数据科学和机器学习

本文辑录了笔者在学习科学计算和机器学习过程中的总结，归纳，从基础数学和模型理论到实际编码和问题解决以及优化过程。它也很好的呈现了学习数据处理和机器学习从理论到解决实际问题再到依据实际情况进行优化细调的阶梯过程。

放在这里方便笔者和他人学习和参考。文档中大部分示例使用 Anaconda 集成科学计算环境，并基于 Python3.4 版本完成，当示例结果与系统平台相关时，通常会提供 Linux 和 Windows 两个版本的输出结果。

该文档还在不断增加完善中……，如果您对本文档有任何疑问，见解或者指导，请 Email 到 lli_njupt@163.com。

通过点击 在readthedocs中显示当前文档 可以浏览该文档的最新版本。

关于Python 基础学习移步这里 Python 从入门到深入 。

• 1. numpy
  • 1.1. 数组属性和类型
  • 1.2. 创建数组
  • 1.3. 索引和切片
  • 1.4. 复制和层叠
  • 1.5. 数组变形
  • 1.6. 拼接和分割
  • 1.7. 数组运算
  • 1.8. 广播和迭代
  • 1.9. 布尔数组和掩码
  • 1.10. 花式索引和组合索引
  • 1.11. 转置和滚动
  • 1.12. 数组排序
  • 1.13. 结构化数据
  • 1.14. 应用实例
• 2. pandas
  • 2.1. 基本数据结构
  • 2.2. 数据选择和扩展
  • 2.3. 数值运算
  • 2.4. 缺失值处理
  • 2.5. 数据加载
  • 2.6. 层级索引
• 3. matplotlib
  • 3.1. 基本绘图流程
  • 3.2. 绘制散点图
  • 3.3. 条形图
  • 3.4. 饼图
  • 3.5. 直方图
  • 3.6. 等高线图
  • 3.7. 三维图
  • 3.8. 子图
• 4. scipy
• 5. sympy
• 6. mahotas
  • 6.1. 区域标记
• 7. mayavi2
  • 7.1. 绘图
• 8. opencv
  • 8.1. 安装 opencv
  • 8.2. 基础操作
  • 8.3. 直方图
  • 8.4. 图像平滑
  • 8.5. 阈值化
  • 8.6. 图像切割
  • 8.7. 图像梯度
• 9. 机器学习实战
  • 9.1. 环境安装
  • 9.2. 写在前面
  • 9.3. 实战
  • 9.4. 数据处理
  • 9.5. 感知器和梯度下降
  • 9.6. 线性回归与正则化
  • 9.7. 逻辑回归
• 10. 概率与贝叶斯分类
  • 10.1. 从概率开始
  • 10.2. 朴素贝叶斯分类
  • 10.3. 邮件分类实战
• 11. 神经网络
  • 11.1. 神经网络原理
  • 11.2. 神经网络实战
  • 11.3. 反向传播理论推演
• 12. 卷积神经网络
  • 12.1. 认识卷积
  • 12.2. 图片卷积处理
  • 12.3. CNN 三要素
  • 12.4. 实现 CNN
  • 12.5. CNN 的优势
  • 12.6. 模型保存和加载
  • 12.7. 可视化工具
• 13. 深度学习笔记
  • 13.1. 基本概念
  • 13.2. 神经网络
  • 13.3. 基础数学
• 14. hadoop
  • 14.1. 安装和配置
  • 14.2. spark
• 15. 附录
  • 15.1. 参考书目
  • 15.2. 机器学习相关
  • 15.3. NLP 自然语言相关
  • 15.4. Python相关
  • 15.5. 数据相关
  • 15.6. 数学相关
  • 15.7. 图像相关
  • 15.8. 符号和表达式
  • 15.9. manim 环境配置
  • 15.10. 嵌入式相关