目 录 微 积 分 篇 第1 章 函数与极限 2 1.1 函数 ·· 2 1.1.1 函数的定义 2 1.1.2 函数的表达形式 3 1.1.3 分段函数 5 1.1.4 函数的运算 6 1.1.5 基本初等函数与初等函数 ·· 7 1.1.6 使用SymPy 进行函数运算 12 1.2 极限的概念 · 15 1.2.1 数列的极限 ·· 15 1.2.2 函数的极限 ·· 17 1.3 无穷小量和无穷大量 · 22 1.3.1 无穷小量的定义 ·· 22 1.3.2 无穷小量的性质 ·· 23 1.3.3 无穷大量 ·· 24 1.3.4 无穷小量与无穷大量的关系 · 24 1.4 极限的计算 · 25 1.4.1 极限的四则运算法则 ·· 26 1.4.2 复合函数的极限运算法则 · 28 1.4.3 使用SymPy 求极限 · 28 习题1 30 第2 章 导数 ·· 32 2.1 导数的概念 · 32 2.1.1 平均变化率 ·· 33 2.1.2 瞬时变化率 ·· 33 2.1.3 导数的定义 ·· 35 2.1.4 导数的几何意义 ·· 36 2.1.5 不可导的三种情形 ·· 37 2.2 导数的运算 · 38 2.2.1 基本导数公式 ·· 38 2.2.2 导数的四则运算法则 ·· 38 2.2.3 复合函数求导法 ·· 39 2.2.4 使用SymPy 求导数 · 41 2.3 高阶导数 · 41 2.3.1 高阶导数的定义 ·· 41 2.3.2 使用SymPy 求高阶导数 42 习题2 43 第3 章 极值与最值 ·· 44 3.1 函数的单调性 · 44 3.2 函数的极值 · 46 3.2.1 极值的定义 ·· 46 3.2.2 可能的极值点 ·· 47 3.2.3 极值的判定定理 ·· 49 3.2.4 使用SymPy 求函数的极值 50 3.3 函数的最值 · 51 习题3 52 第4 章 二元函数的导数与极值 ·· 53 4.1 二元函数的概念 · 53 4.1.1 二元函数的定义 ·· 53 4.1.2 二元函数的定义域 ·· 54 4.1.3 二元函数的几何意义 ·· 55 4.1.4 使用SymPy 求多元函数的函数值 55 4.2 二元函数的偏导数 · 56 4.2.1 偏导数的概念 ·· 56 4.2.2 偏导数的计算 ·· 56 4.2.3 偏导数的几何意义 ·· 57 4.2.4 使用SymPy 求偏导数 · 58 4.3 二元函数的极值 · 58 习题4 60 第5 章 最优化基础:梯度下降法 ·· 61 5.1 梯度的定义 · 61 5.2 梯度下降法 · 62 5.2.1 一元函数的梯度下降法 ·· 62 5.2.2 二元函数的梯度下降法 ·· 63 5.3 使用Python 实现梯度下降法求函数极值 66 习题5 67 线性代数篇 第6 章 向量与编码 ·· 70 6.1 向量的概念与运算 · 70 6.1.1 向量的概念 ·· 70 6.1.2 使用NumPy 建立向量 72 6.1.3 向量的运算 ·· 73 6.1.4 使用NumPy 实现向量的运算 74 6.2 向量的范数与相似度 · 75 6.2.1 范数的定义与NumPy 实现 75 6.2.2 向量的相似度 ·· 77 6.2.3 使用NumPy 计算向量相似性 80 6.3 向量间的线性关系 · 81 6.3.1 线性组合 ·· 81 6.3.2 线性相关与线性无关 ·· 81 6.4 实战案例:K-means 聚类算法解决鸢尾花归类问题 ·· 83 6.4.1 鸢尾花数据集Iris 83 6.4.2 K-means 聚类算法 ·· 84 6.4.3 使用K-means 聚类算法求解Iris 分类问题 ·· 85 习题6 87 第7 章 矩阵与数字图像处理 ·· 88 7.1 矩阵的基本知识 · 88 7.1.1 矩阵的概念 ·· 88 7.1.2 几种特殊矩阵 ·· 92 7.1.3 使用NumPy 建立矩阵 93 7.2 矩阵的运算 ·· 100 7.2.1 矩阵的基本运算 100 7.2.2 使用NumPy 进行矩阵运算 · 106 7.3 实战案例:矩阵在数字图像处理中的应用 ·· 109 7.3.1 图像基础 109 7.3.2 数字图像的矩阵表示 111 7.3.3 矩阵运算实现图像处理 112 7.4 矩阵的初等变换 ·· 116 7.5 阶梯形矩阵与矩阵的秩 ·· 117 7.5.1 阶梯形矩阵 117 7.5.2 矩阵的秩 119 7.5.3 使用NumPy 和SymPy 求行最简阶梯形矩阵及矩阵的秩 120 习题7 · 121 第8 章 行列式 123 8.1 行列式的概念 ·· 123 8.1.1 二阶与三阶行列式 123 8.1.2 n 阶行列式 126 8.2 方阵的行列式 ·· 128 8.3 使用NumPy 求行列式 · 129 习题8 · 130 第9 章 线性方程组 132 9.1 线性方程组的概念 ·· 132 9.2 消元法解线性方程组 ·· 133 9.3 齐次线性方程组 ·· 140 9.4 非齐次线性方程组 ·· 144 9.5 使用NumPy 和SymPy 求解线性方程组 ·· 146 9.5.1 使用numpy.linalg.solve()求解线性方程组 · 146 9.5.2 使用NumPy 和SymPy 求解一般线性方程组 147 习题9 · 148 第10 章 矩阵的特征值与特征向量 · 150 10.1 特征值与特征向量的概念 · 150 10.2 使用NumPy 求特征值与特征向量 ·· 153 习题10 ·· 153 概率统计篇 第11 章 Pandas 基础 156 11.1 建立DataFrame 对象 · 156 11.2 打开CSV 文件 ·· 158 11.3 查看DataFrame 对象的属性 · 159 11.4 选择数据 · 161 11.4.1 使用df[]运算符选择某列数据 ·· 161 11.4.2 使用df.iloc[]选择数据 164 习题11 ·· 165 第12 章 数据的整理与展示 · 167 12.1 数据的属性 · 168 12.2 数据的预处理 · 169 12.2.1 缺失值处理 · 169 12.2.2 归一化 · 171 12.2.3 规范化 · 172 12.3 数据整理与展示 · 172 12.3.1 分布数列 · 172 12.3.2 数据可视化 · 174 习题12 ·· 177 第13 章 描述统计 · 178 13.1 数据位置的描述 · 179 13.2 数据集中趋势的度量 · 179 13.3 数据离散趋势的度量 · 181 13.4 数据分布形态的度量 · 184 习题13 ·· 185 第14 章 概率的定义与运算 · 186 14.1 随机事件 · 186 14.1.1 随机现象 · 186 14.1.2 随机事件 · 187 14.1.3 样本空间 · 188 14.1.4 随机事件的关系与运算 · 188 14.1.5 使用NumPy 模拟随机事件 ·· 191 14.2 概率的定义 · 192 14.2.1 概率的统计定义 · 192 14.2.2 概率的古典定义 · 193 14.2.3 使用NumPy 模拟计算概率 ·· 195 14.3 概率的加法公式 · 197 14.3.1 互斥事件概率的加法公式 · 197 14.3.2 任意事件概率的加法公式 · 199 14.4 概率的乘法公式 · 199 14.4.1 条件概率 · 199 14.4.2 概率的乘法公式 · 202 14.4.3 独立事件的概率乘法公式 · 203 14.5 全概率公式 · 203 14.6 贝叶斯公式 · 205 习题14 ·· 206 第15 章 随机变量 · 208 15.1 随机变量的概念 · 208 15.2 离散型随机变量概率分布 · 209 15.2.1 分布列 · 209 15.2.2 两点分布 · 211 15.2.3 二项分布 · 211 15.3 连续型随机变量及其分布 · 212 15.3.1 概率密度函数 · 212 15.3.2 均匀分布 · 213 15.3.3 正态分布 · 213 15.4 使用NumPy 生成指定分布的随机数 ·· 217 习题15 ·· 219 第16 章 随机变量的数字特征 · 220 16.1 数学期望 · 221 16.1.1 离散型随机变量的数学期望 · 221 16.1.2 连续型随机变量的数学期望 · 223 16.1.3 数学期望的性质 · 223 16.1.4 使用NumPy 计算均值与期望 ·· 224 16.2 方差 · 225 16.2.1 离散型随机变量的方差 · 226 16.2.2 连续型随机变量的方差 · 226 16.2.3 方差的性质 · 227 16.2.4 使用NumPy 计算方差和标准差 ·· 228 16.3 常见分布的数学期望与方差 · 229 16.4 使用Pandas 进行描述统计 229 习题16 ·· 232 第17 章 相关分析与回归分析 · 233 17.1 散点图 · 233 17.2 相关关系 · 234 17.3 线性相关及其度量 · 235 17.4 回归分析 · 237 17.4.1 回归分析的概念 · 237 17.4.2 回归分析的分类 · 237 17.4.3 一元线性回归分析 · 238 17.4.4 多元线性回归分析 · 242 17.5 实战案例:建立线性回归模型求解波士顿房价问题 243 习题17 ·· 246 应 用 篇 第18 章 神经网络 · 248 18.1 神经元模型 · 249 18.2 神经网络结构 · 252 18.2.1 网络结构 · 252 18.2.2 前向传播 · 252 18.2.3 损失函数 · 254 18.2.4 反向传播 · 254 18.3 神经网络的数学公式推导 · 254 18.4 使用Keras 实现神经网络求解波士顿房价预测问题 · 256 习题18 ·· 258 第19 章 卷积神经网络 · 259 19.1 AlexNet 卷积神经网络简介 ·· 260 19.2 AlexNet 卷积神经网络技术详解 ·· 261 19.2.1 卷积 · 261 19.2.2 池化 · 273 19.2.3 全连接层与Dropout 技术 ·· 275 19.3 AlexNet 网络的结构分析 ·· 277 19.4 AlexNet 网络的Keras 实现 ·· 279 19.5 实战案例:使用AlexNet 求解猫狗图片分类问题 · 280 习题19 ·· 284 参考文献 286 附录A 标准正态分布函数数值表 287 |