统计学习导论 基于R应用

统计学习导论 基于R应用
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
2015-05
版次: 1
ISBN: 9787111497714
定价: 79.00
装帧: 平装
开本: 16开
纸张: 胶版纸
页数: 290页
正文语种: 简体中文
原版书名: An Introduction to Statistical Learning with Applications in R
579人买过
  •   统计学习是一套以复杂数据建模和数据理解为目的的工具集,是近期才发展起来的统计学的一个新领域。本书出自统计学习领域声名显赫的几位专家,结合R语言介绍了分析大数据必不可少的工具,提供一些重要的建模和预测技术,并借助丰富的实验来解释如何用R语言实现统计学习方法。论题包括线性回归、分类、重抽样方法、压缩方法、基于树的方法、支持向量机、聚类等,作者借助彩图和实际案例直观解释这些方法。为了读者更好地理解书中内容,每章后还配有丰富的概念性和应用性练习题。
      书中内容与《TheElementsofStatisticalLearning》的大部分内容相同,但是本书起点低,弱化了数学推导的细节,更注重方法的应用,所以更适合作为入门教材。当然,这本《统计学习导论》不仅是优秀的“统计学习”或“机器学习”课程的教材,也是数据挖掘、数据分析等相关从业者不可或缺的参考书。   GarethJames 斯坦福大学统计学博士毕业,师从TrevorHastie。现为南加州大学马歇尔商学院统计学教授,美国统计学会会士,数理统计协会终身会员,新西兰统计协会会员。《StatisticaSinica》、《ApplicationsandCaseStudies》、《TheoryandMethods》等期刊的副主编。

      DanielaWitten 斯坦福大学统计学博士毕业,师从RobertTibshirani。现为华盛顿大学生物统计学副教授,美国统计学会和国际数理统计协会会士,《JournalofComputationalandGraphicalStatistics》和《Biometrika》等期刊副主编。

      TrevorHastie 美国统计学家和计算机科学家,斯坦福大学统计学教授,英国皇家统计学会、国际数理统计协会和美国统计学会会士。Hastie参与开发了R中的大部分统计建模软件和环境,发明了主曲线和主曲面。

      RobertTibshirani 斯坦福大学统计学教授,国际数理统计协会、美国统计学会和加拿大皇家学会会士,1996年COPSS总统奖得主,提出lasso方法。Hastie和Tibshirani都是统计学习领域的泰山北斗,两人合著《TheElementsofStatisticalLearning》,还合作讲授斯坦福大学的公开课《统计学习》。 中文版序
    译者序
    前言
    第1章导论
    1.1统计学习概述
    1.2统计学习简史
    1.3关于这本书
    1.4这本书适用的读者群
    1.5记号与简单的矩阵代数
    1.6本书的内容安排
    1.7用于实验和习题的数据集
    1.8本书网站
    1.9致谢
    第2章统计学习
    2.1什么是统计学习
    2.2评价模型精度
    2.3实验: R语言简介
    2.4习题
    第3章线性回归
    3.1简单线性回归
    3.2多元线性回归
    3.3回归模型中的其他注意事项
    3.4营销计划
    3.5线性回归与K最近邻法的比较
    3.6实验:线性回归
    3.7习题
    第4章分类
    4.1分类问题概述
    4.2为什么线性回归不可用
    4.3逻辑斯谛回归
    4.4线性判别分析
    4.5分类方法的比较
    4.6R实验:逻辑斯谛回归、LDA、QDA和KNN
    4.7习题
    第5章重抽样方法
    5.1交叉验证法
    5.2自助法
    5.3实验:交叉验证法和自助法
    5.4习题
    第6章线性模型选择与正则化
    6.1子集选择
    6.2压缩估计方法
    6.3降维方法
    6.4高维问题
    6.5实验1:子集选择方法
    6.6实验2:岭回归和lasso
    6.7实验3:PCR和PLS回归
    6.8习题
    第7章非线性模型
    7.1多项式回归
    7.2阶梯函数
    7.3基函数
    7.4回归样条
    7.5光滑样条
    7.6局部回归
    7.7广义可加模型
    7.8实验:非线性建模
    7.9习题
    第8章基于树的方法
    8.1决策树基本原理
    8.2装袋法、随机森林和提升法
    8.3实验:决策树
    8.4习题
    第9章支持向量机
    9.1最大间隔分类器
    9.2支持向量分类器
    9.3狭义的支持向量机
    9.4多分类的SVM
    9.5与逻辑斯谛回归的关系
    9.6实验:支持向量机
    9.7习题
    第10章无指导学习
    10.1无指导学习的挑战
    10.2主成分分析
    10.3聚类分析方法
    10.4实验1:主成分分析
    10.5实验2:聚类分析
    10.6实验3:以NCI60数据为例
    10.7习题
  • 内容简介:
      统计学习是一套以复杂数据建模和数据理解为目的的工具集,是近期才发展起来的统计学的一个新领域。本书出自统计学习领域声名显赫的几位专家,结合R语言介绍了分析大数据必不可少的工具,提供一些重要的建模和预测技术,并借助丰富的实验来解释如何用R语言实现统计学习方法。论题包括线性回归、分类、重抽样方法、压缩方法、基于树的方法、支持向量机、聚类等,作者借助彩图和实际案例直观解释这些方法。为了读者更好地理解书中内容,每章后还配有丰富的概念性和应用性练习题。
      书中内容与《TheElementsofStatisticalLearning》的大部分内容相同,但是本书起点低,弱化了数学推导的细节,更注重方法的应用,所以更适合作为入门教材。当然,这本《统计学习导论》不仅是优秀的“统计学习”或“机器学习”课程的教材,也是数据挖掘、数据分析等相关从业者不可或缺的参考书。
  • 作者简介:
      GarethJames 斯坦福大学统计学博士毕业,师从TrevorHastie。现为南加州大学马歇尔商学院统计学教授,美国统计学会会士,数理统计协会终身会员,新西兰统计协会会员。《StatisticaSinica》、《ApplicationsandCaseStudies》、《TheoryandMethods》等期刊的副主编。

      DanielaWitten 斯坦福大学统计学博士毕业,师从RobertTibshirani。现为华盛顿大学生物统计学副教授,美国统计学会和国际数理统计协会会士,《JournalofComputationalandGraphicalStatistics》和《Biometrika》等期刊副主编。

      TrevorHastie 美国统计学家和计算机科学家,斯坦福大学统计学教授,英国皇家统计学会、国际数理统计协会和美国统计学会会士。Hastie参与开发了R中的大部分统计建模软件和环境,发明了主曲线和主曲面。

      RobertTibshirani 斯坦福大学统计学教授,国际数理统计协会、美国统计学会和加拿大皇家学会会士,1996年COPSS总统奖得主,提出lasso方法。Hastie和Tibshirani都是统计学习领域的泰山北斗,两人合著《TheElementsofStatisticalLearning》,还合作讲授斯坦福大学的公开课《统计学习》。
  • 目录:
    中文版序
    译者序
    前言
    第1章导论
    1.1统计学习概述
    1.2统计学习简史
    1.3关于这本书
    1.4这本书适用的读者群
    1.5记号与简单的矩阵代数
    1.6本书的内容安排
    1.7用于实验和习题的数据集
    1.8本书网站
    1.9致谢
    第2章统计学习
    2.1什么是统计学习
    2.2评价模型精度
    2.3实验: R语言简介
    2.4习题
    第3章线性回归
    3.1简单线性回归
    3.2多元线性回归
    3.3回归模型中的其他注意事项
    3.4营销计划
    3.5线性回归与K最近邻法的比较
    3.6实验:线性回归
    3.7习题
    第4章分类
    4.1分类问题概述
    4.2为什么线性回归不可用
    4.3逻辑斯谛回归
    4.4线性判别分析
    4.5分类方法的比较
    4.6R实验:逻辑斯谛回归、LDA、QDA和KNN
    4.7习题
    第5章重抽样方法
    5.1交叉验证法
    5.2自助法
    5.3实验:交叉验证法和自助法
    5.4习题
    第6章线性模型选择与正则化
    6.1子集选择
    6.2压缩估计方法
    6.3降维方法
    6.4高维问题
    6.5实验1:子集选择方法
    6.6实验2:岭回归和lasso
    6.7实验3:PCR和PLS回归
    6.8习题
    第7章非线性模型
    7.1多项式回归
    7.2阶梯函数
    7.3基函数
    7.4回归样条
    7.5光滑样条
    7.6局部回归
    7.7广义可加模型
    7.8实验:非线性建模
    7.9习题
    第8章基于树的方法
    8.1决策树基本原理
    8.2装袋法、随机森林和提升法
    8.3实验:决策树
    8.4习题
    第9章支持向量机
    9.1最大间隔分类器
    9.2支持向量分类器
    9.3狭义的支持向量机
    9.4多分类的SVM
    9.5与逻辑斯谛回归的关系
    9.6实验:支持向量机
    9.7习题
    第10章无指导学习
    10.1无指导学习的挑战
    10.2主成分分析
    10.3聚类分析方法
    10.4实验1:主成分分析
    10.5实验2:聚类分析
    10.6实验3:以NCI60数据为例
    10.7习题
查看详情
系列丛书 / 更多
统计学习导论 基于R应用
大数据导论
彭智勇 译
统计学习导论 基于R应用
大数据分析原理与实践
王宏志 著
统计学习导论 基于R应用
Python机器学习
高明、徐莹、陶虎成 译
统计学习导论 基于R应用
机器学习与R语言(原书第2版)
李洪成、许金炜、李舰 译
统计学习导论 基于R应用
基于R语言的自动数据收集:网络抓取和文本挖掘实用指南
[德]西蒙·蒙策尔特 著;吴今朝 译
统计学习导论 基于R应用
Python文本分析
[印度]迪潘简·撒卡尔 著;闫龙川 高德荃 李君婷 译
统计学习导论 基于R应用
机器学习与R语言
[美]Brett Lantz 著;李洪成、许金炜、李舰 译
统计学习导论 基于R应用
Python机器学习(原书第2版)
瓦希德·米 著;塞巴斯蒂安·拉施卡(Sebastian Raschka)、陈斌 译
统计学习导论 基于R应用
基于MPI的大数据高性能计算导论
弗兰克·尼尔森(Frank Nielsen) 著;张伟哲 译
统计学习导论 基于R应用
图分析与可视化:在关联数据中发现商业机会
[美]理查德·布莱斯(Richard Brath)、[美]David Jonker 著;赵利通 译
统计学习导论 基于R应用
数据科学导论:Python语言实现
[意]阿尔贝托·博斯凯蒂 著;于俊伟 译
统计学习导论 基于R应用
社交媒体数据挖掘与分析
[美]加博尔·萨博(Gabor Szabo) 著;李凯、吕天阳 译
您可能感兴趣 / 更多
统计学习导论 基于R应用
数学旅行家 文教科普读物 (美)卡尔文・c.克劳森
[美]卡尔文・c.克劳森
统计学习导论 基于R应用
向世界好的医院力
[美]理查德·温特斯(RichardWinters)
统计学习导论 基于R应用
像作家一样阅读:提升读写能力的10堂课
[美]艾琳·M.普希曼
统计学习导论 基于R应用
黑的眼睛不看光明 心理学
[美]玛利亚娜·亚历山德里
统计学习导论 基于R应用
觉醒 外国现当代文学
[美]凯特·肖邦
统计学习导论 基于R应用
从众陷阱 成功学 (美)托德·罗斯(todd rose)
[美]托德·罗斯(toddrose)
统计学习导论 基于R应用
海洋全书:国家地理新探索
[美]西尔维娅·A.厄尔
统计学习导论 基于R应用
吃的勇气:365天告别饮食内耗,与食物和解
[美]伊芙琳·特里波尔(EvelynTribole)