掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
妙相梵容
-
>
基立爾蒙文:蒙文
-
>
我的石頭記
-
>
心靈元氣社
-
>
女性生存戰爭
-
>
縣中的孩子 中國縣域教育生態
-
>
(精)人類的明天(八品)
“十四五”規劃教材:從數據到結論(第五版) 版權信息
- ISBN：9787503797057
- 條形碼：9787503797057 ; 978-7-5037-9705-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
“十四五”規劃教材:從數據到結論(第五版) 內容簡介
本書由淺入深地講授統計學基礎知識，并提供了統計方法的兩種軟件，既R和Python的使用方法，讓讀者可以邊學習邊著手用統計軟件處理數據。全書涉及統計學基本概念、數據的收集、數據的描述、概率和分布、變量之間的關系（回歸和分類、多元分析）、時間序列分析、生存分析簡介和基本軟件使用方法的介紹等。本書前面的章節是對統計基本概念的介紹，后半部分則介紹了更有針對性的一些統計模型、方法和應用。
“十四五”規劃教材:從數據到結論(第五版) 目錄
前言
第1章 一些基本概念
1．1 統計：作為數據科學
1．2 現實中的隨機性和規律性，概率和機會
1．3 變量和數據
1．4 變量之間的關系
1．4．1 定性變量間的關系
1．4．2 定性和定量變量間的混合關系
1．5 統計、計算機與統計軟件
1．6 本章的Python代碼
1．7 習題
第2章 數據的收集
2．1 數據是怎樣得到的
2．2 個體、總體和樣本
2．3 參考資料：抽樣調查和一些常用的方法
2．3．1 概述
2．3．2 概率抽樣例子
2．3．3 非概率抽樣例子
2．3．4 收集數據時的誤差
2．3．5 問卷調查的問題
2．4 習題
第3章 數據的描述
3．1 如何用圖來表示數據
3．1．1 定量變量的圖表示：直方圖、盒形圖、莖葉圖和散點圖
3．1．2 定性變量的圖表示：餅圖和條形圖
3．1．3 其他圖描述法
3．2 如何用少量數字來概括數據
3．2．1 數據的“位置”
3．2．2 數據的“尺度”
3．2．3 數據的標準得分
3．3 本章的Python代碼
3 3．1 直方圖
3．3．2 盒形圖
3．3．3 莖葉圖
3．3．4 散點圖
3．3．5 餅圖
3．3．6 條形圖
3．3．7 數據的標準得分
3．4 習題
第4章 機會的度量：概率和分布
4．1 得到概率的幾種途徑
4．2 概率的運算
4．3 變量的分布
4．3．1 離散隨機變量
4．3．2 離散分布例子：二項分布
4．3．3 離散分布例子：多項分布
4．3．4 離散分布例子：Poisson分布
4．3．5 離散分布例子：超幾何分布
4．3．6 連續隨機變量
4．3．7 累積分布函數
4．3．8 連續分布例子：正態分布
4．3．9 通過正態分布說明連續分布的概率
4．3．10 連續分布例子：均勻分布
4．3．11 實際數據中變量的經驗分布
4．4 抽樣分布
4．4．1 什么是抽樣分布
4．4．2 中心極限定理
4．5 本章的Python代碼
4．5．1 二項分布
4．5．2 Poisson分布
4．5．3 連續隨機變量的分布
4．5．4 正態分布
4．5．5 均勻分布
4．5．6 經驗分布
4．5．7 抽樣分布
4．6 習題
第5章 有監督學習——回歸和分類
5．1 問題的提出
5．1．1 多變量相互作用的真實世界
5．1．2 數據科學的核心是有監督學習的預測
5．2 通過數據案例理解有監督學習：分類問題
5．2．1 例5．1欺詐競標數據
5．2．2 探索性數據分析
5．2．3 建立一個決策樹分類模型
5．2．4 如何選擇分類決策樹的拆分變量
5．2．5 預測精度的交叉驗證
5．2．6 例5．1欺詐競標數據決策樹分類的變量重要性
5．3 通過數據案例理解有監督學習：回歸問題
5．3．1 例5．2混凝土強度數據
5．3．2 探索性數據分析
5．3．3 建立一個決策樹回歸模型
5．3．4 如何選擇回歸決策樹的拆分變量
5．3．5 回歸中的交叉驗證預測精度與殘差的區別
5．3．6 例5．2 混凝土強度數據回歸預測精度的交叉驗證
5．3．7 例5．2 混凝土強度數據決策樹回歸的變量重要性
5．4 若干有監督學習模型
5．4．1 更多的例子
5．4．2 兩類模型的概述及交叉驗證
5．4．3 bagging分類和回歸
5．4．4 adaboost分類
5．4．5 隨機森林分類和回歸
5．4．6 SVM分類和回歸
5．4．7 *小二乘線性回歸
5．4．8 用于二分類的logistic回歸
5．4．9 線性判別分析分類
5．5 本章自編R函數和一些作圖代碼
5．5．1 平衡分類因變量各水平的分折函數
5．5．2 單獨模型的分類交叉驗證函數（只用于本章的模型）
5．5．3 單獨模型的回歸交叉驗證函數（只用于本章的模型）
5．5．4 課文中一些圖的代碼
5．6 本章的Python代碼
5．6．1 -些需要的模塊
5．6．2 通過數據案例理解有監督學習：分類問題
5．6．3 通過數據案例理解有監督學習：回歸問題
5．6．4 模型的概述及交叉驗證
5．6．5 bagging分類和回歸
5．6．6 adaboost分類
5 6 7 隨機森林分類和回歸
5．6．8 SVM分類和回歸
5．6．9 *小二乘線性回歸
5．6．10 Iogistic回歸二分類
5．6．11 線性判別分析做多分類
5．6．12 本章要用的一些Python自編函數
5．7 參考資料
5．7．1 線性判別分析的一些數學細節
5．7．2 支持向量機的一些數學細節
5．8 習題
第6章 無監督學習——多元分析
6．1 尋找多個變量的代表：主成分分析和因子分析
6．1．1 主成分分析
6．1．2 因子分析
6．1．3 因子分析和主成分分析的一些注意事項
6．2 把對象分類：聚類分析
6．2．1 如何度量距離遠近？
6．2．2 事先要確定分多少類：k均值聚類
6．2．3 事先不用確定分多少類：分層聚類
6．2．4 聚類要注意的問題
6．3 兩組變量之間的相關：典型相關分析
6．3．1 兩組變量的相關問題
6．3．2 典型相關分析
6．4 列聯表行變量和列變量的關系：對應分析
6．5 參考資料：一些概括及公式
6．5．1 主成分分析和因子分析
6．5．2 聚類分析
6．5．3 典型相關分析
6．5．4 對應分析
6．6 本章的Python代碼
6．6．1 主成分分析
6．6．2 因子分析
6．6．3 聚類分析
6．6．4 典型相關分析
6．6．5 對應分析
6．7 習題
……
第7章 隨時間變化的對象：時間序列分析
第8章 生存分析簡介
第9章 基本軟件：R和Python
第10章 附錄：統計顯著性：假設檢驗和區間估計
參考文獻
第1章 一些基本概念
1．1 統計：作為數據科學
1．2 現實中的隨機性和規律性，概率和機會
1．3 變量和數據
1．4 變量之間的關系
1．4．1 定性變量間的關系
1．4．2 定性和定量變量間的混合關系
1．5 統計、計算機與統計軟件
1．6 本章的Python代碼
1．7 習題
第2章 數據的收集
2．1 數據是怎樣得到的
2．2 個體、總體和樣本
2．3 參考資料：抽樣調查和一些常用的方法
2．3．1 概述
2．3．2 概率抽樣例子
2．3．3 非概率抽樣例子
2．3．4 收集數據時的誤差
2．3．5 問卷調查的問題
2．4 習題
第3章 數據的描述
3．1 如何用圖來表示數據
3．1．1 定量變量的圖表示：直方圖、盒形圖、莖葉圖和散點圖
3．1．2 定性變量的圖表示：餅圖和條形圖
3．1．3 其他圖描述法
3．2 如何用少量數字來概括數據
3．2．1 數據的“位置”
3．2．2 數據的“尺度”
3．2．3 數據的標準得分
3．3 本章的Python代碼
3 3．1 直方圖
3．3．2 盒形圖
3．3．3 莖葉圖
3．3．4 散點圖
3．3．5 餅圖
3．3．6 條形圖
3．3．7 數據的標準得分
3．4 習題
第4章 機會的度量：概率和分布
4．1 得到概率的幾種途徑
4．2 概率的運算
4．3 變量的分布
4．3．1 離散隨機變量
4．3．2 離散分布例子：二項分布
4．3．3 離散分布例子：多項分布
4．3．4 離散分布例子：Poisson分布
4．3．5 離散分布例子：超幾何分布
4．3．6 連續隨機變量
4．3．7 累積分布函數
4．3．8 連續分布例子：正態分布
4．3．9 通過正態分布說明連續分布的概率
4．3．10 連續分布例子：均勻分布
4．3．11 實際數據中變量的經驗分布
4．4 抽樣分布
4．4．1 什么是抽樣分布
4．4．2 中心極限定理
4．5 本章的Python代碼
4．5．1 二項分布
4．5．2 Poisson分布
4．5．3 連續隨機變量的分布
4．5．4 正態分布
4．5．5 均勻分布
4．5．6 經驗分布
4．5．7 抽樣分布
4．6 習題
第5章 有監督學習——回歸和分類
5．1 問題的提出
5．1．1 多變量相互作用的真實世界
5．1．2 數據科學的核心是有監督學習的預測
5．2 通過數據案例理解有監督學習：分類問題
5．2．1 例5．1欺詐競標數據
5．2．2 探索性數據分析
5．2．3 建立一個決策樹分類模型
5．2．4 如何選擇分類決策樹的拆分變量
5．2．5 預測精度的交叉驗證
5．2．6 例5．1欺詐競標數據決策樹分類的變量重要性
5．3 通過數據案例理解有監督學習：回歸問題
5．3．1 例5．2混凝土強度數據
5．3．2 探索性數據分析
5．3．3 建立一個決策樹回歸模型
5．3．4 如何選擇回歸決策樹的拆分變量
5．3．5 回歸中的交叉驗證預測精度與殘差的區別
5．3．6 例5．2 混凝土強度數據回歸預測精度的交叉驗證
5．3．7 例5．2 混凝土強度數據決策樹回歸的變量重要性
5．4 若干有監督學習模型
5．4．1 更多的例子
5．4．2 兩類模型的概述及交叉驗證
5．4．3 bagging分類和回歸
5．4．4 adaboost分類
5．4．5 隨機森林分類和回歸
5．4．6 SVM分類和回歸
5．4．7 *小二乘線性回歸
5．4．8 用于二分類的logistic回歸
5．4．9 線性判別分析分類
5．5 本章自編R函數和一些作圖代碼
5．5．1 平衡分類因變量各水平的分折函數
5．5．2 單獨模型的分類交叉驗證函數（只用于本章的模型）
5．5．3 單獨模型的回歸交叉驗證函數（只用于本章的模型）
5．5．4 課文中一些圖的代碼
5．6 本章的Python代碼
5．6．1 -些需要的模塊
5．6．2 通過數據案例理解有監督學習：分類問題
5．6．3 通過數據案例理解有監督學習：回歸問題
5．6．4 模型的概述及交叉驗證
5．6．5 bagging分類和回歸
5．6．6 adaboost分類
5 6 7 隨機森林分類和回歸
5．6．8 SVM分類和回歸
5．6．9 *小二乘線性回歸
5．6．10 Iogistic回歸二分類
5．6．11 線性判別分析做多分類
5．6．12 本章要用的一些Python自編函數
5．7 參考資料
5．7．1 線性判別分析的一些數學細節
5．7．2 支持向量機的一些數學細節
5．8 習題
第6章 無監督學習——多元分析
6．1 尋找多個變量的代表：主成分分析和因子分析
6．1．1 主成分分析
6．1．2 因子分析
6．1．3 因子分析和主成分分析的一些注意事項
6．2 把對象分類：聚類分析
6．2．1 如何度量距離遠近？
6．2．2 事先要確定分多少類：k均值聚類
6．2．3 事先不用確定分多少類：分層聚類
6．2．4 聚類要注意的問題
6．3 兩組變量之間的相關：典型相關分析
6．3．1 兩組變量的相關問題
6．3．2 典型相關分析
6．4 列聯表行變量和列變量的關系：對應分析
6．5 參考資料：一些概括及公式
6．5．1 主成分分析和因子分析
6．5．2 聚類分析
6．5．3 典型相關分析
6．5．4 對應分析
6．6 本章的Python代碼
6．6．1 主成分分析
6．6．2 因子分析
6．6．3 聚類分析
6．6．4 典型相關分析
6．6．5 對應分析
6．7 習題
……
第7章 隨時間變化的對象：時間序列分析
第8章 生存分析簡介
第9章 基本軟件：R和Python
第10章 附錄：統計顯著性：假設檢驗和區間估計
參考文獻
展開全部
書友推薦
- >
名家帶你讀魯迅:故事新編
- >
推拿
- >
我從未如此眷戀人間
- >
巴金－再思錄
- >
中國歷史的瞬間
- >
唐代進士錄
- >
龍榆生：詞曲概論/大家小書
- >
苦雨齋序跋文-周作人自編集
本類暢銷
