滿額折
統計學習基礎：機器學習中的數據挖掘、推斷與預測(第2版)(全彩英文版)（簡體書）
- ISBN13：9787519296865
- 出版社：世界圖書(北京)出版公司
- 作者：(美)特雷弗‧哈斯蒂; (美)羅伯特‧蒂布希拉尼; (美)傑羅姆‧弗里德曼
- 裝訂／頁數：平裝／745頁
- 規格：24cm*17cm (高/寬)
- 版次：二版一次
- 出版日：2023/09/02
相關商品
商品簡介
商品簡介
本書是Springer統計系列叢書之一，旨在讓讀者深入瞭解數據挖掘和預測。
隨著計算機和信息技術迅猛發展，醫學、生物學、金融、以及市場等各個領域的大量數據的產生，處理這些數據以及挖掘它們之間的關係對於一個統計工作者顯得尤為重要。本書運用共同的理論框架將這些領域的重要觀點做了很好的闡釋，重點強調方法和概念基礎而非理論性質，運用統計的方法更是突出概念而非數學。另外，書中大量的彩色圖例可以幫助讀者更好地理解概念和理論。
目次:導論; 監督學習概述; 線性回歸模型; 線性分類方法; 基展開與正則性; 核方法; 模型評估與選擇; 模型參考與平均; 可加性模型，樹與相關方法; 神經網絡; 支持向量機器與彈性準則; 原型法和最近鄰居; 無監督學習.
讀者對象：適用於數學及統計專業的研究生、統計工作者及相關領域的研究人員。
隨著計算機和信息技術迅猛發展，醫學、生物學、金融、以及市場等各個領域的大量數據的產生，處理這些數據以及挖掘它們之間的關係對於一個統計工作者顯得尤為重要。本書運用共同的理論框架將這些領域的重要觀點做了很好的闡釋，重點強調方法和概念基礎而非理論性質，運用統計的方法更是突出概念而非數學。另外，書中大量的彩色圖例可以幫助讀者更好地理解概念和理論。
目次:導論; 監督學習概述; 線性回歸模型; 線性分類方法; 基展開與正則性; 核方法; 模型評估與選擇; 模型參考與平均; 可加性模型，樹與相關方法; 神經網絡; 支持向量機器與彈性準則; 原型法和最近鄰居; 無監督學習.
讀者對象：適用於數學及統計專業的研究生、統計工作者及相關領域的研究人員。
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。