正版全新
-
作者:
宋丛威
-
出版社:
清华大学出版社
-
ISBN:
9787302710134
-
出版时间:
2022-12
-
作者:
宋丛威
-
出版社:
清华大学出版社
-
ISBN:
9787302710134
售价
￥
62.39
6.9折
定价
￥89.90
品相
全新
上书时间2026-07-28
卖家超过10天未登录
-
-
商品描述：
-
【书 名】 统计学习入门
【书 号】 9787302710134
【出 版 社】 清华大学出版社
【作 者】 宋丛威
【出版日期】 2026-03-01
【开 本】 16开
【定 价】 89.90元
【编辑推荐】
统计学习通常被定义为一种主要运用统计学方法的机器学习理论。它关注多个随机变量的建模，模型参数的估计方法，以及模型在不同数据集上的泛化能力。通过统计学习，我们能够深入理解数据规律，作出精准预测，并为决策提供可靠支持。这一理论广泛应用于数据挖掘、模式识别和信息处理等众多人工智能领域，为解决实际问题提供了有力工具。
【内容简介】
本书旨在为读者提供一本全面且深入的关于统计学习的学术著作。在信息爆炸的时代，数据的价值日益凸显，而统计学习作为数据分析和知识提取的有力工具，其重要性不言而喻。本书在弥补理论与实践鸿沟的同时，力求达到专业数理统计学著作的规范标准。本书分为基础篇、模型篇和方法篇三部分。基础篇回顾了概率论和统计学的基础知识，并简要介绍了统计学习的理论框架。模型篇则详细阐述了包括线性回归、分类、朴素Bayes分类器、决策树、聚类、降维、隐变量模型和时间序列与隐Markov模型等多种统计学习模型。方法篇则聚焦于核方法、局部化方法、神经统计模型和集成方法等统计学习中的关键技术。在介绍经典模型和方法的同时，本书也提及重要的科技前沿。本书不仅注重理论的严谨性，也强调实际应用的价值。通过具体的模型和案例分析，为读者提供实用的指导。本书比较重视模型的结构与性质，并揭示不同模型之间的关联。在阐述经典理论的同时，笔者还融入了自己对现有模型的独到见解。无论是学术研究者、学生，还是从业人员、工程师，甚至是普通爱好者，本书都将是你学习统计学习的重要资源。
【目录】
目录
第*部分基础篇..................................................................................1
第 1章统计学回顾 .............................................................................................3
1.1概率论基础..............................................................................................3
1.1.1分布与概率模型 ............................................................................3
1.1.2联合分布、边缘分布、条件分布 .....................................................5
1.2统计学基础..............................................................................................5
1.2.1总体与样本 ...................................................................................6
1.2.2统计模型的定义 ............................................................................7
1.2.3样本 .............................................................................................8
1.2.4参数估计 ......................................................................................9
1.2.5估计器与算法.............................................................................. 13
1.2.6 Bayesian方法 ............................................................................. 13
1.2.7统计决策 .................................................................................... 15
1.2.8模型评估与选择 .......................................................................... 18
1.2.9预测与误差 ................................................................................. 19
1.2.10生成/模拟 ................................................................................. 24
1.2.11时间序列................................................................................... 24
1.3熵 ......................................................................................................... 25
1.3.1信息熵........................................................................................ 25
1.3.2条件熵与互信息 .......................................................................... 26
1.3.3交叉熵与散度.............................................................................. 27
1.4总结...................................................................................................... 28
1.5习题...................................................................................................... 28
第 2章统计学习简介 ........................................................................................ 31
2.1机器学习模型 ........................................................................................ 31
2.2统计学习模型 ........................................................................................ 33
2.2.1变量 ........................................................................................... 33
2.2.2属性 ........................................................................................... 35
2.2.3模型 ........................................................................................... 35
2.2.4模型参数与超参数 ....................................................................... 36
2.2.5数据与数据存储 .......................................................................... 36
2.2.6统计学习模型的形式化定义.......................................................... 37
2.2.7 Bayesian统计学习模型................................................................ 40
2.2.8统计学习决策模型 ....................................................................... 41
2.2.9预测 ........................................................................................... 43
2.2.10惰性模型................................................................................... 44
2.2.11生成 ......................................................................................... 46
2.3机器学习基本流程.................................................................................. 46
2.3.1训练和测试 ................................................................................. 47
2.3.2验证 ........................................................................................... 47
2.3.3模型比较 .................................................................................... 47
2.4统计学习模型分类.................................................................................. 48
2.4.1监督学习与无监督学习 ................................................................ 48
2.4.2回归 (降维)和分类 (聚类) .......................................................... 48
2.4.3半监督学习 ................................................................................. 49
2.4.4判别模型和生成模型.................................................................... 50
2.4.5序列模型 .................................................................................... 51
2.5概率图表示............................................................................................ 52
2.6模型等价性............................................................................................ 53
2.7总结...................................................................................................... 53
2.8习题...................................................................................................... 54
第二部分模型篇 ...............................................................................57
第 3章线性回归............................................................................................... 59
3.1线性回归模型 ........................................................................................ 59
3.1.1一维线性回归.............................................................................. 59
3.1.2多维线性回归.............................................................................. 60
3.1.3线性模型的参数估计.................................................................... 62
3.1.4参数的无偏估计 .......................................................................... 63
3.1.5线性代数基本事实 ....................................................................... 63
3.2线性模型的假设检验与统计报告.............................................................. 64
3.2.1假设检验 .................................................................................... 65
3.2.2预测与置信区间 .......................................................................... 67
3.2.3属性选择与拟合优度.................................................................... 68
3.2.4读懂 statsmodels统计报告........................................................... 70
3.3 Bayes方法 ............................................................................................ 71
3.3.1 Bayesian线性回归 ...................................................................... 71
3.3.2线性回归的增量学习.................................................................... 73
3.3.3正则化线性回归 .......................................................................... 73
3.4其他话题 ............................................................................................... 75
3.4.1广义线性回归.............................................................................. 75
3.4.2线性混合模型.............................................................................. 76
3.4.3线性回归的迭代算法.................................................................... 77
3.4.4非线性回归 ................................................................................. 77
3.4.5多项式回归 ................................................................................. 78
3.5总结...................................................................................................... 79
3.6习题...................................................................................................... 80
第 4章分类 ..................................................................................................... 81
4.1准备...................................................................................................... 82
4.1.1判别函数 .................................................................................... 82
4.1.2条件似然函数.............................................................................. 83
4.2 Logistic回归 ......................................................................................... 84
4.2.1 0-1 Logistic回归 ......................................................................... 84
4.2.2替代损失函数与间隔模型 ............................................................. 87
4.2.3多分类 Logistic回归 ....
![]()
孔网啦啦啦啦啦纺织女工火锅店第三课
开播时间：09月02日 10:30
即将开播，去预约
直播中，去观看
占位居中
