《Computer age statistical inference》学习笔记-Part I

最新推荐文章于 2021-01-01 23:40:24 发布
最新推荐文章于 2021-01-01 23:40:24 发布
阅读量792 收藏 5
点赞数 1
原文链接：http://www.cnblogs.com/xiaobaijiang/p/9215662.html
版权

最近在看统计推断的时候发现一本好书，《Computer age statistical inference》（中译大致是《计算机时代的统计推断》），作者是Bradley Efron 和 Trevor Hastie。统计界大牛，书的电子版作者免费放到了网上，《Computer age statistical inference》。

图书封面

书的内容主要按照时间分三部分，第一部分是电子计算机时代之前的经典统计推断内容，包括：频率学派，贝叶斯学派，和Fisherian以及常见的参数模型，并介绍了指数分布族，时间为1763年（贝叶斯发表贝叶斯公式的那个文章）到1950年之间；第二部分为计算机时代早期统计方法，时间跨度为1950-1990年，依托于计算机的出现，这个时间段涌现了很多经典的统计方法，书中主要介绍了经验贝叶斯、James-Stein估计、广义线性模型（GLM）和回归树、生存分析、EM算法、以及经典重抽样方法：Jackknife和Bootstrap、交叉验证、MCMC等方法；第三部分为21世纪出现的统计学习方法，如：稀疏模型和Lasso、Random Forest和Boosting方法、神经网络与深度学习、SVM和核技巧等，这部分和作者之一 Trevor Hastie的另一本经典书《 The Elements of Statistical Learning》（中译名为《统计学习基础》有交叉部分，可以互相参考）。ESL也是网上各种推荐。

图书封面

按照三部分，慢慢写点读书笔记吧，记录一下心得。

 

转载于:https://www.cnblogs.com/xiaobaijiang/p/9215662.html

weixin_30733003
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
computer age statistical inference
11-24
The twenty-first century has seen a breathtaking expansion of statistical methodology, both in scope and in influence. 'Big data', 'data science', and 'machine learning' have become familiar terms in the news, as statistical methods are brought to bear upon the enormous data sets of modern science and commerce. How did we get here? And where are we going? This book takes us on an exhilarating journey through the revolution in data analysis following the introduction of electronic computation in the 1950s. Beginning with classical inferential theories - Bayesian, frequentist, Fisherian - individual chapters take up a series of influential topics: survival analysis, logistic regression, empirical Bayes, the jackknife and bootstrap, random forests, neural networks, Markov chain Monte Carlo, inference after model selection, and dozens more. The distinctly modern approach integrates methodology and algorithms with statistical inference. The book ends with speculation on the future direction of statistics and data science., Clarifies both traditional methods and current, popular algorithms (e.g. neural nets, random forests), Written by two world-leading researchers, Addressed to all fields that work with data
Computer Age Statistical Inference: Algorithms，Evidence，and Data Science.
06-03
1 Algorithms and Inference 3 1.1 A Regression Example 4 1.2 Hypothesis Testing 8 1.3 Notes 11 2 Frequentist Inference 12 2.1 Frequentism in Practice 14 2.2 Frequentist Optimality 18 2.3 Notes and Details 20 3 Bayesian Inference 22 3.1 Two Examples 24 3.2 Uninformative Prior Distributions 28 3.3 Flaws in Frequentist Inference 30 3.4 A Bayesian/Frequentist Comparison List 33 3.5 Notes and Details 36 4 Fisherian Inference and Maximum Likelihood Estimation 38 4.1 Likelihood and Maximum Likelihood 38 4.2 Fisher Information and the MLE 41 4.3 Conditional Inference 45 4.4 Permutation and Randomization 49 4.5 Notes and Details 51 5 Parametric Models and Exponential Families 53 ix x Contents 5.1 Univariate Families 54 5.2 The Multivariate Normal Distribution 55 5.3 Fisher’s Information Bound for Multiparameter Families 59 5.4 The Multinomial Distribution 61 5.5 Exponential Families 64 5.6 Notes and Details 69 Part II Early Computer-Age Methods 73 6 Empirical Bayes 75 6.1 Robbins’ Formula 75 6.2 The Missing-Species Problem 78 6.3 A Medical Example 84 6.4 Indirect Evidence 1 88 6.5 Notes and Details 88 7 James–Stein Estimation and Ridge Regression 91 7.1 The James–Stein Estimator 91 7.2 The Baseball Players 94 7.3 Ridge Regression 97 7.4 Indirect Evidence 2 102 7.5 Notes and Details 104 8 Generalized Linear Models and Regression Trees 108 8.1 Logistic Regression 109 8.2 Generalized Linear Models 116 8.3 Poisson Regression 120 8.4 Regression Trees 124 8.5 Notes and Details 128 9 Survival Analysis and the EM Algorithm 131 9.1 Life Tables and Hazard Rates 131 9.2 Censored Data and the Kaplan–Meier Estimate 134 9.3 The Log-Rank Test 139 9.4 The Proportional Hazards Model 143 9.5 Missing Data and the EM Algorithm 146 9.6 Notes and Details 150 10 The Jackknife and the Bootstrap 155 10.1 The Jackknife Estimate of Standard Error 156 10.2 The Nonparametric Bootstrap 159 10.3 Resampling Plans 162 Contents xi 10.4 The Parametric Bootstrap 169 10.5 Influence Functions and Robust Estimation 174 10.6 Notes and Details 177 11 Bootstrap Confidence Intervals 181 11.1 Neyman’s Construction for One-Parameter Problems 181 11.2 The Percentile Method 185 11.3 Bias-Corrected Confidence Intervals 190 11.4 Second-Order Accuracy 192 11.5 Bootstrap-t Intervals 195 11.6 Objective Bayes Intervals and the Confidence Distribution 198 11.7 Notes and Details 204 12 Cross-Validation and Cp Estimates of Prediction Error 208 12.1 Prediction Rules 208 12.2 Cross-Validation 213 12.3 Covariance Penalties 218 12.4 Training, Validation, and Ephemeral Predictors 227 12.5 Notes and Details 230 13 Objective Bayes Inference and MCMC 233 13.1 Objective Prior Distributions 234 13.2 Conjugate Prior Distributions 237 13.3 Model Selection and the Bayesian Information Criterion 243 13.4 Gibbs Sampling and MCMC 251 13.5 Example: Modeling Population Admixture 256 13.6 Notes and Details 261 14 Postwar Statistical Inference and Methodology 264 Part III Twenty-First-Century Topics 269 15 Large-Scale Hypothesis Testing and FDRs 271 15.1 Large-Scale Testing 272 15.2 False-Discovery Rates 275 15.3 Empirical Bayes Large-Scale Testing 278 15.4 Local False-Discovery Rates 282 15.5 Choice of the Null Distribution 286 15.6 Relevance 290 15.7 Notes and Details 294 16 Sparse Modeling and the Lasso 298 xii Contents 16.1 Forward Stepwise Regression 299 16.2 The Lasso 303 16.3 Fitting Lasso Models 308 16.4 Least-Angle Regression 309 16.5 Fitting Generalized Lasso Models 313 16.6 Post-Selection Inference for the Lasso 317 16.7 Connections and Extensions 319 16.8 Notes and Details 321 17 Random Forests and Boosting 324 17.1 Random Forests 325 17.2 Boosting with Squared-Error Loss 333 17.3 Gradient Boosting 338 17.4 Adaboost: the Original Boosting Algorithm 341 17.5 Connections and Extensions 345 17.6 Notes and Details 347 18 Neural Networks and Deep Learning 351 18.1 Neural Networks and the Handwritten Digit Problem 353 18.2 Fitting a Neural Network 356 18.3 Autoencoders 362 18.4 Deep Learning 364 18.5 Learning a Deep Network 368 18.6 Notes and Details 371 19 Support-Vector Machines and Kernel Methods 375 19.1 Optimal Separating Hyperplane 376 19.2 Soft-Margin Classifier 378 19.3 SVM Criterion as Loss Plus Penalty 379 19.4 Computations and the Kernel Trick 381 19.5 Function Fitting Using Kernels 384 19.6 Example: String Kernels for Protein Classification 385 19.7 SVMs: Concluding Remarks 387 19.8 Kernel Smoothing and Local Regression 387 19.9 Notes and Details 390 20 Inference After Model Selection 394 20.1 Simultaneous Confidence Intervals 395 20.2 Accuracy After Model Selection 402 20.3 Selection Bias 408 20.4 Combined Bayes–Frequentist Estimation 412 20.5 Notes and Details 417 Contents xiii 21 Empirical Bayes Estimation Strategies 421 21.1 Bayes Deconvolution 421 21.2 g-Modeling and Estimation 424 21.3 Likelihood, Regularization, and Accuracy 427 21.4 Two Examples 432 21.5 Generalized Linear Mixed Models 437 21.6 Deconvolution and f -Modeling 440 21.7 Notes and Details 444 Epilogue 446 References 453 Author Index 463 Subject Index 467
【学习笔记】计算机时代的统计推断（Bradley Efron and Trevor Hastie 著）
热门推荐
一只热爱奔跑的程序猿
01-01 1万+
目录PART 1 经典统计推断 Classic Statistical InferenceChapter01 算法与推断 Algorithms and InferenceChapter02 频率推断 Frequentist InferenceChapter03 贝叶斯推断 Bayesian InferenceChapter04 费雪推断与最大似然估计 Fisherian Inference and Maximum Likelihood EstimationChapter05 参数化模型与指数分布族 Par.
新书推荐 |《计算机时代的统计推断：算法、演化和数据科学》
华章IT官方博客
07-22 404
新书推荐《计算机时代的统计推断：算法、演化和数据科学》点击上图了解及购买统计推断入门经典，斯坦福大学知名教授、《The Elements of Statistical Learning》...
Computer Age Statistical Inference: Algorithms, Evidence, and Data Science
01-13
https://www.cambridge.org/hk/academic/subjects/statistics-probability/statistical-theory-and-methods/computer-age-statistical-inference-algorithms-evidence-and-data-science?format=HB
统计推断+中文版
07-16
统计推断+中文版
Statistical inference 2
10-14
雷奥奇·卡塞拉，罗杰L·贝耶 所著统计推断（Statistical Inference ），英文版，原书第二版
ESL3.1 导言
nstarLDS的博客
02-20 223
3.1 导言 这是一篇有关《统计学习基础》，原书名The Elements of Statistical Learning的学习笔记，该书学习难度较高，有很棒的学者将其翻译成中文并放在自己的个人网站上，翻译质量非常高，本博客中有关翻译的内容都是出自该学者的网页，个人解读部分才是自己经过查阅资料和其他学者的学习笔记，结合个人理解总结成的原创内容。 原文 The Elements of Sta...
Probability_and_Statistical_Inference:R代码，用于概率论和统计推断
04-30
概率与统计推断 本课程介绍了R的概率和统计推断。Rstudio是R的接口，可以下载到。 课程内容： 概论： 位置测量； 数数; 条件概率与贝叶斯定律。 发行简介： 离散分布： 伯努利分布； 二项分布; 泊松分布。 连续的： 正态分布。 推理简介。 假设检验简介： Z检验； 卡方检验； t检验。 回归： 简单线性回归； 分类回归； 逻辑回归。 参考 基本阅读：（作者，标题，出版者） Devore＆Peck-统计：对数据的探索和分析，2011年。 补充阅读：（作者-标题，出版者，日期） Gareth，J等。 -统计学习简介。 卷112.纽约：史宾格，2013年。 Garland，P.-R统计数据，Springer 2008 詹姆斯（James，G.），维滕（Witten），D。 统计学习简介（第112卷，第18页）。 纽约：史宾格。 图书网站：
统计推断高清中文
06-26
统计推断 介绍、书评、论坛及推荐... 《统计推断(翻译版·原书第2版)》从概率论的基础开始,通过例子与习题的旁征博引,引进了大量近代统计处理的新技术和一些
机器学习相关书籍
WIA的博客
07-18 359
最近见了一些大佬，也推荐了一些书籍，自己整理了一下（不断更新）： 《数学之美》吴军《统计学习方法》李航《机器学习》周志华《机器学习实战》Shai Shalev-Shwartz and Shai Ben-David. Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press.Bra
（二）Statistical Inference Course Notes
Yue的博客
02-25 503
overview 统计推断就是从样本中得到关于总体的结论 目标是将数据得到的结论推广到总体 两大推断模式：频率和贝叶斯 统计量：数据的一个样本计算出的数字，用来推断总体的信息 随机变量 概率度量一个事情发生可能性一般性的定律 1 . 次可列可加性 2 . 单调性 3 . 独立随机变量的交的概率等于概率的乘积 4 . 条件概率P(A|B)=P(A∩B)P(B)P(A\:|\:B
Causal Inference in Statistics读书笔记-chapter1
m0_37600149的博客
07-20 5433
Chapter1 Preliminaries: Statistical and Causal Models 1. Why Study Causation “causation”的意思是因果关系，学习因果关系是因为我们需要通过理解数据来做出更好的决策和行动，从失败或者成功的经历中获取知识。作者通过辛普森悖论来讲述了因果关系在统计学习中的重要性。 ### Simpson 悖论 我们想...
statistical inference pdf
最新发布
01-23
统计推断（statistical inference）是指根据从样本中收集到的数据，对总体参数进行推断的过程。推断的目的是通过对样本数据的分析来做出关于总体特征的推断，例如总体的均值、方差或两总体均值之间的差异等。 统计...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值