吴喜之编著的《多元统计分析--R与Python的实现／基于R应用的统计学丛书》基于数据驱动的思维，以R和Python作为编程工具对大量实际案例做了分析。介绍了回归、分类及各种多元分析方法（包括主成分分析、因子分析、聚类分析、典型相关分析、二元及多元对应分析、多维尺度变换）的概念、应用及可能的误区。
本书并不要求读者有数理统计的预备知识。本书在一开始为读者提供了理解概念所必需的代数知识，并附有学习编程语言的练习。读者可以通过本书学到机器学习的最重要内容，同时学习编程语言，打下数据科学的基础。

前言
第1章 引言
1.1 数据科学
1.1.1 统计是数据科学吗
1.1.2 计算机学科在数据科学中的地位
1.1.3 问题驱动应成为数据科学的基本思维方式
1.2 多元分析的对象
1.3 需要的工具
1.4 各章的安排
1.5 软件和编程
1.6 如何教学
第2章 矩阵代数回顾
2.1 矩阵
2.1.1 基本定义
2.1.2 基本矩阵运算
2.1.3 行列式
2.1.4 矩阵的逆
2.1.5 矩阵的广义逆
2.1.6 Kronecker积
2.1.7 幂等矩阵
2.1.8 向量空间
2.1.9 正交性
2.1.10 矩阵的秩
2.1.11 矩阵的迹
2.1.12 特征值
2.1.13 广义特征值
2.1.14 分块矩阵
2.2 矩阵的分解
2.2.1 矩阵的特征值分解
2.2.2 奇异值分解及广义奇异值分解
2.2.3 QR分解
2.2.4 Cholesky分解
2.3 二次型
2 3.1 定义
2 3.2 二次型和矩阵的定性
2.3.3 椭球
2.4 矩阵的导数
2.4.1 向量关于数量的偏导数
2.4.2 数量关于向量的偏导数
2.4.3 向量关于向量的偏导数
2.4.4 矩阵关于数量的偏导数
2.4.5 数量关于矩阵的偏导数
2.4.6 有关内积、二次型的导数
2.4.7 函数的偏导数
2.5 本章矩阵简单运算的R和Python代码
2.6 习题
第3章 回归
3.1 经典回归模型基本要素
3.1.1 描述数据
3.1.2 线性回归模型
3.1.3 最小二乘回归
3.1.4 最小二乘回归参数的估计
3.2 交叉验证
3.3 经典线性回归的基本假定及根据假定所得到的结论
3.3.1 经典线性回归的数学假定
3.3.2 最小二乘回归参数估计量的一些性质及有关检验
3.3.3 例3.1 波士顿住房数据的最小二乘回归
3.3.4 最小二乘回归结果的锵释
3.3.5 有关拟合的R^2及AIC
3.4 自变量有分类变量（定性变量）的情况
3.5 机器学习回归简介及案例
3.5.1 例子和机器学习方法的优势
3.5.2 决策树回归
3.5.3 bagging回归
……
第4章 分类
第5章 主成分分析
第6章 因子分析
第7章 聚类分析
第8章 典型相关分析
第9章 对应分析
第10章 多维尺度变换
附录1 R简介——通过运行来领悟
附录2 Pvtllon简介——通过运行来领悟
参考文献