從數(shù)據(jù)到結(jié)論（第五版）

前言
第1章 一些基本概念
1．1 統(tǒng)計(jì)：作為數(shù)據(jù)科學(xué)
1．2 現(xiàn)實(shí)中的隨機(jī)性和規(guī)律性，概率和機(jī)會(huì)
1．3 變量和數(shù)據(jù)
1．4 變量之間的關(guān)系
1．4．1 定性變量間的關(guān)系
1．4．2 定性和定量變量間的混合關(guān)系
1．5 統(tǒng)計(jì)、計(jì)算機(jī)與統(tǒng)計(jì)軟件
1．6 本章的Python代碼
1．7 習(xí)題
第2章 數(shù)據(jù)的收集
2．1 數(shù)據(jù)是怎樣得到的
2．2 個(gè)體、總體和樣本
2．3 參考資料：抽樣調(diào)查和一些常用的方法
2．3．1 概述
2．3．2 概率抽樣例子
2．3．3 非概率抽樣例子
2．3．4 收集數(shù)據(jù)時(shí)的誤差
2．3．5 問卷調(diào)查的問題
2．4 習(xí)題
第3章 數(shù)據(jù)的描述
3．1 如何用圖來表示數(shù)據(jù)
3．1．1 定量變量的圖表示：直方圖、盒形圖、莖葉圖和散點(diǎn)圖
3．1．2 定性變量的圖表示：餅圖和條形圖
3．1．3 其他圖描述法
3．2 如何用少量數(shù)字來概括數(shù)據(jù)
3．2．1 數(shù)據(jù)的“位置”
3．2．2 數(shù)據(jù)的“尺度”
3．2．3 數(shù)據(jù)的標(biāo)準(zhǔn)得分
3．3 本章的Python代碼
3 3．1 直方圖
3．3．2 盒形圖
3．3．3 莖葉圖
3．3．4 散點(diǎn)圖
3．3．5 餅圖
3．3．6 條形圖
3．3．7 數(shù)據(jù)的標(biāo)準(zhǔn)得分
3．4 習(xí)題
第4章 機(jī)會(huì)的度量：概率和分布
4．1 得到概率的幾種途徑
4．2 概率的運(yùn)算
4．3 變量的分布
4．3．1 離散隨機(jī)變量
4．3．2 離散分布例子：二項(xiàng)分布
4．3．3 離散分布例子：多項(xiàng)分布
4．3．4 離散分布例子：Poisson分布
4．3．5 離散分布例子：超幾何分布
4．3．6 連續(xù)隨機(jī)變量
4．3．7 累積分布函數(shù)
4．3．8 連續(xù)分布例子：正態(tài)分布
4．3．9 通過正態(tài)分布說明連續(xù)分布的概率
4．3．10 連續(xù)分布例子：均勻分布
4．3．11 實(shí)際數(shù)據(jù)中變量的經(jīng)驗(yàn)分布
4．4 抽樣分布
4．4．1 什么是抽樣分布
4．4．2 中心極限定理
4．5 本章的Python代碼
4．5．1 二項(xiàng)分布
4．5．2 Poisson分布
4．5．3 連續(xù)隨機(jī)變量的分布
4．5．4 正態(tài)分布
4．5．5 均勻分布
4．5．6 經(jīng)驗(yàn)分布
4．5．7 抽樣分布
4．6 習(xí)題
第5章 有監(jiān)督學(xué)習(xí)——回歸和分類
5．1 問題的提出
5．1．1 多變量相互作用的真實(shí)世界
5．1．2 數(shù)據(jù)科學(xué)的核心是有監(jiān)督學(xué)習(xí)的預(yù)測
5．2 通過數(shù)據(jù)案例理解有監(jiān)督學(xué)習(xí)：分類問題
5．2．1 例5．1欺詐競標(biāo)數(shù)據(jù)
5．2．2 探索性數(shù)據(jù)分析
5．2．3 建立一個(gè)決策樹分類模型
5．2．4 如何選擇分類決策樹的拆分變量
5．2．5 預(yù)測精度的交叉驗(yàn)證
5．2．6 例5．1欺詐競標(biāo)數(shù)據(jù)決策樹分類的變量重要性
5．3 通過數(shù)據(jù)案例理解有監(jiān)督學(xué)習(xí)：回歸問題
5．3．1 例5．2混凝土強(qiáng)度數(shù)據(jù)
5．3．2 探索性數(shù)據(jù)分析
5．3．3 建立一個(gè)決策樹回歸模型
5．3．4 如何選擇回歸決策樹的拆分變量
5．3．5 回歸中的交叉驗(yàn)證預(yù)測精度與殘差的區(qū)別
5．3．6 例5．2 混凝土強(qiáng)度數(shù)據(jù)回歸預(yù)測精度的交叉驗(yàn)證
5．3．7 例5．2 混凝土強(qiáng)度數(shù)據(jù)決策樹回歸的變量重要性
5．4 若干有監(jiān)督學(xué)習(xí)模型
5．4．1 更多的例子
5．4．2 兩類模型的概述及交叉驗(yàn)證
5．4．3 bagging分類和回歸
5．4．4 adaboost分類
5．4．5 隨機(jī)森林分類和回歸
5．4．6 SVM分類和回歸
5．4．7 最小二乘線性回歸
5．4．8 用于二分類的logistic回歸
5．4．9 線性判別分析分類
5．5 本章自編R函數(shù)和一些作圖代碼
5．5．1 平衡分類因變量各水平的分折函數(shù)
5．5．2 單獨(dú)模型的分類交叉驗(yàn)證函數(shù)（只用于本章的模型）
5．5．3 單獨(dú)模型的回歸交叉驗(yàn)證函數(shù)（只用于本章的模型）
5．5．4 課文中一些圖的代碼
5．6 本章的Python代碼
5．6．1 -些需要的模塊
5．6．2 通過數(shù)據(jù)案例理解有監(jiān)督學(xué)習(xí)：分類問題
5．6．3 通過數(shù)據(jù)案例理解有監(jiān)督學(xué)習(xí)：回歸問題
5．6．4 模型的概述及交叉驗(yàn)證
5．6．5 bagging分類和回歸
5．6．6 adaboost分類
5 6 7 隨機(jī)森林分類和回歸
5．6．8 SVM分類和回歸
5．6．9 最小二乘線性回歸
5．6．10 Iogistic回歸二分類
5．6．11 線性判別分析做多分類
5．6．12 本章要用的一些Python自編函數(shù)
5．7 參考資料
5．7．1 線性判別分析的一些數(shù)學(xué)細(xì)節(jié)
5．7．2 支持向量機(jī)的一些數(shù)學(xué)細(xì)節(jié)
5．8 習(xí)題
第6章 無監(jiān)督學(xué)習(xí)——多元分析
6．1 尋找多個(gè)變量的代表：主成分分析和因子分析
6．1．1 主成分分析
6．1．2 因子分析
6．1．3 因子分析和主成分分析的一些注意事項(xiàng)
6．2 把對象分類：聚類分析
6．2．1 如何度量距離遠(yuǎn)近？
6．2．2 事先要確定分多少類：k均值聚類
6．2．3 事先不用確定分多少類：分層聚類
6．2．4 聚類要注意的問題
6．3 兩組變量之間的相關(guān)：典型相關(guān)分析
6．3．1 兩組變量的相關(guān)問題
6．3．2 典型相關(guān)分析
6．4 列聯(lián)表行變量和列變量的關(guān)系：對應(yīng)分析
6．5 參考資料：一些概括及公式
6．5．1 主成分分析和因子分析
6．5．2 聚類分析
6．5．3 典型相關(guān)分析
6．5．4 對應(yīng)分析
6．6 本章的Python代碼
6．6．1 主成分分析
6．6．2 因子分析
6．6．3 聚類分析
6．6．4 典型相關(guān)分析
6．6．5 對應(yīng)分析
6．7 習(xí)題
……
第7章 隨時(shí)間變化的對象：時(shí)間序列分析
第8章 生存分析簡介
第9章 基本軟件：R和Python
第10章 附錄：統(tǒng)計(jì)顯著性：假設(shè)檢驗(yàn)和區(qū)間估計(jì)
參考文獻(xiàn)