数据科学中的实用统计学
正版现货 可开具图书发票 下单后当天即可发货
￥ 70.12 7.0折 ￥ 99.8 全新
库存56件
山西太原
认证卖家担保交易快速发货售后保障
作者(美)彼得·布鲁斯，(美)安德鲁·布鲁斯，(德)彼得·格德克著
出版社人民邮电出版社
ISBN9787115569028
出版时间2021-10
装帧平装
开本16开
定价99.8元
货号11274476
上书时间2024-09-08
- 在售商品 暂无
- 平均发货时间 5小时
- 好评率 暂无
- 店主推荐
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
[美]彼得·布鲁斯(Peter Bruce)，Statistics.com统计学教育学院创办人兼院长，重采样统计软件Resampling Stats的开发者，美国统计协会职业发展咨询委员会成员。
安德鲁·布鲁斯(Andrew Bruce)，亚马逊数据科学家、华盛顿大学统计学博士，拥有30余年的统计学和数据科学经验。
[德]彼得·格德克(Peter Gedeck)，数据科学家，拥有30余年的科学计算和数据科学经验，善于开发机器学习算法。
目录
第1章 探索性数据分析
1.1 结构化数据的要素
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 扩展阅读
1.3 位置估计
1.3.1 均值
1.3.2 位数和健壮的估计
1.3.3 示例：人口和谋杀率的位置估计
1.3.4 扩展阅读
1.4 变异性估计
1.4.1 标准差以及相关估计
1.4.2 基于百分位数的估计
1.4.3 示例：美国各州人口数量的变异性估计
1.4.4 扩展阅读
1.5 探索数据分布
1.5.1 百分位数与箱线图
1.5.2 频数表和直方图
1.5.3 密度图和密度估计
1.5.4 扩展阅读
1.6 探索二元数据和分类型数据
1.6.1 众数
1.6.2 期望值
1.6.3 概率
1.6.4 扩展阅读
1.7 相关性
1.7.1 散点图
1.7.2 扩展阅读
1.8 探索两个及以上的变量
1.8.1 六边形分箱图和等高线图（绘制数值型数据之间的关系）
1.8.2 两个分类变量
1.8.3 分类型数据和数值型数据
1.8.4 多个变量的可视化
1.8.5 扩展阅读
1.9 小结
第2章 数据与抽样分布
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 数量和质量：什么时候数量更重要
2.1.4 样本均值与总体均值
2.1.5 扩展阅读
2.2 选择偏差
2.2.1 均值回归
2.2.2 扩展阅读
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 扩展阅读
2.4 Bootstrap方法
2.4.1 重抽样与Bootstrap方法
2.4.2 扩展阅读
2.5 置信区间
2.6 正态分布
2.7 长尾分布
2.8 学生的t分布
2.9 二项分布
2.10 卡方分布
2.11 F分布
2.12 泊松及其相关分布
2.12.1 泊松分布
2.12.2 指数分布
2.12.3 估计故障率
2.12.4 韦布尔分布
2.12.5 扩展阅读
2.13 小结
第3章 统计实验与显著性检验
3.1 AB测试
3.1.1 为什么要有对照组
3.1.2 为什么只有AB，没有CD
3.1.3 扩展阅读
3.2 假设检验
3.2.1 零假设
3.2.2 备择假设
3.2.3 单向假设检验与双向假设检验
3.2.4 扩展阅读
3.3 重抽样
3.3.1 置换检验
3.3.2 示例：Web黏性
3.3.3 穷尽置
……
第4章 回归与预测
第5章 分类
第6章 统计机器学习
第7章 无监督学习
拓展阅读
作者介绍
封面介绍
主编推荐
1.以通俗易懂的方式，从数据科学的角度系统的阐释重要且实用的统计学概念，介绍如何将各种统计方法应用于数据科学中； 2.运用清晰的解释和丰富的示例，将实用的统计学术语与数据挖掘实践相结合，适用于数据科学的入门初学者； 3.相比于上一版，本书新增了更多Python和R语言示例，读者可以更深入的了解如何在数据科学项目中正确运用各种统计方法； 4.通过本书，你将掌握以下知识： 为什么探索性数据分析是开启数据科学任务的关键一步 随机抽样如何降低偏差并提高数据集的质量 实验设计原则如何针对问题生成确定性答案 如何使用回归方法估计结果并检测异常 用于预测记录所属类别的主要分类方法 从数据中“学习”的统计机器学习方法 从未标记的数据中提取信息的无监督学习方法
精彩内容
本书解释了数据科学中至关重要的统计学概念，并介绍了如何将各种统计方法应用于数据科学。作者以通俗易懂、分门别类的方式，阐释了统计学中与数据科学相关的关键概念，并解释了各统计学概念在数据科学中的重要性及有用程度。第2版在第1版的基础上加入了更多以Python和R编写的示例，更清楚地阐释了如何将统计方法用于数据科学。
本书适合对R和Python有一定了解的数据科学从业者阅卖。
媒体评论
1.以通俗易懂的方式，从数据科学的角度系统的阐释重要且实用的统计学概念，介绍如何将各种统计方法应用于数据科学中； 2.运用清晰的解释和丰富的示例，将实用的统计学术语与数据挖掘实践相结合，适用于数据科学的入门初学者； 3.相比于上一版，本书新增了更多Python和R语言示例，读者可以更深入的了解如何在数据科学项目中正确运用各种统计方法； 4.通过本书，你将掌握以下知识： 为什么探索性数据分析是开启数据科学任务的关键一步 随机抽样如何降低偏差并提高数据集的质量 实验设计原则如何针对问题生成确定性答案 如何使用回归方法估计结果并检测异常 用于预测记录所属类别的主要分类方法 从数据中“学习”的统计机器学习方法 从未标记的数据中提取信息的无监督学习方法
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价