是使用 TensorFlow、Keras 和 Python 生态系统的实际示例和研究问题以及动手示例。从 ML 和 DL 的关键基本概念开始，然后描述和涵盖了重要的 DL 架构，例如卷积神经网络 (CNN)、深度神经网络 (DNN)、循环神经网络 (RNN)、长短期记忆 (LSTM) 和胶囊网络。 然后，我们的重点转移到迁移学习概念上，例如模型冻结、微调、预训练模型（包括 VGG、inception、ResNet），以及这些系统如何通过实际示例比 DL 模型表现得更好。 在最后几章中，我们将重点关注与计算机视觉、音频分析和自然语言处理 (NLP) 等领域相关的大量真实案例研究和问题。

您将学到：

• 使用图形处理单元 (GPU) 和云支持设置您自己的 DL 环境
• 使用 ML 和 DL 模型深入研究迁移学习原理
• 探索各种深度学习架构，包括 CNN、LSTM 和胶囊网络
• 了解数据和网络表示和损失函数
• 掌握迁移学习中的模型和策略
• 从头开始构建复杂的迁移学习模型
• 探索与计算机视觉和音频分析相关的现实世界研究问题
• 了解如何在 NLP 中利用迁移学习

Python经典科学计算

使用 Python 通过久经考验的场景、练习和算法提高您的计算机科学问题解决技能。 您将解决许多编码挑战，从简单的任务（如二分搜索算法）到使用 k 均值对数据进行聚类。

您就学到：

• 斐波那契数列
• 普通压缩
• 牢不可破的加密
• 计算圆周率
• 河内的塔
• DNA搜索
• 解谜
• 传教士和食人族
• 构建约束满足问题框架
• 澳大利亚地图着色问题
• 八皇后问题
• 词搜索
• 电路板布局
• 作为图表的地图
• 构建图框架
• 寻找最短路径
• 最小化构建网络的成本
• 在加权图中寻找最短路径
• 生物背景
• 通用遗传算法
• 优化列表压缩
• 遗传算法的挑战
• k-means聚类算法
• 按年龄和经度聚类州长
• 按长度聚类 Michael Jackson 专辑
• K-means 聚类问题和扩展
• 生物学基础
• 人工神经网络
• 建立网络
• 分类问题
• 加速神经网络
• 神经网络问题和扩展
• 对抗性搜索

Python人工智能算法示例

此学习路径是您快速掌握流行机器学习算法的完整指南。 您将了解监督、无监督和半监督机器学习中使用最广泛的算法，并学习如何以最佳方式使用它们。 从贝叶斯模型到 MCMC 算法再到隐马尔可夫模型，此学习路径将教您如何从数据集中提取特征并使用基于 Python 的库进行降维。您将使用 TensorFlow 和 Keras 构建深度学习模型，使用迁移学习、生成对抗网络和深度强化学习等概念。 接下来，您将学习 TensorFlow1.x 的高级功能，例如具有 TF 集群的分布式 TensorFlow、使用 TensorFlow Serving 部署生产模型。 您将实施与对象分类、对象检测、图像分割等相关的不同技术。

您将学到：

• 探索如何训练、优化和评估机器学习模型
• 使用自动编码器和生成对抗网络
• 探索最重要的强化学习技术
• 构建端到端深度学习（CNN、RNN 和自动编码器）模型

Python集成学习分析

集成是一种将两个或多个相似或不同的机器学习算法结合起来，以创建一个具有卓越预测能力的模型的技术。 本书将演示如何使用各种弱算法来构建强预测模型。凭借其动手实践的方法，您不仅可以快速掌握基本理论，还可以了解不同集成学习技术的应用。 使用示例和真实世界的数据集，您将能够生成更好的机器学习模型来解决监督学习问题，例如分类和回归。 除此之外，您将继续利用集成学习技术（例如聚类）来生成无监督机器学习模型。 随着您的进步，这些章节将涵盖在实际世界中广泛用于进行预测和分类的不同机器学习算法。 您甚至会掌握使用 Python 库（例如 scikit-learn 和 Keras）来实现不同的集成模型。

您将学到：

• 实现集成方法以生成高精度模型
• 克服偏置和方差等挑战
• 探索机器学习算法以评估模型性能
• 了解如何构建、评估和应用集成模型
• 使用 Keras 为 MovieLens 数据集构建神经网络集成

硬件处理数值

• Raspberry Pi机器学习

  探索机器学习数据模型；深度学习ANN演示；CNN演示；使用ANN和CNN预测；使用带有 CNN 的图像进行医学诊断预测；强化学习

• Arduino实践更优PID控制

• Raspberry Pi声学分析水量

• Raspberry Pi和Python校准惯性测量单元-陀螺仪-加速度计-磁力计

视频演绎

• Python数值计算
• Python线性回归机器学习
• Python数据结构和算法
• Python线性回归和逻辑回归
• Python贝叶斯方法
• Python快速数值计算

详情参阅http://viadean.com/hex_python_num.html