《Python统计机器学习》以Python为工具，详细介绍了机器学习中必备的统计分析技术和数据分析基础知识。全书共分三部分，第一部分介绍了Python中的基本运算方法和概率的相关基础概念。第二部分介绍了统计分析的基础知识，内容涵盖机器学习的问题设置、定量评价各种数据分析结果的框架，并简明描述数据的主成分分析方法、统计建模的思路及假设检验的标准等统计学知识。第三部分介绍了在机器学习中的各种方法，包括回归分析、聚类分析支持向量机、稀疏学习、决策树、集成学习、高斯过程模型及密度比估计等方法，最后还特别介绍了深度学习的贝叶斯优化方法。
《Python统计机器学习》内容丰富，图文并茂，特别适合想学习数据分析、统计分析、机器学习、深度学习的人员参考学习。

金森敬文，博士（学术），东京工业大学信息理工学院教授，理化学研究所创新智能综合研究中心组长。

第一部分 基于Python的计算
第1章 Python基础
1.1 启动与加载软件包
1.2 基于Python的运算
1.3 函数与控制语句
1.4 绘图
第2章 概率的计算
2.1 概率的基本概念
2.2 样本空间和概率分布
2.3 连续随机变量和概率密度函数/分布函数
2.4 期望值和方差
2.5 分位点
2.6 多维随机变量
2.7 独立性
2.8 协方差和相关系数
2.9 条件概率和贝叶斯公式
第二部分 统计分析的基础
第3章 机器学习的问题设置
3.1 有监督学习
3.1.1 分类问题
3.1.2 回归分析
3.2 无监督学习
3.2.1 特征提取
3.2.2 分布估计
3.3 损失函数的最小化和机器学习算法
第4章 统计准确度的评估
4.1 损失函数及训练误差/测试误差
4.2 测试误差的估计：交叉验证法
4.3 ROC曲线和AUC方法
4.3.1 定义
4.3.2 AUC与测试误差
第5章 数据整理与特征提取
5.1 主成分分析
5.2 因子分析
5.3 多维尺度变换
第6章 基于统计模型的学习
6.1 统计模型
6.2 统计的估计
6.3 极大似然估计
6.4 极大似然估计量的计算方法
6.4.1 示例：均匀分布的参数估计
6.4.2 示例：统计模型的参数估计
6.5 贝叶斯估计
6.6 混合模型和EM算法
第7章 假设检验
7.1 假设检验的组成
7.2 非参数检验
7.3 方差分析
第三部分 机器学习的方法
第8章 回归分析的基础
8.1 线性回归模型
8.2 最小二乘法
8.3 稳健回归
8.4 岭回归
8.5 核回归分析
第9章 聚类分析
9.1 k均值算法
9.2 谱聚类算法
9.2.1 图切割和聚类分析
9.2.2 算法
9.3 局部保留投影算法和多维尺度变换
9.4 混合正态分布聚类分析
第10章 支持向量机
10.1 分类问题
10.2 二值分类的支持向量机
10.2.1 可线性分离数据的学习
10.2.2 线性不可分离数据和软间隔
10.3 核支持向量机
10.4 模型参数的选择
10.5 多值分类
第11章 稀疏学习
11.1 L1正则化和稀疏性
11.2 弹性网络
11.3 稀疏逻辑回归
11.4 条件独立和稀疏学习
11.5 字典学习
第12章 决策树与集成学习
12.1 决策树
12.2 套袋法
12.3 随机森林
12.4 提升法
12.4.1 算法
12.4.2 算法的导出
12.4.3 基于提升法的概率估计
第13章 高斯过程模型
13.1 贝叶斯估计和高斯过程模型
13.2 基于高斯过程模型的回归分析
13.3 高斯过程模型的分类分析
13.3.1 后验分布的近似
13.3.2 预测分布的近似
13.4 贝叶斯优化
13.4.1 贝叶斯优化和高斯过程模型
13.4.2 贝叶斯优化选择模型
第14章 密度比估计
14.1 密度比及其应用
14.2 密度比的估计
14.3 密度比估计的交叉验证法
14.4 协变量偏移下的回归分析
14.5 双样本检验
附录A 基准数据
参考文献