成功加入购物车

去购物车结算 X
北京华泽书店
  • 9787510084508/统计学习基础 (第2版)(英文版)

9787510084508/统计学习基础 (第2版)(英文版)

举报
  • 作者: 
  • 出版社:   世界图书出版公司
  • ISBN:   9787510084508
  • 出版时间: 
  • 版次:   2
  • 装帧:   平装
  • 开本:   24开
  • 纸张:   胶版纸
  • 页数:   745页
  • 作者: 
  • 出版社:  世界图书出版公司
  • ISBN:  9787510084508
  • 出版时间: 
  • 版次:  2
  • 装帧:  平装
  • 开本:  24开
  • 纸张:  胶版纸
  • 页数:  745页

售价 79.00 6.6折

定价 ¥119.00 

品相 全新

优惠 满包邮

运费

上书时间2019-05-22

数量
库存5
微信扫描下方二维码
微信扫描打开成功后,点击右上角”...“进行转发

卖家超过10天未登录

  • 商品详情
  • 店铺评价
  • 商品分类:
    社会文化
    货号:
    库存
    商品描述:
    基本信息

    书名:统计学习基础 (第2版)(英文版)

    定价:119.00元

    作者:(德)黑斯蒂 著

    出版社:世界图书出版公司

    出版日期:2015-01-01

    ISBN:9787510084508

    字数:

    页码:

    装帧:平装

    开本:[Format

    内容简介:

    本书是Springer统计系列丛书之一,旨在让读者深入了解数据挖掘和预测。

    随着计算机和信息技术迅猛发展,医学、生物学、金融、以及市场等各个领域的大量数据的产生,处理这些数据以及挖掘它们之间的关系对于一个统计工作者显得尤为重要。本书运用共同的理论框架将这些领域的重要观点做了很好的阐释,重点强调方法和概念基础而非理论性质,运用统计的方法更是突出概念而非数学。另外,书中大量的彩色图例可以帮助读者更好地理解概念和理论。

    目次:导论; 监督学习概述; 线性回归模型; 线性分类方法; 基展开与正则性; 核方法; 模型评估与选择; 模型参考与平均; 可加性模型,树与相关方法; 神经网络; 支持向量机器与弹性准则; 原型法和*近邻居; 无监督学习。

    作者简介:

    暂无

    目录:

    Preface to the Second Edition

    Preface to the First Edition

    1Introduction

    2Overview of Supervised Learning

    2.1Introduction

    2.2Variable Types and Terminology

    2.3Two Simple Approaches to Prediction LeastSquares and Nearest Neighbors

    2.3.1Linear Models and Least Squares

    2.3.2Nearest-Neighbor Methods

    2.3.3From Least Squares to Nearest Neighbors

    2.4Statistical Decision Theory

    2.5Local Methods in High Dimensions

    2.6Statistical Models, Supervised Learning and Function Approximation

    2.6.1A Statistical Model for the Joint Distribution Pr(X,Y)Preface to the Second Edition

    Preface to the First Edition

    1Introduction

    2Overview of Supervised Learning

    2.1Introduction

    2.2Variable Types and Terminology

    2.3Two Simple Approaches to Prediction LeastSquares and Nearest Neighbors

    2.3.1Linear Models and Least Squares

    2.3.2Nearest-Neighbor Methods

    2.3.3From Least Squares to Nearest Neighbors

    2.4Statistical Decision Theory

    2.5Local Methods in High Dimensions

    2.6Statistical Models, Supervised Learning and Function Approximation

    2.6.1A Statistical Model for the Joint Distribution Pr(X,Y)

    2.6.2Supervised Learning

    2.6.3Function Approximation

    2.7Structured Regression Models

    2.7.1Difficulty of the Problem

    2.8Classes of Restricted Estimators

    2.8.1Roughness Penalty and Bayesian Methods

    2.8.2Kernel Methods and Local Regression

    2.8.3Basis Functions and Dictionary Methods

    2.9Model Selection and the Bias-Variance rlyadeoff Bibliographic Notes

    Exercises

    3Linear Methods for Regression

    3.1Introduction

    3.2Linear Regression Models and Least Squares

    3.2.1Example: Prostate Cancer

    3.2.2The Gauss-Markov Theorem

    3.2.3Multiple Regression from Simple Univariate Regression

    3.2.4Multiple Outputs

    3.3Subset Selection

    3.3.1Best-Subset Selection

    3.3.2Forward- and Backward-Stepwise Selection

    3.3.3Forward-Stagewise Regression

    3.3.4Prostate Cancer Data Example (Continued)

    3.4Shrinkage Methods

    3.4.1Ridge Regression

    3.4.2The Lasso

    3.4.3Discussion: Subset Selection, Ridge Regression and the Lasso

    3.4.4Least Angle Regression

    3.5Methods Using Derived Input Directions

    3.5.1Principal Components Regression

    3.5.2Partial Least Squares

    3.6Discussion: A Comparison of the Selection and Shrinkage Methods

    3.7Multiple Out*e Shrinkage and Selection

    3.8More on the Lasso and Related Path Algorithms

    3.8.1Incremental Forward Stagewise Regression

    3.8.2Piecewise-Linear Path Algorithms

    3.8.3The Dantzig Selector

    3.8.4The Grouped Lasso

    3.8.5Further Properties of the Lasso

    3.8.6Pathwise Coordinate Optimization

    3.9Computational Considerations Bibliographic Notes

    Exercises

    ……

    4Linear Methods for Classification

    5Basis Expansions and Regularization

    6Kernel Smoothing Methods

    7Model Assessment and Selection

    8Modellnference and Averaging

    9Additive Models, Trees, and Related Methods

    10Boosting and Additive Trees

    11Neural Networks

    12Support Vector Machines and Flexible Discriminants

    13Prototype Methods and Nearest-Neighbors

    14Unsupervised Learning

    15Random Forests

    16Ensemble Learning

    17Undirected Graphical Models

    18High-Dimensional Problems: p≥N

    References

    Author Index

    Index

    配送说明

    ...

    为你推荐