統計學習導論：基於 R應用 (原書第2版) An Introduction to Statistical Learning: With Applications in R, 2/e

James, Gareth, Witten, Daniela, Hastie, Trevor 王星 陳志豪 吳宇桓 徐華繁

統計學習導論：基於 R應用 (原書第2版)

買這商品的人也買了...

商品描述

本書介紹了一些重要的建模和預測技術以及相關應用，涵蓋以下主題：線性回歸、分類、重采樣方法、收縮方法、基於樹的方法、支持向量機、聚類、深度學習、生存分析、多重測試等。書中每一章都包含一個教程，通過圖形和實例介紹如何實現R語言提供的分析方法。本書還提供了關於深度學習、生存分析和多重測試的新章節，以及樸素貝葉斯、廣義線性模型、貝葉斯加性回歸樹和矩陣補全的擴展內容，並對R代碼進行了全面更新。本書旨在幫助科學、工業和其他領域的從業人員學習和應用這些統計學習技術。

作者簡介

加雷斯·詹姆斯，斯坦福大學統計學博士畢業，師從Trevor Hastie。現為南加州大學馬歇爾商學院統計學教授，美國統計學會會士，數理統計協會終身會員，新西蘭統計協會會員。《Statistica Sinica》、《Applications and Case Studies》、《Theory and Methods》等期刊的副主編。

目錄大綱

譯者序
前言
第1章 導論
1.1 統計學習概述
1.2 統計學習簡史
1.3 關於本書
1.4 本書的讀者群
1.5 記號與簡單矩陣代數
1.6 本書的內容安排
1.7 用於實驗和習題的數據集
1.8 本書網站
1.9 致謝
第2章 統計學習
2.1 什麼是統計學習
2.2 評價模型精度
2.3 實驗：R語言簡介
2.4 習題
第3章 線性回歸
3.1 簡單線性回歸
3.2 多元線性回歸
3.3 回歸模型中的其他註意事項
3.4 營銷計劃
3.5 線性回歸與K最近鄰法的比較
3.6 實驗：線性回歸
3.7 習題
第4章 分類
4.1 分類問題概述
4.2 為什麼線性回歸不可用
4.3 邏輯斯諦回歸
4.4 用於分類的生成模型
4.5 分類方法的比較
4.6 廣義線性模型
4.7 實驗：分類方法
4.8 習題
第5章 重抽樣方法
5.1 交叉驗證法
5.2 自助法
5.3 實驗：交叉驗證法和自助法
5.4 習題
第6章 線性模型選擇與正則化
6.1 子集選擇
6.2 壓縮估計方法
6.3 降維方法
6.4 高維問題
6.5 實驗：線性模型和正則方法
6.6 習題
第7章 非線性模型
7.1 多項式回歸
7.2 階梯函數
7.3 基函數
7.4 回歸樣條
7.5 光滑樣條
7.6 局部回歸
7.7 廣義可加模型
7.8 實驗：非線性建模
7.9 習題
第8章 基於樹的方法
8.1 決策樹基本原理
8.2 裝袋法、隨機森林、提升法和貝葉斯加性回歸樹
8.3 實驗：決策樹
8.4 習題
第9章 支持向量機
9.1 最大間隔分類器
9.2 支持向量分類器
9.3 狹義的支持向量機
9.4 多分類的支持向量機
9.5 與邏輯斯諦回歸的關系
9.6 實驗：支持向量機
9.7 習題
第10章 深度學習
10.1 單隱層神經網絡
10.2 多隱層神經網絡
10.3 卷積神經網絡
10.4 文本分類
10.5 循環神經網絡
10.6 深度學習適用場景
10.7 擬合神經網絡
10.8 插值和雙下降
10.9 實驗：深度學習
10.10 習題
第11章 生存分析與刪失數據
11.1 生存時間與刪失時間
11.2 細說刪失
11.3 KaplanMeier生存曲線
11.4 對數秩檢驗
11.5 生存響應下的回歸模型
11.6 Cox模型的壓縮
11.7 其他主題
11.8 實驗：生存分析
11.9 習題
第12章 無監督學習
12.1 無監督學習的挑戰
12.2 主成分分析
12.3 缺失值與矩陣補全
12.4 聚類分析方法
12.5 實驗：無監督學習
12.6 習題
第13章 多重檢驗
13.1 假設檢驗的快速回顧
13.2 多重檢驗的挑戰
13.3 族錯誤率
13.4 假發現率
13.5 計算p值和假發現率的重采樣方法
13.6 實驗：多重檢驗
13.7 習題

類似商品

最後瀏覽商品 (6)