这本书的第五版继续讲述如何运用概率论来深入了解真实日常的统计问题。这本书是为工程、计算机科学、数学、统计和自然科学的学生编写的统计学、概率论和统计的入门课程。因此,它假定有基本的微积分知识。

第一章介绍了统计学的简要介绍,介绍了它的两个分支:描述统计学和推理统计学,以及这门学科的简短历史和一些人,他们的早期工作为今天的工作提供了基础。

第二章将讨论描述性统计的主题。本章展示了描述数据集的图表和表格,以及用于总结数据集某些关键属性的数量。

为了能够从数据中得出结论,有必要了解数据的来源。例如,人们常常假定这些数据是来自某个总体的“随机样本”。为了确切地理解这意味着什么,以及它的结果对于将样本数据的性质与整个总体的性质联系起来有什么意义,有必要对概率有一些了解,这就是第三章的主题。本章介绍了概率实验的思想,解释了事件概率的概念,并给出了概率的公理。

我们在第四章继续研究概率,它处理随机变量和期望的重要概念,在第五章,考虑一些在应用中经常发生的特殊类型的随机变量。给出了二项式、泊松、超几何、正规、均匀、伽玛、卡方、t和F等随机变量。

成为VIP会员查看完整内容
2
109

相关内容

本话题关于日常用语「概率」,用于讨论生活中的运气、机会,及赌博、彩票、游戏中的「技巧」。关于抽象数学概念「概率」的讨论,请转 概率(数学)话题。

这本书没有假设读者在统计方面有任何预先训练,这本书的第一部分描述了基本的统计原理,从一个观点,使他们的缺点直观和容易理解。重点是用语言和图形来描述概念。第二部分描述了解决第一部分所涵盖问题的现代方法。使用来自实际研究的数据,包括许多例子来说明传统程序的实际问题,以及更多的现代方法如何能对统计研究的许多领域中得出的结论产生实质性的影响。

这本书的第二版包括了自从第一版出现以来发生的一些进展和见解。包括与中位数相关的新结果,回归,关联的测量,比较依赖组的策略,处理异方差的方法,以及效应量的测量。

成为VIP会员查看完整内容
0
36

《图像处理手册》一直被评为计算机图像处理的最佳整体介绍,涵盖二维(2D)和三维(3D)成像技术、图像打印和存储方法、图像处理算法、图像和特征测量、定量图像测量分析等等。

  • 比以前的版本有更多的计算密集型算法
  • 提供更好的组织,更多的定量结果,和最新发展的新材料
  • 包括在3D成像和在统计分析上彻底修改的一章完全重写的章节
  • 包含超过1700个参考文献的理论,方法,和应用在广泛的学科
  • 呈现了500多个全新的人物和图像,其中超过三分之二是彩色的

《图像处理手册》第七版提供一个可接近的和最新的图像处理的处理,提供广泛的覆盖和算法的比较,方法,和结果。

成为VIP会员查看完整内容
0
100

这本教科书通过提供实用的建议,使用直接的例子,并提供相关应用的引人入胜的讨论,以一种容易理解的方式介绍了基本的机器学习概念。主要的主题包括贝叶斯分类器,最近邻分类器,线性和多项式分类器,决策树,神经网络,和支持向量机。后面的章节展示了如何通过“推进”的方式结合这些简单的工具,如何在更复杂的领域中利用它们,以及如何处理各种高级的实际问题。有一章专门介绍流行的遗传算法。

这个修订的版本包含关于工业中机器学习的实用应用的关键主题的三个全新的章节。这些章节研究了多标签域,无监督学习和它在深度学习中的使用,以及归纳逻辑编程的逻辑方法。许多章节已经被扩展,并且材料的呈现已经被增强。这本书包含了许多新的练习,许多解决的例子,深入的实验,和独立工作的计算机作业。

https://link.springer.com/book/10.1007/978-3-319-63913-0#about

成为VIP会员查看完整内容
0
122

本书涵盖了这些领域中使用Python模块演示的概率、统计和机器学习的关键思想。整本书包括所有的图形和数值结果,都可以使用Python代码及其相关的Jupyter/IPython Notebooks。作者通过使用多种分析方法和Python代码的有意义的示例,开发了机器学习中的关键直觉,从而将理论概念与具体实现联系起来。现代Python模块(如panda、y和Scikit-learn)用于模拟和可视化重要的机器学习概念,如偏差/方差权衡、交叉验证和正则化。许多抽象的数学思想,如概率论中的收敛性,都得到了发展,并用数值例子加以说明。本书适合任何具有概率、统计或机器学习的本科生,以及具有Python编程的基本知识的人。

成为VIP会员查看完整内容
0
112

《R之书》是一本全面的入门指南,介绍了世界上最流行的统计分析编程语言R。即使你没有编程经验,只具备一些基本的数学基础,你也会发现开始有效地使用R进行统计分析所需要的一切。

您将从基础知识开始,比如如何处理数据和编写简单的程序,然后再转向更高级的主题,比如生成数据的统计摘要以及执行统计测试和建模。您还将学习如何使用R的基本图形工具和贡献的包(如ggplot2和ggvis)创建令人印象深刻的数据可视化,以及使用rgl包创建交互式3D可视化。

几十个动手练习(可下载的解决方案)带你从理论到实践,你学习:

  • R语言编程的基础,包括如何编写数据帧、创建函数、使用变量、语句和循环
  • 统计概念,如探索性数据分析,概率,假设检验,回归建模,以及如何在R中执行它们
  • 如何访问R的数千个函数、库和数据集
  • 如何从数据中得出有效和有用的结论
  • 如何创建发布质量图形的结果

结合实际例子和练习的详细解释,这本书将为您提供一个坚实的统计和R的功能的深度理解。让R这本书成为你进入日益增长的数据分析世界的大门。

成为VIP会员查看完整内容
0
49

高斯过程(GPs)为核机器的学习提供了一种有原则的、实用的、概率的方法。在过去的十年中,GPs在机器学习社区中得到了越来越多的关注,这本书提供了GPs在机器学习中理论和实践方面长期需要的系统和统一的处理。该书是全面和独立的,针对研究人员和学生在机器学习和应用统计学。

这本书处理监督学习问题的回归和分类,并包括详细的算法。提出了各种协方差(核)函数,并讨论了它们的性质。从贝叶斯和经典的角度讨论了模型选择。讨论了许多与其他著名技术的联系,包括支持向量机、神经网络、正则化网络、相关向量机等。讨论了包括学习曲线和PAC-Bayesian框架在内的理论问题,并讨论了几种用于大数据集学习的近似方法。这本书包含说明性的例子和练习,和代码和数据集在网上是可得到的。附录提供了数学背景和高斯马尔可夫过程的讨论。

成为VIP会员查看完整内容
0
91

贝叶斯数据分析第三版,这本经典的书被广泛认为是关于贝叶斯方法的主要著作,用实用的方法来分析数据和解决研究问题。贝叶斯数据分析,第三版继续采取一种实用的方法来分析使用最新的贝叶斯方法。作者——统计界权威——在介绍高级方法之前,先从数据分析的角度介绍基本概念。在整个文本中,大量的工作示例来自实际应用和研究,强调在实践中使用贝叶斯推理。

第三版新增

  • 非参数建模的四个新章节
  • 覆盖信息不足的先验和边界回避的先验
  • 关于交叉验证和预测信息标准的最新讨论
  • 改进的收敛性监测和有效的样本容量计算迭代模拟
  • 介绍了哈密顿的蒙特卡罗、变分贝叶斯和期望传播
  • 新的和修改的软件代码

这本书有三种不同的用法。对于本科生,它介绍了从第一原则开始的贝叶斯推理。针对研究生,本文提出了有效的方法,目前贝叶斯建模和计算的统计和相关领域。对于研究人员来说,它提供了应用统计学中的各种贝叶斯方法。其他的资料,包括例子中使用的数据集,所选练习的解决方案,以及软件说明,都可以在本书的网页上找到。

贝叶斯数据分析课程

https://avehtari.github.io/BDA_course_Aalto/index.html

成为VIP会员查看完整内容
0
138

在Python中获得操作、处理、清理和处理数据集的完整说明。本实用指南的第二版针对Python 3.6进行了更新,其中包含了大量的实际案例研究,向您展示了如何有效地解决广泛的数据分析问题。在这个过程中,您将学习最新版本的panda、NumPy、IPython和Jupyter。

本书由Python panda项目的创建者Wes McKinney编写,是对Python中的数据科学工具的实用的、现代的介绍。对于刚接触Python的分析人员和刚接触数据科学和科学计算的Python程序员来说,它是理想的。数据文件和相关材料可以在GitHub上找到。

  • 使用IPython外壳和Jupyter笔记本进行探索性计算
  • 学习NumPy (Numerical Python)中的基本和高级特性
  • 开始使用pandas库的数据分析工具
  • 使用灵活的工具来加载、清理、转换、合并和重塑数据
  • 使用matplotlib创建信息可视化
  • 应用panda groupby工具对数据集进行切片、切割和汇总
  • 分析和处理有规律和不规则的时间序列数据
  • 学习如何解决现实世界的数据分析问题与彻底的,详细的例子
成为VIP会员查看完整内容
0
89
小贴士
相关主题
相关VIP内容
专知会员服务
100+阅读 · 2020年7月26日
【干货书】《机器学习导论(第二版)》,348页pdf
专知会员服务
122+阅读 · 2020年6月16日
专知会员服务
112+阅读 · 2020年6月3日
专知会员服务
49+阅读 · 2020年5月9日
专知会员服务
91+阅读 · 2020年5月2日
专知会员服务
104+阅读 · 2020年4月29日
【经典书】Python数据数据分析第二版,541页pdf
专知会员服务
89+阅读 · 2020年3月12日
相关论文
Simone Scardapane,Indro Spinelli,Paolo Di Lorenzo
14+阅读 · 2020年7月13日
Wenwu Zhu,Xin Wang,Peng Cui
18+阅读 · 2020年1月2日
Hardness-Aware Deep Metric Learning
Wenzhao Zheng,Zhaodong Chen,Jiwen Lu,Jie Zhou
5+阅读 · 2019年3月13日
Simplifying Graph Convolutional Networks
Felix Wu,Tianyi Zhang,Amauri Holanda de Souza Jr.,Christopher Fifty,Tao Yu,Kilian Q. Weinberger
10+阅读 · 2019年2月19日
CoQA: A Conversational Question Answering Challenge
Siva Reddy,Danqi Chen,Christopher D. Manning
7+阅读 · 2018年8月21日
Felix Laumann,Kumar Shridhar,Adrian Llopart Maurin
17+阅读 · 2018年6月27日
Christopher P. Burgess,Irina Higgins,Arka Pal,Loic Matthey,Nick Watters,Guillaume Desjardins,Alexander Lerchner
3+阅读 · 2018年4月10日
Mohammad Mehdi Keikha,Maseud Rahgozar,Masoud Asadpour
3+阅读 · 2018年2月19日
Tomasz Jurczyk,Amit Deshmane,Jinho Choi
5+阅读 · 2018年1月6日
Top