彼得·布尔曼、萨拉范德·吉尔编著李正欣、张晓雷、钟季龙、王健、刘刚译的《高维数据统计方法理论与应用(精)/大数据科技译丛》以实际数据的分析应用为牵引，以数学方法和定理的推导为依据，详细介绍了基于Lasso的高维数据变量选择、估计与预测，并结合实例进行分析比较，内容涵盖应用数学、信息科学、计算机科学与生物医学等领域，面向统计人员、数据分析人员，以及其他从事方法、算法、数学理论研究的人士，适合于具有大数据应用背景的科研工作者及相关专业的大学生、研究生阅读。

第1章 绪论
1.1 框架结构
1.2 潜在价值和挑战
1.3 关于本书
1.3.1 本书的组织结构
1.4 实例
1.4.1 基因学中的生物标记发现及预测
第2章 线性模型中的Lasso
2.1 本章的组织结构
2.2 引言及预备知识
2.2.1 Lasso评估量
2.3 正交观测量
2.4 预测
2.4.1 Lass0预测的实际应用
2.4.2 渐进理论的一些结果
2.5 变量筛选和IIB-B0IIq-范数
2.5.1 变量筛选中的调谐参数选择
2.5.2 针对DNA结合点的M0tif回归
2.6 变量选择
2.6.1 邻域稳定性和irrepresentable条件
2.7 总结关键性质和相关假设
2.8 自适应Lasso：两阶段流程
2.8.1 说明：仿真数据和motif回归
2.8.2 正交观测量
2.8.3 自适应Lasso：弱条件下的变量选择
2.8.4 计算
2.8.5 多步骤自适应Lasso
2.8.6 非凸的惩罚函数
第3章 广义线性模型和Lasso
第4章 Group Lasso
第5章 加性模型和单变量平滑函数
第6章 Lasso理论
第7章 使用Lasso做变量选择
第8章 l1l2-惩罚过程理论
第9章 非凸损失函数与l1-正则化
第10章 稳定解
第11章 线性模型及拓展的p-值
第12章 贪婪算法及Booting算法
第13章 图形化建模
第14章 概率以及矩不等式