基本信息
内容简介
作译者
[美]诺曼·马特罗夫(Norman Matloff) 著：诺曼·马特罗夫(Norman Matloff)是加州大学戴维斯分校计算机科学专业教授，并曾担任该校统计学专业教授。他是 Journal of Statistical Software和The R Journal的编委会成员。他的著作Statistical Regression and Classification: From Linear Models to Machine Learning曾入选2017年国际Ziegel奖。他还是该校杰出教学奖的获得者。
目录
前言
作者简介
第一部分 概率论基础
第1章 基本的概率模型2
1.1 示例：公共汽车客流量2
1.2 “笔记本”视图：重复实验的概念3
1.2.1 理论方法3
1.2.2 更直观的方法3
1.3 我们的定义4
1.4 “邮寄筒”7
1.5 示例：公共汽车客流量(续)7
1.6 示例：ALOHA网络9
1.6.1 ALOHA网络模型总结10
1.6.2 ALOHA网络计算10
1.7 笔记本环境中的ALOHA12
1.8 示例：一个简单的棋盘游戏13
1.9 贝叶斯法则14
1.9.1 总则14
1.9.2 示例：文档分类15
1.10 随机图模型15
作者简介
第一部分 概率论基础
第1章 基本的概率模型2
1.1 示例：公共汽车客流量2
1.2 “笔记本”视图：重复实验的概念3
1.2.1 理论方法3
1.2.2 更直观的方法3
1.3 我们的定义4
1.4 “邮寄筒”7
1.5 示例：公共汽车客流量(续)7
1.6 示例：ALOHA网络9
1.6.1 ALOHA网络模型总结10
1.6.2 ALOHA网络计算10
1.7 笔记本环境中的ALOHA12
1.8 示例：一个简单的棋盘游戏13
1.9 贝叶斯法则14
1.9.1 总则14
1.9.2 示例：文档分类15
1.10 随机图模型15
前言
致教师
对于物理、化学或生物学这样的学科而言，我们学习一门学科是为了解决这门学科的问题，而统计学与这些学科不同，研究统计学的主要目的是解决其他学科的问题.
——C.R.Rao，现代统计学的先驱之一
教育的作用是教人认真思考和批判性思考.智慧与品格——这才是教育的真正目标.
——马丁·路德·金博士，美国民权领袖
其万折也必东，似志.
——孔子，中国古代哲学家
本书主要是为数据科学（包括计算机科学）专业学生设计的概率与统计教材，涵盖初级/高级/研究生水平的概率论和统计学知识.除微积分外，本书还要求学生掌握一些矩阵代数知识并具备基本的计算机编程能力.
但是，这本书为什么不同于其他概率论和数理统计教材呢？
事实上，这本书确实与其他概率论与数理统计方面的书完全不同.简要概括如下：
●本书英文版的副书名是Math+R+Data，这里直接体现了本书与其他数理统计类书籍的不同.
●强调数据科学应用，例如，随机图模型、幂律分布、隐马尔可夫模型、主成分分析、谷歌PageRank、遥感、混合分布、神经网络、维数灾难等.
●广泛使用R语言.
与其他数理统计类书籍相比，本书特别强调应用，使用了大量的真实数据.
本书从应用的角度出发组织内容，注重培养学生批判性思考使用统计学的方式和原因，并使学生具有“全局观”.
●使用真实数据，并及早地引入统计问题.
前面的Rao语录引起了我的强烈共鸣.虽然这是一本“数理统计”教材，涵盖了随机变量、密度函数、期望值、分布、统计估计和推断等，但是正如本书书名所体现的，本书特别强调这些知识在数据科学中的应用.作为一本关于数据科学的书，即使只是一本数理统计书，也应该充分利用数据！
这对本书章节的顺序有影响.我们很早地引入了统计学，并在正文中穿插着统计问题.甚至是在介绍数学期望的第3章，也包括一些简单的预测模型，为学习第15章的内容作铺垫.第5章介绍著名的离散参数模型，并包含用幂律分布拟合真实数据的例子.这是第7章的前奏，之后在第7章将讨论抽样分布、均值和方差估计、偏差等知识.第8章介绍点估计，并利用极大似然估计和矩方法对真实数据进行模型拟合.从该章起，后面每一章都广泛使用了真实数据.
因为这些数据集都是公开的，所以授课教师可以深入研究这些数据示例.
●数学上正确——还要有很好的直觉.
对于物理、化学或生物学这样的学科而言，我们学习一门学科是为了解决这门学科的问题，而统计学与这些学科不同，研究统计学的主要目的是解决其他学科的问题.
——C.R.Rao，现代统计学的先驱之一
教育的作用是教人认真思考和批判性思考.智慧与品格——这才是教育的真正目标.
——马丁·路德·金博士，美国民权领袖
其万折也必东，似志.
——孔子，中国古代哲学家
本书主要是为数据科学（包括计算机科学）专业学生设计的概率与统计教材，涵盖初级/高级/研究生水平的概率论和统计学知识.除微积分外，本书还要求学生掌握一些矩阵代数知识并具备基本的计算机编程能力.
但是，这本书为什么不同于其他概率论和数理统计教材呢？
事实上，这本书确实与其他概率论与数理统计方面的书完全不同.简要概括如下：
●本书英文版的副书名是Math+R+Data，这里直接体现了本书与其他数理统计类书籍的不同.
●强调数据科学应用，例如，随机图模型、幂律分布、隐马尔可夫模型、主成分分析、谷歌PageRank、遥感、混合分布、神经网络、维数灾难等.
●广泛使用R语言.
与其他数理统计类书籍相比，本书特别强调应用，使用了大量的真实数据.
本书从应用的角度出发组织内容，注重培养学生批判性思考使用统计学的方式和原因，并使学生具有“全局观”.
●使用真实数据，并及早地引入统计问题.
前面的Rao语录引起了我的强烈共鸣.虽然这是一本“数理统计”教材，涵盖了随机变量、密度函数、期望值、分布、统计估计和推断等，但是正如本书书名所体现的，本书特别强调这些知识在数据科学中的应用.作为一本关于数据科学的书，即使只是一本数理统计书，也应该充分利用数据！
这对本书章节的顺序有影响.我们很早地引入了统计学，并在正文中穿插着统计问题.甚至是在介绍数学期望的第3章，也包括一些简单的预测模型，为学习第15章的内容作铺垫.第5章介绍著名的离散参数模型，并包含用幂律分布拟合真实数据的例子.这是第7章的前奏，之后在第7章将讨论抽样分布、均值和方差估计、偏差等知识.第8章介绍点估计，并利用极大似然估计和矩方法对真实数据进行模型拟合.从该章起，后面每一章都广泛使用了真实数据.
因为这些数据集都是公开的，所以授课教师可以深入研究这些数据示例.
●数学上正确——还要有很好的直觉.
媒体评论
这本书为数据科学专业的学生提供了一个极好的统计学导论……其示例通常来自数据科学应用领域，例如隐马尔可夫模型和遥感等……所有的模型和概念都用精确的数学语言进行了很好的解释（而不是像形式证明一样给出），有助于学生获得更直观的理解。
—— CHOICE
本书是一本面向数据科学、计算机科学专业学生的概率统计教材。全书共分为四部分：第一部分（第1~6章）主要介绍概率论、蒙特卡罗模拟、离散型随机变量、期望值和方差、离散参数分布族、连续型概率模型；第二部分（第7~10章）主要介绍统计学基础知识，包括抽样分布、极大似然估计、中心极限定理、置信区间和显著性检验等；第三部分（第11~17章）主要介绍多元分析相关内容，包括多元分布、混合分布、主成分分析、对数线性模型、降维、过拟合和预测分析等；第四部分（附录）介绍R语言编程基础知识。
本书特色
广泛使用真实数据集。
所有的数据分析都可由R代码实现。
包含许多数据科学的应用，如主成分分析、混合分布、随机图模型、隐马尔可夫模型、线性回归和Logistic回归，以及神经网络。
引导学生批判性地思考使用统计学的方式和原因，从而使学生具有全局观。
不是以“定理/证明”为导向，而是通过精确的数学语言来陈述概念和模型。
作者简介
诺曼·马特罗夫(Norman Matloff)是加州大学戴维斯分校计算机科学专业教授，并曾担任该校统计学专业教授。他是Journal of Statistical Software和The R Journal的编委会成员。他的著作Statistical Regression and Classification: From Linear Models to Machine Learning曾入选2017年国际Ziegel奖。他还是该校杰出教学奖的获得者。
—— CHOICE
本书是一本面向数据科学、计算机科学专业学生的概率统计教材。全书共分为四部分：第一部分（第1~6章）主要介绍概率论、蒙特卡罗模拟、离散型随机变量、期望值和方差、离散参数分布族、连续型概率模型；第二部分（第7~10章）主要介绍统计学基础知识，包括抽样分布、极大似然估计、中心极限定理、置信区间和显著性检验等；第三部分（第11~17章）主要介绍多元分析相关内容，包括多元分布、混合分布、主成分分析、对数线性模型、降维、过拟合和预测分析等；第四部分（附录）介绍R语言编程基础知识。
本书特色
广泛使用真实数据集。
所有的数据分析都可由R代码实现。
包含许多数据科学的应用，如主成分分析、混合分布、随机图模型、隐马尔可夫模型、线性回归和Logistic回归，以及神经网络。
引导学生批判性地思考使用统计学的方式和原因，从而使学生具有全局观。
不是以“定理/证明”为导向，而是通过精确的数学语言来陈述概念和模型。
作者简介
诺曼·马特罗夫(Norman Matloff)是加州大学戴维斯分校计算机科学专业教授，并曾担任该校统计学专业教授。他是Journal of Statistical Software和The R Journal的编委会成员。他的著作Statistical Regression and Classification: From Linear Models to Machine Learning曾入选2017年国际Ziegel奖。他还是该校杰出教学奖的获得者。
