基礎統計學(第十四版)(Anderson 14/e)
ISBN13:9789579282826
出版社:滄海
作者:陳可杰;黃聯海-等
裝訂/頁數:平裝/496頁
出版日:2020/06/01
中國圖書分類:統計學總論
內容簡介
●內容採用問題情境導向的編寫方式,以解決實務問題為目標,引導出統計方法的介紹與應用。同時提供豐富的個案、範例與習題,闡明統計在商業及經濟領域的廣泛用途。讓讀者可隨時練習將統計方法應用在實務資料的處理上,有助於提升學習興趣。
●邊欄、註腳及評註:邊欄是本書的特色之一,將重要的概念標示於邊欄,用以強調內文中所提及的重要觀念。許多章節的段落有註腳及評註,目的在提供學生對統計的方法及應用有更多的瞭解。評註包括統計方法在應用上的限制與建議、技術性的考量的簡要說明等等。
●方法習題與應用習題:章節後習題分成兩個部分:「方法」和「應用」。「方法」習題要求學生使用公式及進行必要的計算。「應用」習題要求學生使用該章教材於真實世界的實際情形中。
●本書包含200個以上的資料集,附有資料集的練習題可在邊欄看到圖案標示。
目錄
第1章 資料與統計
第2章 敘述統計:表格與圖形法
第3章 敘述統計:數值方法
第4章 機率導論
第5章 離散機率分配
第6章 連續機率分配
第7章 抽樣與抽樣分配
第8章 區間估計
第9章 假設檢定
第10章 兩母體平均數與比例的推論
第11章 母體變異數的推論
第12章 比較多個比例、獨立性與適合度的檢定
第13章 實驗設計與變異數分析
第14章 簡單線性迴歸
附錄A 表格
附錄B 總和符號
附錄C 以Excel計算p值
立即查看
從統計思維出發:用Python實作的機器學習範例 (1版)
類似書籍推薦給您
【簡介】
●機器學習的靈魂:以統計數學為核心說明
●全書圖解及歷史來龍去脈完整說明
●從步入監督學習之旅開始
●最精要的線性迴歸模型
●完整講解K近鄰及貝氏推論
●邏輯迴歸模型及最大熵模型
●決策樹,感知機及支援向量機
●EM演算法及Boosting提升方法
統計機器學習之旅,從監督學習開始,透過分析已標記的資料集訓練模型,使預測未知資料。最基礎的就是線性迴歸。進一步深入,K近鄰(K-NN)演算法和貝氏推論是統計機器學習中的兩大核心技術。
之後則說明邏輯迴歸模型和最大熵模型,兩者專注於分類問題。決策樹、感知機和支援向量機(SVM)則代表了更進階的機器學習模型。決策樹通過構建樹狀結構來進行決策,其直觀性和易於理解的特點使其在解釋性要求較高的場景中非常受歡迎。感知機是一種二分類線性分類器,支援向量機則是一種強大的分類器,透過在特徵空間中找到一個最優分割平面來分離不同類別的數據。
最後,EM(期望最大化)演算法和Boosting方法是提升模型性能的高級技術。EM算法通過迭代最佳化來處理。
【目錄】
緒論
0.1本書講什麼,初衷是什麼
0.2貫穿本書的兩大思維模式
0.3這本書決定它還想要這樣
0.4如何使用本書
第 1 章 步入監督學習之旅
1.1機器學習從資料開始
1.2監督學習是什麼
1.3如何評價模型的好壞
1.4損失最小化思想
1.5怎樣理解模型的性能:方差 偏差折中思想
1.6如何選擇最佳模型
1.7本章小結
1.8 習題
第 2 章 線性迴歸模型
2.1探尋線性迴歸模型
2.2最小平方法
2.3線性迴歸模型的預測
2.4擴充部分:嶺迴歸與套索迴歸
2.5案例分析——共用單車資料集
2.6本章小結
2.7 習題
第 3 章 K 近鄰模型
3.1鄰友思想
3.2K 近鄰演算法
3.3最近鄰分類器的誤差率
3.4k 維樹
3.5擴充部分:距離度量學習的 K 近鄰分類器
3.6案例分析——鶯尾花資料集
3.7本章小結
3.8 習題
第 4 章 貝氏推斷
4.1貝氏思想
4.2貝氏分類器
4.3如何訓練貝氏分類器
4.4常用的單純貝氏分類器
4.5擴充部分
4.6案例分析——蘑菇資料集
4.7本章小結
4.8 習題
4.9 閱讀時間:貝氏思想的起源
第 5 章 邏輯迴歸模型
5.1一切始於邏輯函式
5.2邏輯迴歸模型的學習
5.3邏輯迴歸模型的學習演算法
5.4擴充部分
5.5案例分析——離職資料集
5.6本章小結
5.7 習題
5.8 閱讀時間:牛頓法是牛頓提出的嗎
第 6 章 最大熵模型
6.1問世間熵為何物
6.2最大熵思想
6.3最大熵模型的學習問題
6.4模型學習的最最佳化演算法
6.5案例分析——湯圓小例子
6.6本章小結
6.7 習題
6.8 閱讀時間:奇妙的對數
第 7 章 決策樹模型
7.1決策樹中蘊含的基本思想
7.2決策樹的特徵選擇
7.3決策樹的生成演算法
7.4決策樹的剪枝過程
7.5擴充部分:隨機森林
7.6案例分析——帕爾默企鵝資料集
7.7本章小結
7.8 習題
7.9 閱讀時間:經濟學中的基尼指數
第 8 章 感知機模型
8.1感知機制——從邏輯迴歸到感知機
8.2感知機的學習
8.3感知機的最佳化演算法
8.4案例分析——鶯尾花資料集
8.5本章小結
8.6 習題
第 9 章 支援向量機
9.1從感知機到支援向量機
9.2線性可分支援向量機
9.3線性支援向量機
9.4非線性支援向量機
9.5SMO 最佳化方法
9.6案例分析——電離層資料集
9.7本章小結
9.8 習題
第 10 章 EM 演算法
10.1極大似然法與 EM 演算法
10.2EM 演算法的迭代過程
10.3EM 演算法的應用
10.4本章小結
10.5 習題
第 11 章 提升方法
11.1提升方法(Boosting)是一種整合學習方法
11.2起步於 AdaBoost 演算法
11.3提升樹和 GBDT 演算法
11.4擴充部分:XGBoost 演算法
11.5案例分析——波士頓房價資料集
11.6本章小結
11.7 習題
參考文獻
附錄-小冊子
第 1 章 微積分小工具
1.1 凸函式與凹函式
1.2 幾個重要的不等式
1.3 常見的求導公式與求導法則
1.4 泰勒公式
1.5 費馬原理
第 2 章 線性代數小工具
2.1 幾類特殊的矩陣
2.2 矩陣的基本運算
2.3 二次型的矩陣表示
第 3 章 機率統計小工具
3.1 隨機變數
3.2 機率分佈
3.3 數學期望和方差
3.4 常用的幾種分佈
3.5 小技巧—從二項分佈到正態分佈的連續修正
第 4 章 最佳化小工具
4.1 梯度下降法
4.2 牛頓法
4.3 擬牛頓法
4.4 座標下降法
4.5 拉格朗日對偶思想
立即查看
WEB PAGE 應用範例實務製作精選
類似書籍推薦給您
立即查看
快速查,馬上用!CSS3+jQuery 手機網站 UI 範例實作
類似書籍推薦給您
立即查看
輕鬆搞定 Excel|試算表實作範例 (適用2016~2021) (1版)
類似書籍推薦給您
【簡介】
Excel為辦公室自動化使用率最高的應用軟體,用以處理巨量資料更是最佳選擇。學習Excel的終極目的就是運用這個工具輕鬆搞定課業、工作上的難題,只要將資料匯入整理,Excel的計算、樞紐分析、篩選…等功能就可快速產生結果,並學習如何分析資料,透過歸納整理成容易觀看的表格,進而形成統計圖表,成果一覽無遺。
本書5大重點:
★範圍名稱:以範圍名稱取代欄列編號,提昇運算式的說明性,更可簡化$(絕對位置)的設定,對於提高運算式的編輯效率有很大的效益。
★表格:將「範圍」轉變為「表格」後,表格的欄位名稱就成為範圍名稱,運算式變得簡單並大幅提高說明性。
★資料庫:大量資料如何變成一張工作表、一份資料、一個表格呢?背後就是「資料庫」,Excel資料庫功能不斷的進化,Power Query是非專業人士切入資料庫最佳選擇方案。
★VBA:函數是Excel的基本功,一旦你愛上它以後,就會發現它的不足,欲成為Excel高手的你,無法滿足於「半」自動作業!「VBA」為進階學習最佳方案,進而提升工作效率。
★教學範例:生活化、簡單化、實用化是本書教學範例設計原則,透過實作範例做中學,將「工作」與「Excel」進行對接,每一章都是一個獨立範例,符合實務工作的多元面向。
【目錄】
單元 1 函數
單元 2 月收支表
單元 3 快速填入資料
單元 4 拆解資料
單元 5 進階成績單
單元 6 大型試算表
單元 7 統計圖
單元 8 人事資料處理
單元 9 函數應用範例
單元 10 Power Query
單元 11 業績資料處理
單元 12 初探 VAB
單元 13 銷貨單
單元 14 題庫系統
單元 15 生活應用
立即查看
活用HTML與FRONTPAGE網頁實作範例
類似書籍推薦給您
立即查看