計算機時代的統計推斷：算法、演化和數據科學 pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

本書以豐富的案例介紹瞭計算機時代下的統計推斷的發展脈絡，從理論的角度剖析統計推斷的各類算法、證據等，揭示統計推斷如何推動當今大數據、數據科學、機器學習等領域的快速發展並引領數據分析的變革，最後展望瞭統計學和數據科學的未來方嚮。

Bradley Efron, Stanford University, California

Bradley Efron is Max H. Stein Professor, Professor of Statistics, and Professor of Biomedical Data Science at Stanford University, California. He has held visiting faculty appointments at Harvard University, Massachusetts, the University of California, Berkeley, and Imperial College of Science, Technology and Medicine, London. Efron has worked extensively on theories of statistical inference, and is the inventor of the bootstrap sampling technique. He received the National Medal of Science in 2005 and the Guy Medal in Gold of the Royal Statistical Society in 2014.

Trevor Hastie, Stanford University, California

Trevor Hastie is John A. Overdeck Professor, Professor of Statistics, and Professor of Biomedical Data Science at Stanford University, California. He is coauthor of Elements of Statistical Learning, a key text in the field of modern data analysis. He is also known for his work on generalized additive models and principal curves, and for his contributions to the R computing environment. Hastie was awarded the Emmanuel and Carol Parzen prize for Statistical Innovation in 2014.

贊譽
譯者序
前言
緻謝
第一部分　經典統計推斷
第1章　算法與推斷2
1.1　一個迴歸的例子3
1.2　假設檢驗5
1.3　注釋7
注釋7
第2章　頻率學派推斷8
2.1　實踐中的頻率學派9
2.2　頻率學意義下的最優化12
2.3　注釋與細節13
注釋13
第3章　貝葉斯推斷14
3.1　兩個例子15
3.2　無信息先驗分布18
3.3　頻率學派推斷的缺陷19
3.4　貝葉斯學派/頻率學派的對比列錶21
3.5　注釋與細節23
注釋23
第4章　Fisher推斷和最大似然估計24
4.1　似然和最大似然24
4.2　Fisher信息和MLE26
4.3　條件推斷28
4.4　排列和隨機化31
4.5　注釋與細節32
注釋32
第5章　參數模型和指數族34
5.1　單變量族34
5.2　多元正態分布36
5.3　多參數分布族的Fisher信息量邊界38
5.4　多項分布39
5.5　指數型分布族41
5.6　注釋與細節44
注釋44
第二部分　計算機時代早期方法
第6章　經驗貝葉斯48
6.1　Robbins公式48
6.2　物種遺漏問題50
6.3　一個醫學上的例子54
6.4　間接證據156
6.5　注釋與細節57
注釋57
第7章　James-Stein估計和嶺迴歸59
7.1　James-Stein估計59
7.2　棒球運動員61
7.3　嶺迴歸63
7.4　間接證據266
7.5　注釋和細節68
注釋68
第8章　廣義綫性模型與迴歸樹70
8.1　邏輯迴歸70
8.2　廣義綫性模型75
8.3　泊鬆迴歸78
8.4　迴歸樹80
8.5　注釋與細節82
注釋83
第9章　生存分析和EM算法85
9.1　生命錶和風險率85
9.2　刪失數據和Kaplan-Meier估計87
9.3　對數秩檢驗91
9.4　比例風險模型93
9.5　缺失數據和EM算法95
9.6　注釋與細節98
注釋98
第10章　刀切法與自助法101
10.1　標準差的刀切法估計101
10.2　非參數的自助法103
10.3　重抽樣方案106
10.4　參數自助法110
10.5　影響函數與魯棒估計112
10.6　注釋與細節115
注釋115
第11章　自助法置信區間117
11.1　Neyman的單參數問題的構建117
11.2　百分位方法120
11.3　偏差校正置信區間122
11.4　二階精度124
11.5　自助t區間126
11.6　目標貝葉斯區間和置信分布127
11.7　注釋與細節131
注釋131
第12章　交叉驗證與預測誤差的Cp估計134
12.1　預測規則134
12.2　交叉驗證137
12.3　協方差懲罰140
12.4　訓練、驗證與短期預測因子146
12.5　注釋與細節148
注釋148
第13章　客觀貝葉斯推斷和馬爾可夫鏈濛特卡羅方法150
13.1　客觀先驗分布150
13.2　共軛先驗分布152
13.3　模型選擇與貝葉斯信息準則156
13.4　Gibbs抽樣和MCMC161
13.5　示例：模擬人口混閤165
13.6　注釋與細節167
注釋167
第14章　戰後時代的統計推斷與方法論169
注釋171
第三部分　21世紀的話題
第15章　大規模假設檢驗和錯誤發現率174
15.1　大規模假設檢驗174
15.2　錯誤發現率176
15.3　經驗貝葉斯大規模假設檢驗178
15.4　局部錯誤發現率181
15.5　原假設分布的選擇183
15.6　關聯性186
15.7　注釋與細節188
注釋188
第16章　稀疏建模和套索191
16.1　前嚮逐步迴歸191
16.2　套索194
16.3　擬閤套索模型197
16.4　最小角迴歸198
16.5　擬閤廣義的套索模型200
16.6　套索的選擇後推斷202
16.7　聯係和擴展203
16.8　注釋與細節205
注釋205
第17章　隨機森林和提升207
17.1　隨機森林207
17.2　平方誤差損失的提升212
17.3　梯度提升216
17.4　Adaboost：原始的提升算法218
17.5　聯係和擴展220
17.6　注釋與細節221
注釋222
第18章　神經網絡與深度學習224
18.1　神經網絡與手寫數字問題225
18.2　擬閤一個網絡226
18.3　自動編碼器230
18.4　深度學習231
18.5　學習一個深層網絡234
18.6　注釋與細節235
注釋236
第19章　支持嚮量機和核方法238
19.1　最優超平麵238
19.2　軟間隔分類器240
19.3　作為損失加懲罰的支持嚮量機準則241
19.4　計算以及核技巧242
19.5　利用核的函數擬閤244
19.6　實例：用於蛋白質分類的字符串核函數244
19.7　支持嚮量機：結束語245
19.8　核平滑和局部迴歸246
19.9　注釋與細節247
注釋248
第20章　模型選擇後的推斷250
20.1　同時置信區間251
20.2　模型選擇後的準確率255
20.3　選擇的偏差258
20.4　貝葉斯頻率學組閤估計260
20.5　注釋與細節263
注釋264
第21章　經驗貝葉斯估計策略266
21.1　貝葉斯反捲積266
21.2　g-建模和估計267
21.3　似然、正則化和準確性269
21.4　兩個例子272
21.5　廣義綫性混閤模型276
21.6　反捲積和f-建模278
21.7　注釋與細節280
注釋280
後記282
參考文獻286
· · · · · · (收起)