本书针对Python 3.6+版本进行了全面更新，涵盖了在这些领域中使用Python组件演示的概率、统计和机器学习之间的链接的关键思想。所提供的Python代码、所有的图形和数值结果都是可重复的。作者通过使用多种分析方法和Python代码处理有意义的示例来开发机器学习中的关键直觉，从而将理论概念与具体实现联系起来。对某些重要结果也给出了详细的证明。
利用Python实现概率、
统计及机器学习方法
Python for Probability, Statistaics, and Machine Learning, 2nd Edition
[美] 何塞·安平科（José Unpingco）?著
马羚?刘瑜?杨林?译
（原书第2版）
计算机/数据分析
本书主要面向Python中高级程序员，对Python在概率、统计及机器学习领域的应用进行了全面且合理的概述。我们向有志在这些领域发展的Python程序员或有兴趣学习使用Python处理这些领域的问题的专家推荐本书。
—Eugene Callahan和Yujia Zhang,Computing Reviews
本书涵盖概率论、统计学和机器学习领域的关键思想，并使用Python模块演示了这些领域的应用。本书从最简单的概率论知识展开，逐步延伸到统计学和机器学习的关键思想，并通过Python及其强大的扩展功能来阐述概率论和统计学知识与机器学习的联系。本书各章都给出了大量的示例，以展示理论概念与具体实践的联系，并且书中所有的图形和数值结果都可以用Python重现。作者还提供了某些重要结果的详细证明。作者使用Pandas、Sympy、Scikit-learn、TensorFlow和Keras等流行的Python模块模拟和可视化了重要的机器学习概念（如偏差与方差之间的权衡、交叉验证和正则化），并通过数值方法展示了许多抽象的数学思想（如概率论中的收敛性）。
本书特色
● 全面阐释如何模拟、概念化和可视化随机统计过程以及应用机器学习方法。
● 覆盖关键的Python模块，如Numpy、Scikit-learn、Sympy、Matplotlib、Pandas、TensorFlow、Keras等，并说明了相应的编程技巧。
● 用直观的方法概述了概率、统计和机器学习的概念，并提供了相应的可视化代码。
