转载自：https://download.csdn.net/download/dta0502/10951220

 

本站整理下载：

 

用户下载说明：

电子版仅供预览，下载后24小时内务必删除，支持正版，喜欢的请购买正版书籍：

http://e.dangdang.com/products/1901109772.html

  

相关截图：

 

资料简介：

本书解释了数据科学中至关重要的统计学概念，介绍如何将各种统计方法应用于数据科学。作者以易于理解、浏览和参考的方式，引出统计学中与数据科学相关的关键概念；解释各统计学概念在数据科学中的重要性及有用程度，并给出原因。 本书解释了数据科学中至关重要的统计学概念，介绍如何将各种统计方法应用于数据科学。作者以易于理解、浏览和参考的方式，引出统计学中与数据科学相关的关键概念；解释各统计学概念在数据科学中的重要性及有用程度，并给出原因。

 

资料目录：

O'Reilly Media, Inc. 介绍

前言

第1章 探索性数据分析

1.1 结构化数据的组成

1.2 矩形数据

1.3 位置估计

1.4 变异性估计

1.5 探索数据分布

1.6 探索二元数据和分类数据

1.7 相关性

1.8 探索两个及以上变量

1.9 小结

第2章 数据和抽样分布

2.1 随机抽样和样本偏差

2.2 选择偏差

2.3 统计量的抽样分布

2.4 自助法

2.5 置信区间

2.6 正态分布

2.7 长尾分布

2.8 学生t分布

2.9 二项分布

2.10 泊松分布及其相关分布

2.11 小结

第3章 统计实验与显著性检验

3.1 A/B测试

3.2 假设检验

3.3 重抽样

3.4 统计显著性和p值

3.5 t 检验

3.6 多重检验

3.7 自由度

3.8 方差分析

3.9 卡方检验

3.10 多臂老虎机算法

3.11 检验效能和样本规模

3.12 小结

第4章 回归与预测

4.1 简单线性回归

4.2 多元线性回归

4.3 使用回归做预测

4.4 回归中的因子变量

4.5 解释回归方程

4.6 检验假设：回归诊断

4.7 多项式回归和样条回归

4.8 小结

第5章 分类

5.1 朴素贝叶斯算法

5.2 判别分析

5.3 逻辑回归

5.4 评估分类模型

5.5 不平衡数据的处理策略

5.6 小结

第6章 统计机器学习

6.1 K最近邻算法

6.2 树模型

6.3 Bagging和随机森林

6.4 Boosting

6.5 小结

第7章 无监督学习

7.1 主成分分析

7.2 K-Means聚类

7.3 层次聚类

7.4 基于模型的聚类

7.5 变量的缩放和分类变量

7.6 小结

作者简介

封面说明