| 定價: | ||||
| 售價: | 423元 | |||
| 庫存: | 已售完 | |||
| LINE US! | 詢問這本書 團購優惠、書籍資訊 等 | |||
| 此書籍已售完，調書籍需2-5工作日。建議與有庫存書籍分開下單 | ||||
統計學導論 (3版)
定價:
450
售價:
423
現省:
27
| 付款方式: | 超商取貨付款 |
|
|
| 信用卡 |
|
||
| 線上轉帳 |
|
||
| 物流方式: | 超商取貨 | ||
| 宅配 | |||
| 門市自取 |
詳細資訊
統計學導論 3版 作(編/譯)者 : 簡聰海‧孟昭宇‧林東海‧喬繼英 著 出版年份 : 2015 ISBN : 9789864129959 類別 : 統計學 書號 : 512121 幾色 : 1 規格 : 16 發行公司 : 高立 版權日期 : 2015/07/01 版次 : 三版三刷 頁數 : 374 以深入淺出的筆法，多方應用的例釋，帶領著初學者進入統計的殿堂；由敘述統計到區間估計，許多和日常生活息息相關的問題與題材多已納入。此本書已將統計一門學問與生活相結合，期待讓讀者留下深刻印象，也才能成為其「知識體系」的基石，更引導著讀者在修習統計學一門課程的過程中更加順利與成功。 第一章 緒 論 第二章 數據之整理與表達 第三章 如何描述數據 第四章 計數技巧與機率 第五章 機率分配 第六章 常態分配 第七章 中央極限定理 第八章 信賴區間 附錄 A 附錄 B 習題解答 英中文索引
為您推薦
類似書籍推薦給您
【簡介】 本書之目標在於奠定初學者學習統計學的基礎，因此書中對於每個統計基本觀念與定理公式皆會清楚闡述，並輔之以豐富的例題與詳細的解答。讀者若能仔細閱讀本書並勤加演練，則對統計學將不再心生畏懼，且能增加學習的興趣與信心。 本書歷經八次改版，每次修訂改版皆盡可能將讀者與教師珍貴意見融入其中，修正前版錯誤之外並更新各章的例題以符合時勢，使內容更為完善且符合讀者之需求。本版（第九版）的修訂仍維持前幾版的風格，惟鑑於近年來各項考試中統計學的命題趨勢，逐漸偏向「中等統計」及觀念性問題，本次修訂的重點亦以此為主軸，增列各項考試經常出現的題型，但仍強調「深入淺出」之一貫要旨。 本書特色 一、觀念解析條理分明，內容易讀易懂。 二、強調邏輯性的思考及深入淺出的解說。 三、清楚說明公式之來源與涵義，可免除「死記公式」之困擾。 四、每章的重要單元介紹完之後，即編排該單元的練習題，藉以提高讀者演練習題的興趣。此外，章後的習題作業豐富，尤其觀念題更可提供讀者思考的訓練，有助於對觀念的透徹理解。 五、從本版書所述的統計觀念與相關範例之解說，可讓讀者體驗到統計學的知識與應用其實在我們日常生活中處處可見，因此更能增添對學習統計的興趣。 【目錄】 第1章 緒論 第2章 敘述統計(I)──列表法與圖示法 第3章 敘述統計(II)──統計量數 第4章 機率 第5章 機率分配 第6章 常用的機率分配 第7章 抽樣與抽樣分配 第8章 估計 第9章 假設檢定 第10章 兩種處理方法的比較 第11章 卡方檢定 第12章 變異數分析 第13章 迴歸分析與相關分析 第14章 無母數統計 第15章 時間數列分析 附錄
類似書籍推薦給您
【中文書】 書名：統計學：SPSS分析導論-生活中的統計應用14篇 作者：梁德馨、王智立、台灣析數顧問群 出版社：華泰 出版日期：2013/12/20 ISBN：9789576099342
類似書籍推薦給您
書名：大數據分析與應用實戰：統計機器學習之資料導向程式設計 作者：鄒慶士 出版社：東華 出版日期：2019/04/01 ISBN：9789574363407 內容簡介 本書特色 •文字說明、程式碼與執行結果等交叉呈現，有助於閱讀理解。 •來自不同領域的資料處理與分析範例。 •同時掌握資料分析兩大主流工具 - R 與 Python。 •凸顯第四代與第三代程式語言不同之處。 •深入淺出地介紹統計機器學習理論與實務。 •符合 iPAS 經濟部產業人才能力鑑定巨量資料分析師各科評鑑主題。 目錄 第一章資料導向程式設計 1.1 套件管理 1.1.1 基本套件 1.1.2 建議套件 1.1.3 貢獻套件 1.2 環境與輔助說明 1.3 R 語言資料物件 1.3.1 向量 1.3.2 矩陣 1.3.3 陣列 1.3.4 串列 1.3.5 資料框 1.3.6 因子 1.3.7 R 語言原生資料物件取值 1.3.8 R 語言衍生資料物件 1.4 Python 語言資料物件 1.4.1 Python 語言原生資料物件操弄 1.4.2 Python 語言衍生資料物件取值 1.4.3 Python 語言類別變數綸碼 1.5 向量化與隱式迴圈 1.6 編程範式與物件導向概念 1.6.1 R 語言 S3 類別 1.6.2 Python 語言物件導向 1.7 控制敘述與自訂函數 1.7.1 控制敘述 1.7.2 自訂函數 1.8 資料匯入與匯出 1.8.1 R 語言資料匯入及匯出 1.8.2 Python 語言資料匯入及匯出 1.9 程式除錯與效率監測 第二章資料前處理 2.1 資料管理 2.1.1 R 語言資料組識與排序 2.1.2 Python 語言資料排序 2.1.3 R 語言資料變形 2.1.4 Python語言資料變形 2.1.5 R 語言資料清理 2.1.6 Python 語言資料清理 2.2 資料摘要與彙總 2.2.1 摘要統計量 2.2.2 R 語言群組與摘要 2.2.3 Python 語言群組與摘要 2.3 屬性工程 2.3.1 屬性轉換與移除 2.3.2 屬性萃取之主成份分析 2.3.2.1奇異值矩陣分解 2.3.3 屬性挑選 2.3.4 小結 2.4 巨量資料處理概念 2.4.1 文字資料處理 2.4.2 Hadoop 分散式檔案系統 2.4.3 Spark 叢集訓計算框架 第三章統計機器學習基礎 3.1 隨機誤差模型 3.1.1 統計機器學習類型 3.1.2 過度配適 3.2 模型績效評量 3.2.1 迴歸模型績效指標 3.2.2 分類模型績效指標 3.2.2.1 模型預測值 3.2.2.2 混淆矩陣 3•2.2.3 整體指標 3.2.2.4 類別相關指標 3.2.3 模型績效視覺化 3.3 模型選擇與評定 3.3.1 重抽樣與資料切分方法 3.3.2 單類模型參數調校 3.3.2.1 多個參數待調 3.3.2.2 客製化參數調校 3.3.3 比較不同類的模型 3.4 相似性與距離 3.5 相關與獨立 3.5.1 數值變數與順序尺度類別變數 3.5.2 名目尺度類別變數 3.5.3 類別變數視覺化關聯檢驗 第四章非監督式學習 4.1 資料視覺化 4.1.1 圖形文法繪圖 4.2 關聯型態探勘 4.2.1 關聯型態評估準則 4.2.2 線上音樂城關聯規則分析 4.2.3 結語 4.3 集群分析 4.3.1 k 平均數集群 4.3.1.1 青少年市場區隔案例 4.3.2 階層式集群 4.3.3 密度集群 4.3.3.1 密度集群案例 4.3.4 集群結果評估 4.3.5 結語 第五章監督式學習 5.1 線性迴歸與分類 5.1.1 多元線性迴歸 5.1.2 偏最小平方法迴歸 5.1.3 脊迴歸、LASSO 迴歸與彈性網罩懲罰模型 5.1.4 線性判別分析 5.1.4.1 貝氏法 5.1.4.2 費雪法 5.1.5 羅吉斯迴歸分類與廣義線性模型 5.2 非線性分類與迴歸 5.2.1 天真貝式分類 5.2.1.1手機簡訊過濾案例 5.2.2 k 近鄰法分類 5.2.2.1 電離層無線電訊號案例 5.2.3 支援向量機分類 5.2.3.1 光學手寫字元案例 5.2.4 分類與迴歸樹 5.2.4.1 銀行貸款風險管理案例 5.2.4.2 酒品評點迴歸樹預測 5.2.4.3 小結 第六章其它學習方式 6.1 薈萃式學習 6.1.1 拔靴集成法 6.1.2 多模激發法 6.1.2.1 房價中位數預測案例 6.1.3 隨機森林 6.1.4 小結 6.2 深度學習 6.2.1 類神經網路簡介 6.2.2 多層感知機 6.2.2.1 混凝土強度佔計案例 6.2.3 卷積神經網路 6.2.4 遞歸神經網路 6.2.5 自動編碼器 6.2.6 受限波茲曼機 6.2.7 深度信念網路 6.2.8 深度學習參數調校 6.3 強化式學習
華通書坊
