統計學習基礎 pdf epub mobi txt 電子書下載2025

簡體網頁||繁體網頁

☆☆☆☆☆

出版者:電子工業齣版社

作者:Robert Tibshirani

出品人:

頁數:381

译者:

出版時間:2004-1

價格:45.00元

裝幀:平裝(無盤)

isbn號碼:9787505393318

叢書系列:國外計算機科學教材係列

圖書標籤:

統計學習
數據挖掘
機器學習
統計學
數據分析
統計
Statistics
模式識彆
統計學習
基礎
數據分析
機器學習
概率論
迴歸分析
模型評估
數據科學
統計方法
假設檢驗

下載連結在頁面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製連結

想要找書就要到小美書屋

book.quotespace.org

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

具體描述

《統計學習基礎:數據挖掘、推理與預測》介紹瞭這些領域的一些重要概念。盡管應用的是統計學方法，但強調的是概念，而不是數學。許多例子附以彩圖。《統計學習基礎:數據挖掘、推理與預測》內容廣泛，從有指導的學習（預測）到無指導的學習，應有盡有。包括神經網絡、支持嚮量機、分類樹和提升等主題，是同類書籍中介紹得最全麵的。計算和信息技術的飛速發展帶來瞭醫學、生物學、財經和營銷等諸多領域的海量數據。理解這些數據是一種挑戰，這導緻瞭統計學領域新工具的發展，並延伸到諸如數據挖掘、機器學習和生物信息學等新領域。許多工具都具有共同的基礎，但常常用不同的術語來錶達。

著者簡介

Trevor Hastie, Robert Tibshirani, and Jerome Friedman are professors of statistics at Stanford University. They are prominent researchers in this area: Hastie and Tibshirani developed generalized additive models and wrote a popular book of that title. Hastie co-developed much of the statistical modeling software and environment in R/S-PLUS and invented principal curves and surfaces. Tibshirani proposed the lasso and is co-author of the very successful An Introduction to the Bootstrap. Friedman is the co-inventor of many data-mining tools including CART, MARS, projection pursuit and gradient boosting.

圖書目錄

第一章緒論
第二章有指導學習概述
第三章迴歸的綫性方法
第四章分類的綫性方法
第五章基展開與正則化
第六章核方法
第七章模型評估與選擇
第八章模型推理和平均
第九章加法模型、樹和相關方法
第十章提升和加法樹
第十一章神經網絡
第十二章支持嚮量機和柔性判彆
第十三章原型方法和最近鄰
第十四章無指導學習
· · · · · · (收起)

讀後感

評分☆☆☆☆☆

个人觉得“机器学习 -- 从入门到精通”可以作为这本书的副标题。机器学习、数据挖掘或者模式识别领域有几本非常流行的教材，比如Duda的模式分类，Bishop的PRML。Duda的书第一版是模式识别的奠基之作，现在大家谈论得是第二版，因为内容相对简单，非常流行，但对近20年取得统...

評分☆☆☆☆☆

我导师(stanford博士毕业)非常欣赏这本书，并把它作为我博士资格考试的参考教材之一。感谢 ZHENHUI LI 提供的信息。本书作者已经将第二版的电子书放到网上，大家可以免费下载。 http://www-stat.stanford.edu/~tibs/ElemStatLearn/ 网上还有一份solution manual, 但是似乎...

評分☆☆☆☆☆

http://www-stat.stanford.edu/~hastie/local.ftp/Springer/ESLII_print3.pdf

評分☆☆☆☆☆

对于新手来说，这本书和PRML比起来差太远，新手强烈建议去读PRML，接下来再看这本书。。我就举个最简单的例子吧，这本书的第二章overview of supervised learning和PRML的introduction差太远了。。。。读这本书的overview如果读者没有基础几乎不知所云。。但是PRML通过一个例子...