返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • 全新统计学习理论与方法 R语言版左飞9787302530886
  • 正版
    • 作者: 左飞著 | 左飞编 | 左飞译 | 左飞绘
    • 出版社: 清华大学出版社
    • 出版时间:2020-06-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    萌萌哒图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 左飞著| 左飞编| 左飞译| 左飞绘
    • 出版社:清华大学出版社
    • 出版时间:2020-06-01
    • 版次:1
    • 印次:1
    • 字数:603000
    • 页数:383
    • 开本:16开
    • ISBN:9787302530886
    • 版权提供:清华大学出版社
    • 作者:左飞
    • 著:左飞
    • 装帧:平装
    • 印次:1
    • 定价:79.00
    • ISBN:9787302530886
    • 出版社:清华大学出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:暂无
    • 出版时间:2020-06-01
    • 页数:383
    • 外部编号:1202069888
    • 版次:1
    • 成品尺寸:暂无

    章概率论基础

    1.1基本概念

    1.2随机变量数字特征

    1.2.1期望

    1.2.2方差

    1..矩与矩母函数

    1.2.4协方差与协方差矩阵

    1.3基本概率分布模型

    1.3.1离散概率分布

    1.3.2连续概率分布

    1.3.3在R中使用内嵌分布

    1.4概率论中的重要定理

    1.4.1大数定理

    1.4.2中央极限定理

    1.5经验分布函数

    第2章统计推断

    2.1参数估计

    2.1.1参数估计的基本原理

    2.1.2单总体参数区间估计

    2.1.3双总体均值差的估计

    2.1.4双总体比例差的估计

    2.2设检验

    2.2.1基本概念

    2.2.2两类错误

    2..均值检验

    .极大似然估计

    ..1极大似然法的基本原理

    ..2求极大似然估计的方法

    ..极大似然估计应用举例

    第3章采样方法

    3.1蒙特卡洛法求定积分

    3.1.1无意识统计学家法则

    3.1.2投点法

    3.1.3期望法

    3.2蒙特卡洛采样

    3.2.1逆采样

    3.2.2博克斯-穆勒变换

    3..拒绝采样与自适应拒绝采样

    3.3矩阵的极限与马尔科夫链

    3.4查普曼-柯尔莫哥洛夫等式

    3.5马尔科夫链蒙特卡洛

    3.5.1重要采样

    3.5.2马尔科夫链蒙特卡洛的基本概念

    3.5.3Metropolis-Hastings算法

    3.5.4Gibbs采样

    第4章非参数检验方法

    4.1列联分析

    4.1.1类别数据与列联表

    4.1.2皮尔逊(Pearson)的卡方检验

    4.1.3列联分析应用条件

    4.1.4费希尔(Fisher)的确切检验

    4.2符号检验

    4.3威尔科克森符号秩检验

    4.4威尔科克森的秩和检验

    4.5克鲁斯卡尔-沃利斯检验

    5章元线回归

    5.1回归分析的质

    5.2回归的基本概念

    5.2.1总体的回归函数

    5.2.2随机干扰的意义

    5..样本的回归函数

    5.3回归模型的估计

    5.3.1普通二乘法原理

    5.3.2一元线回归的应用

    5.3.3经典模型的基本定

    5.3.4总体方差的无偏估计

    5.3.5估参的概率分布

    5.4正态条件下的模型检验

    5.4.1拟合优度的检验

    5.4.2整体定检验

    5.4.3单个参数的检验

    5.5一元线回归模型预测

    5.5.1点预测

    5.5.2区间预测

    第6章多元线回归

    6.1多元线回归模型

    6.2多元回归模型估计

    6.2.1二乘估计量

    6.2.2多元回归的实例

    6..总体参数估计量

    6.3从线代数角度理解二乘

    6.3.1二乘问题的通解

    6.3.2二乘问题的计算

    6.4多元回归模型检验

    6.4.1线回归的显著

    6.4.2回归系数的显著

    6.5多元线回归模型预测

    6.6格兰杰因果关系检验

    第7章线回归进阶

    7.1更多回归模型函数形式

    7.1.1双对数模型以及生产函数

    7.1.2倒数模型与斯曲线

    7.1.3多项式回归模型及其分析

    7.2回归模型的评估与选择

    7.2.1嵌套模型选择

    7.2.2赤池信息准则

    7..逐步回归方法

    7.3现代回归方法的新进展

    7.3.1多重共线

    7.3.2岭回归

    7.3.3从岭回归到LASSO

    7.3.4正则化

    第8章方差分析方法

    8.1方差分析的基本概念

    8.2单因素方差分析方法

    8.2.1基本原理

    8.2.2分析步骤

    8..强度测量

    8.3双因素方差分析方法

    8.3.1无交互作用的分析

    8.3.2有交互作用的分析

    8.4多重比较

    8.4.1多重t检验

    8.4.2Dunnett检验

    8.4.3Tukey的HSD检验

    8.4.4Newman-Keuls检验

    8.5方差齐的检验方法

    8.5.1Bartlett检验法

    8.5.2Levene检验法

    第9章逻辑回归与优选熵模型

    9.1逻辑回归

    9.2牛顿法解Logistic回归

    9.3多元逻辑回归

    9.4优选熵模型

    9.4.1优选熵原理

    9.4.2约束条件

    9.4.3模型推导

    9.4.4极大似然估计

    0章聚类分析

    10.1聚类的概念

    10.2K均值算法

    10.2.1距离度量

    10.2.2算法描述

    10..数据分析实例

    10.2.4图像处理应用举例

    10.3优选期望算法

    10.3.1算法原理

    10.3.2收敛探讨

    10.4高斯混合模型

    10.4.1模型推导

    10.4.2应用实例

    10.5密度聚类与DBSCAN算法

    1章支持向量机

    11.1线可分的支持向量机

    11.1.1函数距离与几何距离

    11.1.2优选间隔分类器

    11.1.3拉格朗日乘数法

    11.1.4对偶问题的求解

    11.2松弛因子与软间隔模型

    11.3非线支持向量机方法

    11.3.1从更高维度上分类

    11.3.2非线核函数方法

    11.3.3机器学习中的核方法

    11.3.4默瑟定理

    11.4对数据进行分类的实践

    11.4.1基本建模函数

    11.4.2分析建模结果

    2章贝叶斯推断

    12.1贝叶斯公式与边缘分布

    12.2贝叶斯推断中的重要概念

    12.2.1先验概率与后验概率

    12.2.2共轭分布

    1.朴素贝叶斯分类器

    12.4贝叶斯网络

    12.4.1基本结构单元

    12.4.2模型推理

    12.5贝叶斯推断的应用举例

    3章降维与流形学习

    13.1主成分分析(PCA)

    13.2奇异值分解(SVD)

    13.2.1一个基本的认识

    13.2.2为什么可以做SVD

    13..SVD与PCA的关系

    13.2.4应用举例与矩阵的伪逆

    13.3多维标度法(MDS)

    4章决策树

    14.1决策树基础

    14.1.1Hunt算法

    14.1.2基尼测度与划分

    14.1.3信息熵与信息增益

    14.1.4分类误差

    14.2决策树进阶

    14.2.13算法

    14.2.2C4.5算法

    14.3分类回归树

    14.4决策树剪枝

    14.4.1没有免费午餐原理

    14.4.2剪枝方法

    14.5分类器的评估

    5章人工神经网络

    15.1从感知机开始

    15.1.1感知机模型

    15.1.2感知机学习

    15.1.3多层感知机

    15.2基本神经网络

    15.2.1神经网络结构

    15.2.2符号标记说明

    15..后向传播算法

    15.3神经网络实践

    15.3.1核心函数介绍

    15.3.2应用分析实践

    附录A必不可少的数学基础

    A.1泰勒公式

    A.2海塞矩阵

    A.3凸函数与詹森不等式

    A.3.1凸函数的概念

    A.3.2詹森不等式及其明

    A.3.3詹森不等式的应用

    A.4泛函与抽象空间

    A.4.1线空间

    A.4.2距离空间

    A.4.3赋范空间

    A.4.4巴拿赫空间

    A.4.5内积空间

    A.4.6希尔伯特空间

    A.5从泛函到变分法

    A.5.1理解泛函的概念

    A.5.2关于变分的概念

    A.5.3变分法的基本方程

    A.5.4哈密尔顿原理

    A.5.5等式约束下的变分

    参考文献

    左飞,技术作家、译者。于西北工业大学,后加入中国移动通信集团。著作涉及图像处理、编程语言和移动通信等多个领域,并翻译出版了计算机领域的经典之作《编码》,以及Jolt震撼大奖获奖作品《代码阅读》和《代码质量》等多部图书。其著作《代码揭秘》繁体版在中国台湾地区地区发行。曾荣获“很受读者喜爱的IT图书作译者奖”,并被授予“工业出版社创立30周年很好作译者”荣称。他同时拥有多年电信行业从业经验。在数据分析、信息安全和图像处理领域也有较深研究,在靠前会议与核**术期刊上发布多篇,并申请发明一项,多部相关著作再版多次、广受。他曾于中山大学获得经济学硕士,研究方向是金融发展理论和中国城市化进程。期间参与社科项目一项,并获“中华发展经济学年会”之邀作平行论坛学术报告。现在的研究兴趣主要集中在图像处理、机器学习、数据分析技术和空间数据库算法等领域。

    "从统计学观点出发,以数理统计为基础,全面系统地介绍了机器学习的主要方法。
    根据全新设计的学习路线图编写,注重夯实理论基础,更便于深化对知识点的理解,建立系统的全局观。
    对机器学习所涉及的数学基础进行了完整的解释和必要的铺垫,更便于读者对深化相关知识的理解。
    "

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购