赞誉
译者序
前言
致谢
第一部分 经典统计推断
第1章 算法与推断
1.1 一个回归的例子
1.2 假设检验
1.3 注释
注释
第2章 频率学派推断
2.1 实践中的频率学派
2.2 频率学意义下的最优化
2.3 注释与细节
注释
第3章 贝叶斯推断
3.1 两个例子
3.2 无信息先验分布
3.3 频率学派推断的缺陷
3.4 贝叶斯学派/频率学派的对比列表
3.5 注释与细节
注释
第4章 Fisher推断和最大似然估计
4.1 似然和最大似然
4.2 Fisher信息和MLE
4.3 条件推断
4.4 排列和随机化
4.5 注释与细节
注释
第5章 参数模型和指数族
5.1 单变量族
5.2 多元正态分布
5.3 多参数分布族的Fisher信息量边界
5.4 多项分布
5.5 指数型分布族
5.6 注释与细节
注释
第二部分 计算机时代早期方法
第6章 经验贝叶斯
6.1 Robbins公式
6.2 物种遗漏问题
6.3 一个医学上的例子
6.4 间接证据
6.5 注释与细节
注释
第7章 James-Stein估计和岭回归
7.1 James-Stein估计
7.2 棒球运动员
7.3 岭回归
7.4 间接证据
7.5 注释和细节
注释
第8章 广义线性模型与回归树
8.1 逻辑回归
8.2 广义线性模型
8.3 泊松回归
8.4 回归树
8.5 注释与细节
注释
第9章 生存分析和EM算法
9.1 生命表和风险率
9.2 删失数据和Kaplan-Meier估计
9.3 对数秩检验
9.4 比例风险模型
9.5 缺失数据和EM算法
9.6 注释与细节
注释
第10章 刀切法与自助法
10.1 标准差的刀切法估计
10.2 非参数的自助法
10.3 重抽样方案
10.4 参数自助法
10.5 影响函数与鲁棒估计
10.6 注释与细节
注释
第11章 自助法置信区间
11.1 Neyman的单参数问题的构建
11.2 百分位方法
11.3 偏差校正置信区间
11.4 二阶精度
11.5 自助t-区间
11.6 目标贝叶斯区间和置信分布
11.7 注释与细节
注释
第12章 交叉验证与预测误差的Cp估计
12.1 预测规则
12.2 交叉验证
12.3 协方差惩罚
12.4 训练、验证与短期预测因子
12.5 注释与细节
注释
第13章 客观贝叶斯推断和马尔可夫链蒙特卡罗方法
13.1 客观先验分布
13.2 共轭先验分布
13.3 模型选择与贝叶斯信息准则
13.4 Gibbs抽样和MCMC
13.5 示例：模拟人口混合
13.6 注释与细节
注释
第14章 战后时代的统计推断与方法论
注释
第三部分 21世纪的话题
第15章 大规模假设检验和错误发现率
15.1 大规模假设检验
15.2 错误发现率
15.3 经验贝叶斯大规模假设检验
15.4 局部错误发现率
15.5 原假设分布的选择
15.6 关联性
15.7 注释与细节
注释
第16章 稀疏建模和套索
16.1 前向逐步回归
16.2 套索
16.3 拟合套索模型
16.4 最小角回归
16.5 拟合广义的套索模型
16.6 套索的选择后推断
16.7 联系和扩展
16.8 注释与细节
注释
第17章 随机森林和提升
17.1 随机森林
17.2 平方误差损失的提升
17.3 梯度提升
17.4 Adaboost：原始的提升算法
17.5 联系和扩展
17.6 注释与细节
注释
第18章 神经网络与深度学习
18.1 神经网络与手写数字问题
18.2 拟合一个网络
18.3 自动编码器
18.4 深度学习
18.5 学习一个深层网络
18.6 注释与细节
注释
第19章 支持向量机和核方法
19.1 最优超平面
19.2 软间隔分类器
19.3 作为损失加惩罚的支持向量机准则
19.4 计算以及核技巧
19.5 利用核的函数拟合
19.6 实例：用于蛋白质分类的字符串核函数
19.7 支持向量机：结束语
19.8 核平滑和局部回归
19.9 注释与细节
注释
第20章 模型选择后的推断
20.1 同时置信区间
20.2 模型选择后的准确率
20.3 选择的偏差
20.4 贝叶斯频率学组合估计
20.5 注释与细节
注释
第21章 经验贝叶斯估计策略
21.1 贝叶斯反卷积
21.2 g-建模和估计
21.3 似然、正则化和准确性
21.4 两个例子
21.5 广义线性混合模型
21.6 反卷积和f-建模
21.7 注释与细节
注释
后记
参考文献

本书以丰富的案例介绍了计算机时代下的统计推断的发展脉络，从理论的角度剖析统计推断的各类算法、证据等，揭示统计推断如何推动当今大数据、数据科学、机器学习等领域的快速发展并引领数据分析的变革，最后展望了统计学和数据科学的未来方向。