掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
非參數統計——基于Python(基于Python的數據分析叢書) 版權信息
- ISBN：9787300301495
- 條形碼：9787300301495 ; 978-7-300-30149-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
非參數統計——基于Python(基于Python的數據分析叢書) 內容簡介
非參數統計是統計學和數據科學的重要分支領域。本書作為該領域的基礎教材，其特點體現在以下幾方面：
1．針對性強。本書針對數據分析專業的特點和需要，闡述非參數統計的基本概念、理論、方法和編程，重點從非受控觀察數據對參數推斷知識的需要角度出發，將統計推斷知識、理論和方法與反事實復雜場景因果關系的解讀與判斷問題相結合，應用于穩健估計、局部模式、嚴格證據的信息提取任務中。
2．通用性強。適用于Python技術數據管理人才培養。增加Python技術的應用內容，編寫了Python綜合程序，降低了統計理論學習難度，增強了技術的可嵌入性；自主研發的準確分析求解程序，大大補充了Python中小數據推斷程序的不足，計算的便利性大幅提升，適用于Python自動化測試、運維、數據分析等多種高端數據管理崗位的嵌入式學習需求。
3．內容新穎。順應人工智能時代發展和數據分析大環境的變化，對特征工程有效降噪及控制錯誤發現率等方面的內容作了闡述與分析，針對深度學習對圖像應用的需求增加，增加了深度學習的內容。
非參數統計——基于Python(基于Python的數據分析叢書) 目錄
第 1章 基本概念 1.1非參數統計的概念與產生 1.1.1 非參數統計的研究對象 1.1.2 非參數統計簡史 1.2假設檢驗回顧 1.3經驗分布和分布探索 1.3.1 經驗分布 1.3.2 生存函數 1.4檢驗的相對效率 1.5分位數和非參數估計 1.5.1 順序統計量 1.5.2 分位數的定義 1.5.3 分位數的估計 1.5.4 分位數的圖形表示 1.6秩檢驗統計量 1.6.1 無重復數據的秩及性質 1.6.2 帶結數據的秩及性質 1.7 U統計量 1.7.1 單一樣本的U統計量和主要特征 1.7.2 兩樣本 U檢驗統計量和分布 習題 第 2章單變量位置推斷問題 2.1符號檢驗和分位數推斷2.1.1基本概念 2.1.2大樣本的檢驗方法 2.1.3符號檢驗在配對樣本比較中的應用 2.1.4分位數檢驗――符號檢驗的推廣 2.2 Cox-Stuart趨勢存在性檢驗 2.2.1*優權重Cox-Stuart統計量基本原理 2.2.2無權重Cox-Stuart統計量 2.3隨機游程檢驗 2.3.1兩類隨機游程檢驗 2.3.2三類及多類游程檢驗 2.4 Wilcoxon符號秩檢驗 2.4.1基本概念 2.4.2 Wilcoxon符號秩檢驗和抽樣分布 2.5估計量的穩健性評價 2.5.1敏感曲線 2.5.2影響函數 2.5.3失效點 2.6單組數據的位置參數置信區間估計2.6.1順序統計量位置參數置信區間估計 2.6.2基于方差估計法的位置參數置信區間估計 2.7正態記分檢驗 2.8分布的一致性檢驗 2.8.1 χ2擬合優度檢驗 2.8.2 Kolmogorov-Smirnov正態性檢驗 2.8.3 Liliefor正態分布檢驗 2.9單一總體漸近相對效率比較 習題 第3章 兩獨立樣本數據的位置和尺度推斷 · 3.1 Brown-Mood中位數檢驗 3.1.1假設檢驗問題 3.1.2大樣本檢驗 3.2 Wilcoxon-Mann-Whitney秩和檢驗 3.2.1無結點Wilcoxon-Mann-Whitney秩和檢驗 · 3.2.2帶結點時的計算公式 3.2.3 MX . MY的點估計和區間估計 3.3 Mann-Whitney U統計量與ROC曲線 3.4置換檢驗3.5 Mood方差檢驗3.6 Moses方差檢驗 習題 第4章 多組數據位置推斷 4.1試驗設計和方差分析的基本概念回顧 4.2多重檢驗問題 4.2.1 FDR控制基本原理 4.2.2 FDR的相關討論 4.3高階鑒定法(HC) 4.4 Kruskal-Wallis單因素方差分析 4.4.1 Kruskal-Wallis檢驗的基本原理 4.4.2有結點的檢驗 4.5 Jonckheere-Terpstra檢驗 4.5.1無結點Jonckheere-Terpstra檢驗 4.5.2帶結點的Jonkheere-Terpstra檢驗 4.6 Friedman秩方差分析法 4.6.1 Friedman檢驗的基本原理 4.6.2 Hollander-Wolfe兩處理間比較 4.7隨機區組數據的調整秩和檢驗 4.8 Cochran檢驗4.9 Durbin不完全區組分析法習題 第5章 分類數據的關聯分析 5.1 r×s列聯表和χ2獨立性檢驗 5.2 χ2齊性檢驗 5.3 Fisher精確性檢驗 5.4 McNemar檢驗 5.5 Mantel-Haenszel檢驗 5.6關聯規則5.6.1關聯規則基本概念 5.6.2 Apriori算法 5.7 Ridit檢驗法 5.7.1 Ridit得分的計算和假設檢驗 5.7.2 根據置信區間分組 5.8對數線性模型 5.8.1泊松回歸 5.8.2對數線性模型的基本概念 5.8.3模型的設計矩陣 5.8.4模型的估計和檢驗 5.8.5高維對數線性模型和獨立性習題 第 6章 秩相關和穩健回歸 · 6.1 Spearman秩相關檢驗6.2 Kendallτ相關檢驗 6.3多變量Kendall協和系數檢驗 6.4 Kappa一致性檢驗 6.5 HBR基于秩的穩健回歸 6.5.1基于秩的R估計 6.5.2假設檢驗 6.5.3多重決定系數 CMD 6.5.4回歸診斷 6.6中位數回歸系數估計法 6.6.1 Brown-Mood方法 6.6.2 Theil方法 6.6.3關于α和 β的檢驗 6.7線性分位回歸模型習題第7章 非參數密度估計 7.1直方圖密度估計 7.1.1基本概念 7.1.2理論性質和*優帶寬 7.1.3多維直方圖 · 7.2核密度估計7.2.1核函數的基本概念 7.2.2理論性質和帶寬 7.2.3置信帶和中心極限定理 7.2.4多維核密度估計 7.2.5貝葉斯決策和非參數密度估計 7.3 k近鄰估計 習題 第8章 非參數回歸 8.1核回歸光滑模型 8.2局部多項式回歸 8.2.1局部線性回歸 8.2.2局部多項式回歸的基本原理 8.3 LOWESS穩健回歸 8.4 k近鄰回歸 8.4.1 k近鄰估計 8.4.2 k近鄰核估計 8.5正交序列回歸 8.6罰*小二乘法 8.7樣條回歸8.7.1模型 8.7.2 樣條回歸模型的節點 8.7.3 常用的樣條基函數 8.7.4 樣條模型自由度 習題 第9章 數據挖掘與機器學習 9.1分類一般問題 9.2線性判別IR-LDA基本原理 9.3 Logistic回歸 9.3.1 Logistic回歸模型 9.3.2 Logistic回歸模型的極大似然估計 9.3.3 Logistic回歸和線性判別函數LDA的比較 9.4 k近鄰 9.4.1 參數選擇與維數災難9.4.2 k近鄰與線性模型之間的比較 9.5決策樹9.5.1決策樹的基本概念 9.5.2 CART 9.5.3決策樹的剪枝 9.5.4回歸樹 9.5.5決策樹的特點 9.6 Boosting 9.6.1 Boosting提升方法 9.6.2 AdaBoost.M1算法 9.7支持向量機9.7.1*大分類間隔 9.7.2支持向量機問題的求解 9.7.3支持向量機的核方法 9.8隨機森林9.8.1隨機森林算法的定義 · 9.8.2隨機森林算法的性質 9.8.3如何確定隨機森林算法中樹的節點分裂變量 9.8.4隨機森林的回歸算法 9.8.5有關隨機森林算法的一些評價9.9 MARS 9.9.1 MARS與 CART的聯系 9.9.2 MARS的一些性質 9.10深度學習 9.10.1神經網絡 9.10.2卷積神經網絡 習題附錄 Python基礎參考文獻
展開全部
非參數統計——基于Python(基于Python的數據分析叢書) 節選
如果讀者僅僅將非參數統計看成是關于數據分析的 ,那就錯了 ,非參數統計更多的是展開對數據更深層的分析 ,這就需要在由精致的計算和細致的操作所構成的更大的數據科學社群平臺上,增強統計思維和分析認知的基本功。在數據分析實踐中 ,如果將模型根據研發的成熟度分為起步期、發展期和成熟期三個階段,我們可以將模型里的信息分為參數信息和非參數信息。處在起步期的模型里參數信息的成分比較多 ,一般包括由樣本所估計出的位置參數 (如均值 )、波動性參數 (如方差和相關度 )等信息 ,較為成熟的模型和算力中 ,非參數信息則更多一些 ,發展期的模型是由參數信息不斷向非參數信息過度的過程。非參數信息能體現模型設計的功底 ,包含相容性、秩序、分位數、信噪比、對稱性、穩健性、失效性、是否一致性等豐富的分析維度。如果想通過手中的數據對模型進行 “二度創作 ”使其成為獨樹一幟的信息提取模式 ,需要培養對數據的敏銳性、數據收集的知識、數據的分析與處理技能、利用數據進行決策、對數據的批判性思維和數據倫理等專業分析能力 ,參數統計和非參數統計的共同作用尤為重要 ,缺一不可。 Python語言在高并發場景中的運用能力、簡潔可解釋性的語言特點、豐富且快速生長的跨平臺標準庫和第三方庫 ,都更有利于傳遞關于科學的認知與思考 ,加速與計算機進行關于人類創造和累積的文化精神財富的對話與交流。這就是我在本書中選擇 Python的基本理由。在 Python里踐行,以 Python取效。全書內容分為兩個部分 :非參數統計推斷和非參數統計模型。非參數統計推斷的內容由單一變量、兩變量及多組數據非參數統計估計、多重檢驗、分類數據的關聯分析方法、定量數據的相關和穩健回歸等分析方法構成 ;非參數統計模型部分包括非參數密度估計、穩健回歸和非參數回歸等內容。本書具有如下特點: (1)全面對接Python語言編程 ,習題和思考題中增加了具有復雜樣態的一手數據和分析習題,用于提高學生對統計建模的分析能力,增強學生對復雜數據的辨析能力。 (2)有教學資源和官方網站支持。教學資源中有參考課件、程序代碼、參考習題、擴展閱讀、中國大學 MOOC (慕課 )國家精品課程在線學習平臺等 ,教材的每一章還陪有微課精品短視頻 ,點擊二維碼可以獲取下載使用這些資源。該教材曾獲得過中國人民大學**批探究性教學課程立項支持 ,受 2018, 2019年度中央高校建設世界一流大學 (學科 )和特色發展引導專項資金 (教材類 )和中國人民大學 “十三五 ”規劃教材支持。教師在教學過程中可圍繞相關知識從網站上獲取延展性學習材料 ,比如知識點中的歷史人物、重要事件理論的推證過程、相關文獻、應用技術等。這些輔助學習資源也會不斷更新 ,以適用于研討型和協作型學習和教學。本書可作為高等院校統計學、經濟學、管理學、生物學、信息科學、大數據分析等專業領域本科三、四年級以上學生以及相關研究人員學習非參數統計方法的教材 ,也可作為從事統計研究或數據分析工作人員的案頭參考書 .本書的讀者需具備初等統計學基礎、概率論和數理統計的相關知識。本書的內容建議安排在一學期 54課時內完成 ,且安排 1/3左右課時用于學生上機實驗。有條件的教師可以選擇教材部分案例組織案例教學和課堂討論。 2017年和 2018年連續兩年 ,我們在中國人民大學統計學專業大三課堂上嘗試了案例教學 ,獲得了學生們的高度認可。事實證明 ,通過案例探究和團組討論 ,學生們會形成一股深入研究、嚴謹辨析、開拓創新的統計學課堂新風。本書備有豐富的習題 ,理論推導、方法應用和上機實驗題目 ,可靈活支持各種教學需要。
非參數統計——基于Python(基于Python的數據分析叢書) 作者簡介
王星 中國人民大學統計學院教授，北京師范大學數學本科與碩士，中國人民大學統計學博士。國家社科基金重點項目負責人，《中國大百科全書》第三版統計學卷編委。在《統計研究》《中國人民大學學報》《數理統計與管理》和JAMA等刊物發表多篇論文。主要研究方向包括稀疏網絡挖掘模型、高維復雜數據統計學習、深度學習等。主要著作和譯作包括《非參數統計》《大數據分析：方法與應用》《人文社會科學文獻網絡知識模型與應用》《統計學習導論一基于R應用》等。講授課程包括非參數統計、大數據分析、機器學習方法等。曾獲北京市高等教育教學成果獎二等獎、第十屆全國統計科學研究優秀成果獎二等獎、全國應用統計案例大賽一等獎指導教師等學術獎勵；開設非參數統計MOOC課程。
書友推薦
- >
唐代進士錄
- >
姑媽的寶刀
- >
有舍有得是人生
- >
巴金－再思錄
- >
羅曼·羅蘭讀書隨筆-精裝
- >
推拿
- >
羅庸西南聯大授課錄
- >
中國歷史的瞬間
本類暢銷
