統(tǒng)計學(xué)習(xí)基礎(chǔ):數(shù)據(jù)挖掘、推理與預(yù)測介紹了這些領(lǐng)域的一些重要概念。盡管應(yīng)用的是統(tǒng)計學(xué)方法，但強調(diào)的是概念，而不是數(shù)學(xué)。許多例子附以彩圖?！督y(tǒng)計學(xué)習(xí)基礎(chǔ):數(shù)據(jù)挖掘、推理與預(yù)測》內(nèi)容廣泛，從有指導(dǎo)的學(xué)習(xí)（預(yù)測）到無指導(dǎo)的學(xué)習(xí)，應(yīng)有盡有。包括神經(jīng)網(wǎng)絡(luò)、支持向量機、分類樹和提升等主題，是同類書籍中介紹得最全面的。計算和信息技術(shù)的飛速發(fā)展帶來了醫(yī)學(xué)、生物學(xué)、財經(jīng)和營銷等諸多領(lǐng)域的海量數(shù)據(jù)。理解這些數(shù)據(jù)是一種挑戰(zhàn)，這導(dǎo)致了統(tǒng)計學(xué)領(lǐng)域新工具的發(fā)展，并延伸到諸如數(shù)據(jù)挖掘、機器學(xué)習(xí)和生物信息學(xué)等新領(lǐng)域。許多工具都具有共同的基礎(chǔ)，但常常用不同的術(shù)語來表達。

編輯推薦

《統(tǒng)計學(xué)習(xí)基礎(chǔ):數(shù)據(jù)挖掘、推理與預(yù)測》試圖將學(xué)習(xí)領(lǐng)域中許多重要的新思想?yún)R集在一起，并且在統(tǒng)計學(xué)的框架下解釋它們。隨著計算機和信息時代的到來，統(tǒng)計問題的規(guī)模和復(fù)雜性都有了急劇增加。數(shù)據(jù)存儲、組織和檢索領(lǐng)域的挑戰(zhàn)導(dǎo)致一個新領(lǐng)域“數(shù)據(jù)挖掘”的產(chǎn)生。數(shù)據(jù)挖掘是一個多學(xué)科交叉領(lǐng)域，涉及數(shù)據(jù)庫技術(shù)、機器學(xué)習(xí)、統(tǒng)計學(xué)、神經(jīng)網(wǎng)絡(luò)、模式識別、知識庫、信息提取、高性能計算等諸多領(lǐng)域，并在工業(yè)、商務(wù)、財經(jīng)、通信、醫(yī)療衛(wèi)生、生物工程、科學(xué)等眾多行業(yè)得到了廣泛的應(yīng)用。

作者簡介

Trevor Hastie,Robert Tibshirani和Jerome Friedman都是斯坦福大學(xué)統(tǒng)計學(xué)教授，并在這個領(lǐng)域做出了杰出的貢獻。Hastie和Tibshirani提出了廣義和加法模型，并出版專著“Generalized Additive Models”。Hastie的主要研究領(lǐng)域為：非參數(shù)回歸和分類、統(tǒng)計計算以及生物信息學(xué)、醫(yī)學(xué)和工業(yè)的特殊數(shù)據(jù)挖掘問題。他提出主曲線和主曲面的概念，并用S-PLUS編寫了大量統(tǒng)計建模軟件。Tibshirani的主要研究領(lǐng)域為：應(yīng)用統(tǒng)計學(xué)、生物統(tǒng)計學(xué)和機器學(xué)習(xí)。他提出了套索的概念，還是“An Introduction to the Bootstrap”一書的作者之一。Friedman是CART、MARS和投影尋蹤等數(shù)據(jù)挖掘工具的發(fā)明人之一。他不僅是位統(tǒng)計學(xué)家，而且是物理學(xué)家和計算機科學(xué)家，先后在物理學(xué)、計算機科學(xué)和統(tǒng)計學(xué)的一流雜志上表發(fā)論文80余篇。

統(tǒng)計學(xué)習(xí)基礎(chǔ):數(shù)據(jù)挖掘、推理與預(yù)測 目錄：

第1章 緒論
第2章 有指導(dǎo)學(xué)習(xí)概述
2.1 引言
2.2 變量類型和術(shù)語
2.3 兩種簡單預(yù)測方法：最小二乘方和最近鄰法
2.4 統(tǒng)計判決理論
2.5 高維空間的局部方法
2.6 統(tǒng)計模型、有指導(dǎo)學(xué)習(xí)和函數(shù)逼近
2.7 結(jié)構(gòu)化回歸模型
2.8 受限的估計方法類
2.9 模型選擇和偏倚-方差權(quán)衡
文獻注釋
習(xí)題

第3章 回歸的線性方法
3.1 引言
3.2 線性回歸模型和最小二乘方
3.3 從簡單的一元回歸到多元回歸
3.4 子集選擇和系數(shù)收縮
3.5 計算考慮
文獻注釋
習(xí)題

第4章 分類的線性方法
4.1 引言
4.2 指示矩陣的線性回歸
4.3 線性判別分析
4.4 邏輯斯締回歸
4.5 分離超平面
文獻注釋
習(xí)題

第5章 基展開與正則化
5.1 引言
5.2 分段多項式和樣條
5.3 過濾和特征提取
5.4 光滑樣條
5.5 光滑參數(shù)的自動選擇
5.6 無參邏輯斯締回歸
5.7 多維樣條函數(shù)
5.8 正則化和再生核希爾伯特空間
5.9 小波光滑
文獻注釋
習(xí)題

第6章 核方法
6.1 一維核光滑方法
6.2 選擇核的寬度
6.3 IRp上的局部回歸
6.4 IRp上結(jié)構(gòu)化局部回歸模型
6.5 局部似然和其他模型
6.6 核密度估計和分類
6.7 徑向基函數(shù)和核
6.8 密度估計和分類的混合模型
6.9 計算考慮
文獻注釋
習(xí)題

第7章 模型評估與選擇
7.1 引言
7.2 偏倚、方差和模型復(fù)雜性
7.3 偏倚-方差分解
7.4 訓(xùn)練誤差率的樂觀性
7.5 樣本內(nèi)預(yù)測誤差的估計
7.6 有效的參數(shù)個數(shù)
7.7 貝葉斯方法和BIC
7.8 最小描述長度
7.9 Vapnik-Chernovenkis維
7.10 交叉驗證
7.11 自助法
文獻注釋
習(xí)題

第8章 模型推理和平均
8.1 引言
8.2 自助法和極大似然法
8.3 貝葉斯方法
8.4 自助法和貝葉斯推理之間的聯(lián)系
8.5 EM算法
8.6 從后驗中抽樣的MCMC
8.7 裝袋
8.8 模型平均和堆棧
8.9 隨機搜索：沖擊
文獻注釋
習(xí)題

第9章 加法模型、樹和相關(guān)方法
9.1 廣義加法模型
9.2 基于樹的方法
9.3 PRIM——凸點搜索
9.4 MARS：多元自適應(yīng)回歸樣條
9.5 分層專家混合
9.6 遺漏數(shù)據(jù)
9.7 計算考慮
文獻注釋
習(xí)題

第10章 提升和加法樹
10.1 提升方法
10.2 提升擬合加法模型
10.3 前向分步加法建模
10.4 指數(shù)損失函數(shù)和AdaBoost
10.5 為什么使用指數(shù)損失
10.6 損失函數(shù)和健壯性
10.7 數(shù)據(jù)挖掘的“現(xiàn)貨”過程
10.8 例：垃圾郵件數(shù)據(jù)
10.9 提升樹
10.10 數(shù)值優(yōu)化
10.11 提升適當(dāng)大小的樹
10.12 正則化
10.13 可解釋性
10.14 實例
文獻注釋
習(xí)題

第11章 神經(jīng)網(wǎng)絡(luò)
11.1 引言
11.2 投影尋蹤回歸
11.3 神經(jīng)網(wǎng)絡(luò)
11.4 擬合神經(jīng)網(wǎng)絡(luò)
11.5 訓(xùn)練神經(jīng)網(wǎng)絡(luò)的一些問題
11.6 例：模擬數(shù)據(jù)
11.7 例：ZIP編碼數(shù)據(jù)
11.8 討論
11.9 計算考慮
文獻注釋
習(xí)題

第12章 支持向量機和柔性判別
12.1 引言
12.2 支持向量分類器
12.3 支持向量機
12.4 線性判別分析的推廣
12.5 柔性判別分析
12.6 罰判別分析
12.7 混合判別分析
12.8 計算考慮
文獻注釋
習(xí)題

第13章 原型方法和最近鄰
13.1 引言
13.2 原型方法
13.3 K-最近鄰分類器
13.4 自適應(yīng)的最近鄰方法
13.5 計算考慮
文獻注釋
習(xí)題

第14章 無指導(dǎo)學(xué)習(xí)
14.1 引言
14.2 關(guān)聯(lián)規(guī)則
14.3 聚類分析
14.4 自組織映射
14.5 主成分、曲線和曲面
14.6 獨立成分分析和探測性投影尋蹤
14.7 多維定標(biāo)
文獻注釋
習(xí)題
術(shù)語表
參考文獻