统计至简
￥ 136.25 5.3折 ￥ 258 九五品
仅1件
北京通州
认证卖家担保交易快速发货售后保障
作者姜伟生
出版社清华大学出版社
ISBN9787302643562
出版时间2023-10
版次1
装帧精装
开本16开
纸张胶版纸
定价258元
上书时间2024-07-08
商品详情
- 品相描述：九五品
- 商品描述
-
基本信息
书名:统计至简
定价：258.00元
作者:姜伟生
出版社：清华大学出版社
出版日期：2023-10-01
ISBN：9787302643562
字数：
页码：
版次：
装帧：软精装
开本：16开
商品重量：
编辑推荐
这是一套前所未见的数学书，更是一套具备极高颜值的书。姜伟生博士自谦“小镇做题家”，实际上他是国际著名金融企业的金融科技专家。很难想象一位以“术数”为业的金融家具备如此的分享动机，同时，姜博士有着卓越的艺术品位和设计能力，不仅承担了这套书的精深内容，更承担了全系图书的整体设计。希望读者从枯燥的常规数学书中解脱出来，赏心悦目地慢慢走入缤纷的数学宇宙。
内容提要
数据科学和机器学习已经深度融合到我们生活的方方面面，而数学正是开启未来大门的钥匙。不是所有人生来都握有一副好牌，但是掌握“数学 编程 机器学习”的知识是。这一次，学习数学不再是为了考试、分数、升学，而是投资时间、自我实现、面向未来。为了让大家学数学、用数学，甚至爱上数学，在创作时，作者尽量克服传统数学教材的各种弊端，让大家学习时有兴趣、看得懂、有思考、更自信、用得着。《统计至简：概率统计全彩图解 微课 Python编程》是“鸢尾花数学大系—从加减乘除到机器学习”丛书中数学版块—“数学三剑客”的第三册，也是最后一本。“数学”板块的本《数学要素》是各种数学工具的“大杂烩”，可谓数学基础；《矩阵力量》专门讲解机器学习中常用的线性代数工具；本册《统计至简》则介绍机器学习和数据分析中常用的概率统计工具。《统计至简：概率统计全彩图解 微课 Python编程》的核心是“多元统计”，离不开第二册《矩阵力量》中介绍的线性代数工具。《统计至简：概率统计全彩图解 微课 Python编程》内容又可以归纳为 7 大板块——统计、概率、高斯、随机、频率派、贝叶斯派、椭圆。《统计至简：概率统计全彩图解 微课 Python编程》在讲解概率统计工具时，会穿插介绍其在数据科学和机器学习领域的应用场景，让大家学以致用。《统计至简：概率统计全彩图解 微课 Python编程》读者群包括所有在工作中应用概率统计的朋友，尤其适用于初级程序员进阶、大学本科数学开窍、高级数据分析师、机器学习开发者。
目录
绪论 1章 概率统计全景 71.1 数学工具：一个线性代数小测验 81.2 统计描述 91.3 概率 101.4 高斯 161.5 随机 191.6 频率派 191.7 贝叶斯派 201.8 椭圆三部曲 21第2章 统计描述 232.1 统计两大工具：描述、推断 252.2 直方图：单特征数据分布 262.3 散点图：两特征数据分布 312.4 有标签数据的统计可视化 332.5 集中度：均值、质心 362.6 分散度：极差、方差、标准差 382.7 分位：四分位、百分位等 402.8 箱型图：小提琴图、分布散点图 422.9 中心距：均值、方差、偏度、峰度 442.10 多元随机变量关系：协方差矩阵、相关性系数矩阵 47第3章 古典概率模型 513.1 无处不在的概率 523.2 古典概率：离散均匀概率律 563.3 回顾：杨辉三角和概率 643.4 事件之间的关系：集合运算 653.5 条件概率：给定部分信息做推断 673.6 贝叶斯定理：条件概率、边缘概率、联合概率关系 703.7 全概率定理：穷举法 733.8 独立、互斥、条件独立 76第4章 离散随机变量 794.1 随机：天地不仁，以万物为刍狗 804.2 期望值：随机变量的可能取值加权平均 894.3 方差：随机变量离期望距离平方的平均值 914.4 累积分布函数（CDF）：累加 944.5 二元离散随机变量 954.6 协方差、相关性系数 974.7 边缘概率：偏求和，相当于降维 1004.8 条件概率：引入贝叶斯定理 1014.9 独立性：条件概率等于边缘概率 1044.10 以鸢尾花数据为例：不考虑分类标签 1074.11 以鸢尾花数据为例：考虑分类标签 1164.12 再谈概率1：展开、折叠 120第5章 离散分布 1235.1 概率分布：高度理想化的数学模型 1245.2 离散均匀分布：不分厚薄 1255.3 伯努利分布：非黑即白 1285.4 二项分布：杨辉三角 1295.5 多项分布：二项分布推广 1325.6 泊松分布：建模随机事件的发生次数 1355.7 几何分布：滴水穿石 1365.8 超几何分布：不放回 138第6章 连续随机变量 1416.1 一元连续随机变量 1426.2 期望、方差和标准差 1456.3 二元连续随机变量 1476.4 边缘概率：二元PDF偏积分 1496.5 条件概率：引入贝叶斯定理 1516.6 独立性：比较条件概率和边缘概率 1536.7 以鸢尾花数据为例：不考虑分类标签 1546.8 以鸢尾花数据为例：考虑分类标签 162第7章 连续分布 1717.1 连续均匀分布：离散均匀分布的连续版 1727.2 高斯分布：最重要的概率分布，没有之一 1737.3 逻辑分布：类似高斯分布 1777.4 学生t-分布：厚尾分布 1797.5 对数正态分布：源自正态分布 1817.6 指数分布：泊松分布的连续随机变量版 1837.7 卡方分布：若干IID标准正态分布平方和 1847.8 F-分布：和两个服从卡方分布的独立随机变量有关 1857.9 Beta分布：概率的概率 1877.10 Dirichlet分布：多元Beta分布 190第8章 条件概率 1978.1 离散随机变量：条件期望 1988.2 离散随机变量：条件方差 2048.3 离散随机变量的条件期望和条件方差：以鸢尾花为例 2068.4 连续随机变量：条件期望 2158.5 连续随机变量：条件方差 2168.6 连续随机变量：以鸢尾花为例 2178.7 再谈如何分割“1” 221第9章 一元高斯分布 2319.1 一元高斯分布：期望值决定位置，标准差决定形状 2329.2 累积概率密度：对应概率值 2349.3 标准高斯分布：期望为0，标准差为1 2369.4 68-95-99.7 法则 2399.5 用一元高斯分布估计概率密度 2439.6 经验累积分布函数 2449.7 图：分位-分位图 2459.8 从距离到一元高斯分布 2490章 二元高斯分布 25310.1 二元高斯分布：看见椭圆 25410.2 边缘分布：一元高斯分布 25810.3 累积分布函数：概率值 26210.4 用椭圆解剖二元高斯分布 26410.5 聊聊线性相关性系数 26810.6 以鸢尾花数据为例：不考虑分类标签 27210.7 以鸢尾花数据为例：考虑分类标签 2811章 多元高斯分布 28711.1 矩阵角度：一元、二元、三元到多元 28811.2 高斯分布：椭圆、椭球、超椭球 29311.3 解剖多元高斯分布PDF 29811.4 平移 → 旋转 30211.5 平移 → 旋转 → 缩放 3082章 条件高斯分布 31112.1 联合概率和条件概率关系 31212.2 给定X条件下，Y的条件概率：以二元高斯分布为例 31612.3 给定Y条件下，X的条件概率：以二元高斯分布为例 32112.4 多元正态条件分布：引入矩阵运算 3253章 协方差矩阵 33113.1 计算协方差矩阵：描述数据分布 33213.2 相关性系数矩阵：描述Z分数分布 33813.3 特征值分解：找到旋转、缩放 34013.4 SVD分解：分解数据矩阵 34513.5 Cholesky分解：列向量坐标 34913.6 距离：欧氏距离 VS 马氏距离 35013.7 几何视角：超椭球、椭球、椭圆 35313.8 合并协方差矩阵 3624章 随机变量的函数 36714.1 随机变量的函数：以鸢尾花为例 36814.2 线性变换：投影视角 36914.3 单方向投影：以鸢尾花两特征为例 37214.4 正交系投影：以鸢尾花两特征为例 37614.5 以椭圆投影为视角看线性变换 38014.6 主成分分析：换个视角看数据 3835章 蒙特卡洛模拟 38715.1 蒙特卡洛模拟：基于伪随机数发生器 38815.2 估算平方根 38915.3 估算积分 39015.4 估算体积 39115.5 估算圆周率 39115.6 布丰投针估算圆周率 39315.7 接受-拒绝抽样法 39515.8 二项分布随机漫步 39715.9 两个服从高斯分布的随机变量相加 39915.10 产生满足特定相关性的随机数 4006章 频率派统计推断 41116.1 统计推断：两大学派 41216.2 频率学派的工具 41416.3 中心极限定理：渐近于正态分布 41616.4 似然：鸡兔比例 41916.5 似然：以估算均值、方差为例 42116.6 区间估计：总体方差已知，均值估计 42416.7 区间估计：总体方差未知，均值估计 42716.8 区间估计：总体均值未知，方差估计 4297章 概率密度估计 43117.1 概率密度估计：从直方图说起 43217.2 核密度估计：若干核函数加权叠合 43517.3 带宽：决定核函数的高矮胖瘦 43917.4 核函数：八种常见核函数 44117.5 二元KDE：概率密度曲面 4438章 贝叶斯分类 44718.1 贝叶斯定理：分类鸢尾花 44818.2 似然概率：给定分类条件下的概率密度 45018.3 先验概率：鸢尾花分类占比 45118.4 联合概率：可以作为分类标准 45118.5 证据因子：和分类无关 45218.6 后验概率：也是分类的依据 45318.7 单一特征分类：基于KDE 45718.8 单一特征分类：基于高斯 4619章 贝叶斯分类进阶 46719.1 似然概率：给定分类条件下的概率密度 46819.2 联合概率：可以作为分类标准 47019.3 证据因子：和分类无关 47219.4 后验概率：也是分类的依据 47419.5 独立：不代表条件独立 47719.6 条件独立：不代表独立 478第20章 贝叶斯推断入门 48320.1 贝叶斯推断：更贴合人脑思维 48420.2 从一元贝叶斯公式说起 48620.3 走地鸡兔：比例完全不确定 48820.4 走地鸡兔：很可能一半一半 49520.5 走地鸡兔：更一般的情况 504第21章 贝叶斯推断进阶 51121.1 除了鸡兔，农场发现了猪 51221.2 走地鸡兔猪：比例完全不确定 51721.3 走地鸡兔猪：很可能各1/3 52021.4 走地鸡兔猪：更一般的情况 525第22章 马尔可夫链蒙特卡洛 52922.1 归一化因子没有闭式解？ 53022.2 鸡兔比例：使用PyMC3 53422.3 鸡兔猪比例：使用PyMC3 537第23章 马氏距离 54323.1 马氏距离：考虑数据分布的距离度量 54423.2 欧氏距离：最基本的距离 54623.3 标准化欧氏距离：两个视角 54723.4 马氏距离：两个视角 54923.5 马氏距离和卡方分布 553第24章 线性回归 55724.1 再聊线性回归 55824.2 二乘法 56124.3 优化问题 56224.4 投影视角 56324.5 线性方程组：代数视角 56324.6 条件概率 56424.7 似然估计（MLE） 568第25章 主成分分析 57125.1 再聊主成分分析 57225.2 原始数据 57425.3 特征值分解协方差矩阵 57525.4 投影 57725.5 几何视角看PCA 58325.6 奇异值分解 58625.7 优化问题 59125.8 数据还原和误差 592
作者介绍
姜伟生 博士 FRM。勤奋的小镇做题家，热爱知识可视化和开源分享。自2022年8月开始，在GitHub上开源“鸢尾花书”学习资源，截至2023年9月，已经分享4000多页PDF、4000多幅矢量图、约2000个代码文件，全球读者数以万计。
序言
-
【封面】
— 没有更多了 —
以下为对购买帮助不大的评价