统计学习导论—基于R应用统计学技术分析数据教材数据科学工程技术书pdf下载pdf下载

统计学习导论—基于R应用统计学技术分析数据教材数据科学工程技术书百度网盘pdf下载

作者:
简介:本篇主要提供统计学习导论—基于R应用统计学技术分析数据教材数据科学工程技术书pdf下载
出版社：互动创新图书专营店
出版时间：2015-05
pdf下载价格：0.00￥

免费下载

前去下载

书籍下载

下载地址

内容介绍


 书[0名0]：  统计[0学0]习导论——基于R应用|4706193
 图书定价：  79元
 图书作者：  (美)加雷斯·詹姆斯;丹妮拉·威滕;特雷弗·哈斯帖;罗伯特·提布施瓦尼
 出版社：   [1机1] 械工业出版社
 出版日期：  2015/5/1 0:00:00
 ISBN号：  9787111497714
 开本：  16开
 页数：  290
 版次：  1-1
 作者简介
Gareth James 斯坦福[0大0][0学0]统计[0学0]博士毕业，师从Trevor Hastie。现为南加州[0大0][0学0]马歇尔[0商0][0学0]院统计[0学0]教授，美[0国0]统计[0学0][0会0][0会0]士，数理统计协[0会0]终身[0会0]员，[亲斤]西兰统计协[0会0][0会0]员。《Statistica Sinica》、《Applications and Case Studies》、《Theory and Methods》等期刊的副主编。
Daniela Witten 斯坦福[0大0][0学0]统计[0学0]博士毕业，师从Robert Tibshirani。现为华盛顿[0大0][0学0]生物统计[0学0]副教授，美[0国0]统计[0学0][0会0]和[0国0]际数理统计协[0会0][0会0]士，《Journal of Computational and Graphical Statistics》和《Biometrika》等期刊副主编。
Trevor Hastie 美[0国0]统计[0学0]家和计算 [1机1] 科[0学0]家，斯坦福[0大0][0学0]统计[0学0]教授，英[0国0]皇家统计[0学0][0会0]、[0国0]际数理统计协[0会0]和美[0国0]统计[0学0][0会0][0会0]士。Hastie参与开发了 R 中的[0大0]部分统计建模软件和环境，发明了主曲线和主曲面。
Robert Tibshirani 斯坦福[0大0][0学0]统计[0学0]教授，[0国0]际数理统计协[0会0]、美[0国0]统计[0学0][0会0]和加拿[0大0]皇家[0学0][0会0][0会0]士，1996年COPSS总统奖得主，提出lasso方[0法0]。Hastie和Tibshirani都是统计[0学0]习[0领0]域的泰山北斗，两人合著《The Elements of Statistical Learning》，还合作讲授斯坦福[0大0][0学0]的公开课《统计[0学0]习》。
 内容简介
本书是一本统计[0学0]习方[0法0]的概要书，提供了理解[0大0]数据和复杂数据必不可少的工具，数据来自近20年来生物[0学0]、金融[0学0]、市场营销[0学0]和天体物理[0学0]等[0领0]域。书中介绍了一些重要的建模方[0法0]和预测技术以及它们的相关应用。内容涉及线性回归、分类、再抽样方[0法0]、压缩方[0法0]、树方[0法0]、聚类、支持向量 [1机1] 等。书中使用[0大0]量案例来阐释相关方[0法0]，每章都有如何在R中实现所述方[0法0]的指导实验。
本书读者对象是那些希望运用统计[0学0]习前沿技术分析数据的人士，既包括统计[0学0]专业的师生，也包括非统计[0学0]专业的从业者。
 目录

中文版序
译者序
前言
[0第0]1章导论
1.1统计[0学0]习概述
1.2统计[0学0]习简[0史0]
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
[0第0]2章统计[0学0]习
2.1什么是统计[0学0]习
2.2[0评0]价模型精度
2.3实验： R语言简介
2.4习题
[0第0]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近邻[0法0]的比较
3.6实验：线性回归
3.7习题
[0第0]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[0法0]的比较
4.6R实验：逻辑斯谛回归、LDA、QDA和KNN
4.7习题
[0第0]5章重抽样方[0法0]
5.1交叉验证[0法0]
5.2自助[0法0]
5.3实验：交叉验证[0法0]和自助[0法0]
5.4习题
[0第0]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[0法0]
6.3降维方[0法0]
6.4高维问题
6.5实验1：子集选择方[0法0]
6.6实验2：岭回归和lasso
6.7实验3：PCR和PLS回归
6.8习题
[0第0]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
[0第0]8章基于树的方[0法0]
8.1决策树基本原理
8.2装袋[0法0]、随 [1机1] 森林和提升[0法0]
8.3实验：决策树
8.4习题
[0第0]9章支持向量 [1机1]
9.1[0大0]间隔分类器
9.2支持向量分类器
9.3狭义的支持向量 [1机1]
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 [1机1]
9.7习题
[0第0]10章无指导[0学0]习
10.1无指导[0学0]习的挑战
10.2主成分分析
10.3聚类分析方[0法0]
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
 编辑推荐
更多精彩，点击进入[0品0]牌店查阅>>