杉山将著的《统计机器学习导论/数据科学与工程技术丛书》对机器学习的关键知识点进行了全面讲解，帮助读者顺利完成从理论到实践的过渡。书中首先介绍用于描述机器学习算法的统计与概率的知识，接着详细分析机器学习技术的两类主要方法——生成方法和判别方法，后深入研究了如何使机器学习算法在实际应用中发挥更大的作用。本书提供程序源代码，便于读者进行数据分析实践。

本书适合高等院校计算机、统计等专业的研究生和高年级本科生阅读，同时也适合相关领域的技术人员参考。

译者序

前言

作者简介

第一部分 绪论

 第1章 统计机器学习

1.1 学习的类型

1.2 机器学习任务举例

 1.2.1 监督学习

 1.2.2 非监督学习

 1.2.3 进一步的主题

1.3 本书结构

第二部分 概率与统计

 第2章 随机变量与概率分布

2.1 数学基础

2.2 概率

2.3 随机变量和概率分布

2.4 概率分布的性质

 2.4.1 期望、中位数和众数

 2.4.2 方差和标准差

 2.4.3 偏度、峰度和矩

2.5 随便变量的变换

 第3章 离散概率分布的实例

3.1 离散均匀分布

3.2 二项分布

3.3 超几何分布

3.4 泊松分布

3.5 负二项分布

3.6 几何分布

 第4章 连续概率分布的实例

4.1 连续均匀分布

4.2 正态分布

4.3 伽马分布、指数分布和卡方分布

4.4 Beta分布

4.5 柯西分布和拉普拉斯分布

4.6 t分布和F分布

 第5章 多维概率分布

5.1 联合概率分布

5.2 条件概率分布

5.3 列联表

5.4 贝叶斯定理

5.5 协方差与相关性

5.6 独立性

 第6章 多维概率分布的实例

6.1 多项分布

6.2 多元正态分布

6.3 狄利克雷分布

6.4 威沙特分布

 ……

第三部分 统计模式识别的生成式方法

第四部分 统计机器学习的判别式方法

第五部分 高级主题

参考文献

索引