3. パッケージとアプリケーション

このパートでは、 Scientific Python Lectures の一環として、拡張ニーズに役立つ様々な科学パッケージを紹介します。

• 3.1. Pythonで統計
  • 3.1.1. データ表現とインタラクション
    • 3.1.1.1. テーブルとしてのデータ
    • 3.1.1.2. pandasのデータフレーム
  • 3.1.2. 仮説検証: 2つのグループの比較
    • 3.1.2.1. Studentのt検定: 最も単純な統計検定
    • 3.1.2.2. ペアテスト: 同一個体に対する反復測定
  • 3.1.3. 線形モデル、多因子、分散分析
    • 3.1.3.1. Pythonで統計モデルを指定する "式"
    • 3.1.3.2. 重回帰: 複数の要因を含む
    • 3.1.3.3. 事後仮説検定: 分散分析 (ANOVA)
  • 3.1.4. さらなる視覚化: 統計探索のためのseaborn
    • 3.1.4.1. Pairplot: 散布行列
    • 3.1.4.2. lmplot: 単変量回帰のプロット
  • 3.1.5. 相互作用のテスト
  • 3.1.6. 画像の全コード
  • 3.1.7. この章の練習問題の解答
• 3.2. Sympy : Pythonで学ぶ数式処理
  • 3.2.1. SymPyの第一歩
    • 3.2.1.1. SymPyを電卓として使う
    • 3.2.1.2. Symbols
  • 3.2.2. Algebraic manipulations
    • 3.2.2.1. Expand
    • 3.2.2.2. Simplify
  • 3.2.3. Calculus
    • 3.2.3.1. Limits
    • 3.2.3.2. Differentiation
    • 3.2.3.3. Series expansion
    • 3.2.3.4. 積分
  • 3.2.4. Equation solving
  • 3.2.5. 線形代数
    • 3.2.5.1. Matrices
    • 3.2.5.2. 微分方程式
• 3.3. scikit-image: 画像処理
  • 3.3.1. イントロダクションとコンセプト
    • 3.3.1.1. scikit-image と科学的Pythonエコシステム
    • 3.3.1.2. scikit-imageに含まれるもの
  • 3.3.2. Importing
  • 3.3.3. データ例
  • 3.3.4. 入出力、データ型、色空間
    • 3.3.4.1. Data types
    • 3.3.4.2. Colorspaces
  • 3.3.5. 画像の前処理/改良
    • 3.3.5.1. 局所フィルター
    • 3.3.5.2. 非局所フィルター
    • 3.3.5.3. 数学的形態学
  • 3.3.6. 画像分割
    • 3.3.6.1. バイナリセグメンテーション: 前景＋背景
    • 3.3.6.2. マーカーに基づく方法
  • 3.3.7. 領域の特性を測定する
  • 3.3.8. データの可視化とインタラクション
  • 3.3.9. コンピュータビジョンのための特徴抽出
  • 3.3.10. 全コード例
  • 3.3.11. scikit-imageの章の例
• 3.4. scikit-learn: Pythonで機械学習
  • 3.4.1. はじめに: 問題設定
    • 3.4.1.1. 機械学習とは何か？
    • 3.4.1.2. scikit-learnのデータ
  • 3.4.2. scikit-learnによる機械学習の基本原理
    • 3.4.2.1. scikit-learnのestimatorオブジェクトの紹介
    • 3.4.2.2. 教師あり学習: 分類と回帰
    • 3.4.2.3. Scikit-learnのestimatorインターフェイスのまとめ
    • 3.4.2.4. 正則化: 正則化とは何か、なぜ必要なのか
  • 3.4.3. 教師あり学習: 手書き文字の分類
    • 3.4.3.1. データの性質
    • 3.4.3.2. 主成分でデータを可視化する
    • 3.4.3.3. Gaussian単純ベイズ分類器
    • 3.4.3.4. パフォーマンスの定量的測定
  • 3.4.4. 教師あり学習: 住宅データの回帰
    • 3.4.4.1. データを見てみよう
    • 3.4.4.2. 住宅価格の予測: 単回帰
  • 3.4.5. 予測性能の測定
    • 3.4.5.1. K-neighbors分類器の簡単なテスト
    • 3.4.5.2. 正しいアプローチ: 検証セットの使用
    • 3.4.5.3. 検証によるモデルの選択
    • 3.4.5.4. 交差検証
    • 3.4.5.5. クロスバリデーションによるハイパーパラメータの最適化
  • 3.4.6. 教師なし学習: 次元削減と可視化
    • 3.4.6.1. 次元削減: PCA
    • 3.4.6.2. 非線形埋め込みによる可視化: tSNE
  • 3.4.7. パラメータの選択、検証、テスト
    • 3.4.7.1. ハイパーパラメータ、オーバーフィット、アンダーフィット
    • 3.4.7.2. バイアスとバリアンスのトレードオフの可視化
    • 3.4.7.3. モデル選択に関するまとめ
    • 3.4.7.4. 最後に一言: 検証セットとテストセットの分離
  • 3.4.8. scikit-learnの章の例