本書包括的內(nèi)容有: 經(jīng)典線性回歸、廣義線性模型、縱向數(shù)據(jù)(分層模型), 機器學習回歸方法(決策樹、bagging、森林、mboost、人工神經(jīng)網(wǎng)絡(luò)、支持向量機、k最近鄰方法)、生存分析及Cox模型、經(jīng)典判別分析與logistic回歸分類、機器學習分類方法(決策樹、bagging、森林、adaboost、人工神經(jīng)網(wǎng)絡(luò)、支持向量機、k最近鄰方法). 其中, 縱向數(shù)據(jù)(分層模型)及生存分析及Cox模型的內(nèi)容可根據(jù)需要選用, 所有其他的內(nèi)容都應(yīng)該在教學中涉及, 可以簡化甚至忽略的內(nèi)容為一些數(shù)學推導(dǎo)和某些不那么的模型, 不可以忽略的是各種方法的直觀意義及理念.
在任何國家及任何制度下都能夠生存和發(fā)展的知識和能力，就是科學，是人們在生命的歷程中應(yīng)該獲得的。
吳喜之
1 糾正了傳統(tǒng)教材只重視回歸而忽視分類的偏見
2 實際工作中，分類的需求并不比回歸少，在分類領(lǐng)域, 機器學習方法在應(yīng)用范圍及預(yù)測精度上都普遍超過傳統(tǒng)的諸如判別分析和二元時的logistic回歸等參數(shù)方法。
3 本書以數(shù)據(jù)為導(dǎo)向，對應(yīng)不同的數(shù)據(jù)介紹盡可能多的方法, 并且說明各種方法的優(yōu)點、缺點及適用范圍. 對于不同模型的比較, 本書將主要采用客觀的交叉驗證的方法.
吳喜之
北京大學數(shù)學力學系本科，美國北卡羅來納大學統(tǒng)計博士。中國人民大學統(tǒng)計學院教授，博士生導(dǎo)師。曾在美國加利福尼亞大學、北卡羅來納大學以及南開大學、北京大學等多所著名學府執(zhí)教。
及時章 引
第二章 經(jīng)典線性回歸
第三章 廣義線性模型
第四章 縱向數(shù)據(jù)及分層模型
第五章 機器學習回歸方法
第六章 生存分析及Cox模型
第七章 經(jīng)典分類：判別分析
第八章 機器學習分類方法
附錄 練習：熟練使用R軟件
參考文獻
學習數(shù)據(jù)分析！
很喜歡
我是它的忠實粉絲，哈哈！收了很多英文原版書，這次收一套中文的，主要這個科學類的書，還是用中文比較好，一共17冊，可以跟孩子看很長時間了，許多內(nèi)容都有，配圖也精美，尺寸不大，出去旅行攜帶也方便，很喜歡！
當當給力，書全，還有圖書的清單，這點比某東好。
不多說，好東西
很好的書，推薦閱讀
基于r的應(yīng)用回歸
書確實不錯
書籍內(nèi)容不錯，沒有什么問題的和好評的就用這個通用評價，差評的和不滿意的就單獨指出！
非常好，很喜歡！
質(zhì)量很好，實用的工具書
一直以來在當當網(wǎng)購買圖書，比較滿意。贊一個！
值得看的一本書
吳老爺?shù)臅鋵崈?nèi)容跟他寫的另外幾本沒差別，換個套路又是一本書…
這類書還是要買有代碼的，王老師用心了，不是拼湊的書。
本書不像很多教科書那樣只講80年之前的以數(shù)學假定和推導(dǎo)為主的內(nèi)容, 而要強調(diào)最近20年最新和最有效的統(tǒng)計方法.
