面向数据科学家的实用统计学/图灵程序设计丛书

面向数据科学家的实用统计学 = Practicalstatistics for data scientists: 50 essential concepts(美) 彼得·布鲁斯, 安德鲁·布鲁斯著盖磊译 eng
  • 作者:布鲁斯 (Bruce, Peter C.), 1953- 著 布鲁斯 (Bruce, Andrew), 1958- 著
  • 出版社:北京 人民邮电出版社 2018
  • 页数:220
  • 索书号:C8/BLS(Y0)
  • ISBN:9787115493668
  • 浏览次数:1
  • 我要借阅
内容简介
彼得·布鲁斯、安德鲁·布鲁斯著的《面向数据科学家的实用统计学》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。 本书适合数据科学从业人员阅读。
作者简介
安德鲁·布鲁斯(Andrew Bruce),华盛顿大学统计学博士,拥有30多年的统计学和数据科学经验,在多家知名学术期刊上发表过多篇论文。
目录
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
1.2.1 数据框和索引
1.2.2 非矩形数据结构
1.2.3 拓展阅读
1.3 位置估计
1.3.1 均值
1.3.2 中位数和稳健估计量
1.3.3 位置估计的例子:人口和谋杀率
1.3.4 拓展阅读
1.4 变异性估计
1.4.1 标准偏差及相关估计值
1.4.2 基于百分位数的估计量
1.4.3 例子:美国各州人口的变异性估计量
1.4.4 拓展阅读
1.5 探索数据分布
1.5.1 百分位数和箱线图
1.5.2 频数表和直方图
1.5.3 密度估计
1.5.4 拓展阅读
1.6 探索二元数据和分类数据
1.6.1 众数
1.6.2 期望值
1.6.3 拓展阅读
1.7 相关性
1.7.1 散点图
1.7.2 拓展阅读
1.8 探索两个及以上变量
1.8.1 六边形图和等势线(适用于两个数值型变量)
1.8.2 两个分类变量
1.8.3 分类数据和数值型数据
1.8.4 多个变量的可视化
1.8.5 拓展阅读
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
2.1.1 偏差
2.1.2 随机选择
2.1.3 数据规模与数据质量:何时规模更重要
2.1.4 样本均值与总体均值
2.1.5 拓展阅读
2.2 选择偏差
2.2.1 趋均值回归
2.2.2 拓展阅读
2.3 统计量的抽样分布
2.3.1 中心极限定理
2.3.2 标准误差
2.3.3 拓展阅读
2.4 自助法
2.4.1 重抽样与自助法
2.4.2 拓展阅读
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
2.10.1 泊松分布
2.10.2 指数分布
2.10.3 故障率估计
2.10.4 韦伯分布
2.10.5 拓展阅读
2.11 小结
第3章 统计实验与显著性检验
3.1 A/B 测试
3.1.1 为什么要有对照组
3.1.2 为什么只有处理A和B,没有C、D
3.1.3 拓展阅读
3.2 假设检验
3.2.1 零假设
3.2.2 备择假设
3.2.3 单向假设检验和双向假设检验
3.2.4 拓展阅读
3.3 重抽样
3.3.1 置换检验
3.3.2 例子:Web黏性
3.3.3 穷尽置换检验和自助置换检验
3.3.4 置换检验:数据科学的底线
3.3.5 拓展阅读
3.4 统计显著性和p值
3.4.1 p值
3.4.2 α值
3.4.3 第 一类错误和第二类错误
3.4.4 数据科学与p值
3.4.5 拓展阅读
3.5 t检验
3.6 多重检验
3.7 自由度
3.8 方差分析
3.8.1 F统计量
3.8.2 双向方差分析
3.8.3 拓展阅读
3.9 卡方检验
3.9.1 卡方检验:一种重抽样方法
3.9.2 卡方检验:统计理论
3.9.3 费舍尔精确检验
3.9.4 与数据科学的关联
3.9.5 拓展阅读
3.10 多臂老虎机算法
3.11 检验效能和样本规模
3.11.1 样本规模
3.11.2 拓展阅读
3.12 小结
第4章 回归与预测
4.1 简单线性回归
4.1.1 回归方程
4.1.2 拟合值与残差
4.1.3 最小二乘法
4.1.4 预测与解释(剖析)
4.1.5 拓展阅读
4.2 多元线性回归
4.2.1 美国金县房屋数据案例
4.2.2 评估模型
4.2.3 交叉验证
4.2.4 模型选择和逐步回归法
4.2.5 加权回归
4.3 使用回归做预测
4.3.1 外推法的风险
4.3.2 置信区间和预测区间
4.4 回归中的因子变量
4.4.1 虚拟变量的表示
4.4.2 多层因子变量
4.4.3 有序因子变量
4.5 解释回归方程
4.5.1 相关的预测变量
4.5.2 多重共线性
4.5.3 混淆变量
4.5.4 交互作用和主效应
4.6 检验假设:回归诊断
4.6.1 离群值
4.6.2 强影响值
4.6.3 异方差性、非正态分布和相关误差
4.6.4 偏残差图和非线性
4.7 多项式回归和样条回归
4.7.1 多项式回归
4.7.2 样条回归
4.7.3 广义加性模型
4.7.4 拓展阅读
4.8 小结
第5章 分类
5.1 朴素贝叶斯算法
5.1.1 准确的贝叶斯分类是不切实际的
5.1.2 朴素解决方案
5.1.3 数值型预测变量
5.1.4 拓展阅读
5.2 判别分析
5.2.1 协方差矩阵
5.2.2 费希尔线性判别分析
5.2.3 一个简单的例子
5.2.4 拓展阅读
5.3 逻辑回归
5.3.1 逻辑响应函数和Logit 函数
5.3.2 逻辑回归和广义线性模型
5.3.3 广义线性模型
5.3.4 逻辑回归的预测值
5.3.5 解释系数和优势比
5.3.6 线性回归与逻辑回归:相似之处和不同之处
5.3.7 模型评估
5.3.8 拓展阅读
5.4 评估分类模型
5.4.1 混淆矩阵
5.4.2 稀有类问题
5.4.3 准确率、召回率和特异
相关图书
版权所有:北京大学医学图书馆