跳转至
Hello 统计学
Home
正在初始化搜索引擎
typekey/stat-book
Hello 统计学
typekey/stat-book
第 0 章 前言
第 0 章 前言
0.1 关于本书
0.2 如何使用本书
0.3 小结
第 1 章 初识统计学
第 1 章 初识统计学
1.1 统计学无处不在
1.2 统计学简史
1.3 小结
第 2 章 描述统计
第 2 章 描述统计
2.1 总体与样本
2.2 变量与数据类型
2.3 频数与频率分布
2.4 均值
2.5 中位数与众数
2.6 方差与标准差
2.7 极差与四分位距
2.8 偏度与峰度
2.9 数据可视化基础
2.10 小结
第 3 章 概率基础
第 3 章 概率基础
3.1 什么是概率
3.2 样本空间与事件
3.3 联合概率
3.4 条件概率
3.5 全概率公式
3.6 独立性
3.7 贝叶斯定理
3.8 小结
第 4 章 随机变量与分布
第 4 章 随机变量与分布
4.1 随机变量
4.2 离散型分布
4.3 连续型分布
4.4 正态分布
4.5 期望
4.6 方差与标准差
4.7 协方差与相关系数
4.8 联合分布与边际分布
4.9 小结
第 5 章 抽样与抽样分布
第 5 章 抽样与抽样分布
5.1 为什么要抽样
5.2 抽样方法
5.3 抽样分布
5.4 中心极限定理
5.5 大数定律
5.6 标准误差与标准差
5.7 样本量与有效样本量
5.8 小结
第 6 章 参数估计
第 6 章 参数估计
6.1 点估计
6.2 估计量的性质
6.3 极大似然估计
6.4 置信区间
6.5 均值的置信区间
6.6 比例的置信区间
6.7 自助法
6.8 小结
第 7 章 假设检验
第 7 章 假设检验
7.1 假设检验的思想
7.2 标准正态检验
7.3 学生氏检验
7.4 显著性概率值
7.5 显著性水平
7.6 两类错误与功效
7.7 卡方检验
7.8 配对检验
7.9 非参数检验
7.10 多重检验校正
7.11 分组测试实战
7.12 小结
第 8 章 回归分析
第 8 章 回归分析
8.1 相关与因果
8.2 简单线性回归
8.3 多元线性回归
8.4 回归诊断
8.5 逻辑回归
8.6 多项式回归
8.7 正则化
8.8 小结
第 9 章 方差分析
第 9 章 方差分析
9.1 单因素方差分析
9.2 双因素方差分析
9.3 事后检验
9.4 实验设计基础
9.5 小结
第 10 章 贝叶斯统计
第 10 章 贝叶斯统计
10.1 贝叶斯思维
10.2 先验、似然与后验
10.3 贝叶斯推断
10.4 共轭先验
10.5 马尔可夫链蒙特卡洛方法
10.6 贝叶斯派与频率派
10.7 小结
第 11 章 多元统计分析
第 11 章 多元统计分析
11.1 主成分分析
11.2 因子分析
11.3 聚类分析
11.4 判别分析
11.5 多维标度法
11.6 小结
第 12 章 时间序列分析
第 12 章 时间序列分析
12.1 时间序列基本概念
12.2 趋势、季节与残差分解
12.3 平稳性与差分
12.4 自回归积分滑动平均模型
12.5 预测与评估
12.6 小结
第 13 章 机器学习基础
第 13 章 机器学习基础
13.1 什么是机器学习
13.2 监督学习与无监督学习
13.3 偏差-方差权衡
13.4 交叉验证
13.5 模型评估指标
13.6 特征工程
13.7 过拟合与正则化
13.8 小结
第 14 章 经典机器学习模型
第 14 章 经典机器学习模型
14.1 近邻算法
14.2 决策树
14.3 随机森林
14.4 支持向量机
14.5 朴素贝叶斯
14.6 梯度提升
14.7 均值聚类
14.8 基于密度的聚类
14.9 降维
14.10 小结
第 15 章 深度学习入门
第 15 章 深度学习入门
15.1 神经网络基础
15.2 激活函数
15.3 反向传播
15.4 卷积神经网络
15.5 循环神经网络
15.6 转换器与注意力机制
15.7 深度学习实战技巧
15.8 小结
第 16 章 统计学实战案例
第 16 章 统计学实战案例
16.1 医学临床试验分析
16.2 推荐系统中的统计
16.3 文本分析与自然语言处理
16.4 生存分析
16.5 因果推断
16.6 小结
第 17 章 附录
第 17 章 附录
17.1 编程环境搭建
17.2 数学基础速查
17.3 常用概率分布表
17.4 术语表
第 0 章 前言
¶
如果页面没有自动跳转，请点击这里进入：
第 0 章 前言
。
回到页面顶部