网志栈编辑推荐
孀偶扑慊?托畔⑹贝?牡嚼矗?臣莆侍獾墓婺：透丛有远加辛思本缭黾印Ｊ?荽娲ⅰ⒆橹?图焖髁煊虻奶粽降贾乱桓鲂铝煊颉笆?萃诰颉钡牟??Ｊ?萃诰蚴且桓龆嘌Э平徊媪煊颍?婕笆?菘饧际酢⒒?餮?啊⑼臣蒲А⑸窬??纭⒛Ｊ绞侗稹⒅?犊狻⑿畔⑻崛 ⒏咝阅芗扑愕戎疃嗔煊颍?⒃诠ひ怠⑸涛瘛⒉凭?⑼ㄐ拧⒁搅莆郎?⑸?锕こ獭⒖蒲У戎诙嘈幸档玫搅斯惴旱挠τ谩 ；
内容简介
计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础，但常常用不同的术语来表达。本书介绍了这些领域的一些重要概念。尽管应用的是统计学方法，但强调的是概念，而不是数学。许多例子附以彩图。本书内容广泛，从有指导的学习（预测）到无指导的学习，应有尽有。包括神经网络、支持向量机、分类树和提升等主题，是同类书籍中介绍得最全面的。 本书可作为高等院校相关专业本科生和研究生的教材，对于统计学相关人员、科学界和业界关注数据挖掘的人，本书值得一读。
作者简介
Trevor Hastie,Robert Tibshirani和Jerome Friedman都是斯坦福大学统计学教授，并在这个领域做出了杰出的贡献。Hastie和Tibshirani提出了广义和加法模型，并出版专著“Generalized Additive Models”。Hastie的主要研究领域为：非参数回归和分类、统计计算以及生物信息学、医
目录
第1章 绪论
第2章 有指导学习概述
2.1 引言
2.2 变量类型和术语
2.3 两种简单预测方法：最小二乘方和最近邻法
2.4 统计判决理论
2.5 高维空间的局部方法
2.6 统计模型、有指导学习和函数逼近
2.7 结构化回归模型
2.8 受限的估计方法类
2.9 模型选择和偏倚-方差权衡
文献注释
习题
第3章 回归的线性方法
统计学习基础：数据挖掘、推理与预测 pdf下载声明
本pdf资料下载仅供个人学习和研究使用，不能用于商业用途，请在下载后24小时内删除。如果喜欢，请购买正版
