- 统计学习入门
- - 作者：宋丛威|责编:贾斌//董柳吟
  - 出版社：清华大学
  - ISBN：9787302710134
  - 出版日期：2026/03/01
  - 页数：445
- 售价：35.96

内容大纲
    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。
作者介绍
目录
第一部分  基础篇
  第1章  统计学回顾
    1.1  概率论基础
      1.1.1  分布与概率模型
      1.1.2  联合分布、边缘分布、条件分布
    1.2  统计学基础
      1.2.1  总体与样本
      1.2.2  统计模型的定义
      1.2.3  样本
      1.2.4  参数估计
      1.2.5  估计器与算法
      1.2.6  Bayesian方法
      1.2.7  统计决策
      1.2.8  模型评估与选择
      1.2.9  预测与误差
      1.2.10  生成/模拟
      1.2.11  时间序列
    1.3  熵
      1.3.1  信息熵
      1.3.2  条件熵与互信息
      1.3.3  交叉熵与散度
    1.4  总结
    1.5  习题
  第2章  统计学习简介
    2.1  机器学习模型
    2.2  统计学习模型
      2.2.1  变量
      2.2.2  属性
      2.2.3  模型
      2.2.4  模型参数与超参数
      2.2.5  数据与数据存储
      2.2.6  统计学习模型的形式化定义
      2.2.7  Bayesian统计学习模型
      2.2.8  统计学习决策模型
      2.2.9  预测
      2.2.10  惰性模型
      2.2.11  生成
    2.3  机器学习基本流程
      2.3.1  训练和测试
      2.3.2  验证
      2.3.3  模型比较
    2.4  统计学习模型分类
      2.4.1  监督学习与无监督学习
      2.4.2  回归(降维)和分类(聚类)
      2.4.3  半监督学习
      2.4.4  判别模型和生成模型
      2.4.5  序列模型
    2.5  概率图表示
    2.6  模型等价性
    2.7  总结

    2.8  习题
第二部分  模型篇
  第3章  线性回归
    3.1  线性回归模型
      3.1.1  一维线性回归
      3.1.2  多维线性回归
      3.1.3  线性模型的参数估计
      3.1.4  参数的无偏估计
      3.1.5  线性代数基本事实
    3.2  线性模型的假设检验与统计报告
      3.2.1  假设检验
      3.2.2  预测与置信区间
      3.2.3  属性选择与拟合优度
      3.2.4  读懂statsmodels统计报告
    3.3  Bayes方法
      3.3.1  Bayesian线性回归
      3.3.2  线性回归的增量学习
      3.3.3  正则化线性回归
……
第三部分  方法篇

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目