预购商品
书目分类
特别推荐
001/序言 007/前言 009/第1章 開普勒拉開序幕 013/ 1.1 托勒玫的謝幕與哥白尼的登場 018/ 1.2 開普勒及其處女作《宇宙的奧秘》 022/ 1.3 開普勒與第穀的世紀合作 024/ 1.4 研究從地球開始的第二定律——面積律 027/ 1.5 研究火星軌道得到的第一定律——橢圓律 030/ 1.6 第三定律及《宇宙和諧論》橫空出世 037/第2章 統計學的早期思想 041/ 2.1 講課風格如孔子的康令 044/ 2.2 格朗特及其《觀察》 046/ 2.3 《觀察》中的創新思想 049/ 2.4 後繼者配第 051/ 2.5 擲骰子顯明上帝的旨意 055/ 2.6 從義大利到法國 061/ 2.7 惠更斯和數學期望 063/ 2.8 雅各·伯努利和他的《猜度術》 065/ 2.9 天才棣莫弗和他的《偶然論》 068/ 2.10 科爾莫戈羅夫與現代概率論 075/第3章 異端貝葉斯的傳世遺作 084/ 3.1 神秘的貝葉斯 086/ 3.2 正概率問題和逆概率問題 087/ 3.3 什麼是條件概率 089/ 3.4 因為對稱而美麗的貝葉斯定理 093/ 3.5 主觀概率是什麼 097/ 3.6 傑佛瑞斯發現地核組成 100/ 3.7 圖靈破譯“恩尼格碼”密碼機 103/ 3.8 現代精算師和貝葉斯統計學 106/ 3.9 瓦爾德和薩維奇的貝葉斯決策論 110/ 3.10 珀爾和他的貝葉斯網路 115/ 3.11 詮釋思考的貝葉斯方法 125/第4章 數學王子高斯的誤差分佈 129/ 4.1 最小二乘法的問世與他的主人勒讓德 132/ 4.2 眾人探索誤差分佈 135/ 4.3 數學王子高斯登場 142/ 4.4 拉普拉斯的貢獻 145/ 4.5 社會物理學鼻祖——凱特勒 148/ 4.6 高爾頓提出“回歸”概念 153/ 4.7 計算機視覺裡用於曲線擬合的最小二乘法 163/第5章 統計學之父皮爾遜 167/ 5.1 埃奇沃思——一位喜歡文藝的理科男 170/ 5.2 後正態分佈初期世人盲目 176/ 5.3 皮爾遜用矩法匯出皮爾遜曲線族 179/ 5.4 1900年誕生的x2統計量 181/ 5.5 1901年主成分分析被引入統計學 189/第6章 第一次統計學革命 195/ 6.1 費希爾與皮爾遜令人唏噓的爭論 199/ 6.2 論戰的調停者——“student”戈塞特 202/ 6.3 沿著高斯的路前進 205/ 6.4 著名的實驗——“女士品茶” 209/ 6.5 費希爾用方差分析提出挑戰 213/ 6.6 奈曼和艾貢·皮爾遜的合作 216/ 6.7 指數族以及廣義線性模型 219/ 6.8 費希爾的又一傑作 221/ 6.9 費希爾信息量拉開統計學新篇章 231/第7章 紮德獨闢蹊徑 236/ 7.1 大哲人羅素和“模糊性” 239/ 7.2 康托爾留下的“後遺症” 244/ 7.3 紮德的模糊集合 249/ 7.4 模糊邏輯之你的頭髮都被數算過 251/ 7.5 模糊邏輯之模糊推理入門 253/ 7.6 模糊數學與你家的洗衣機有何關係 257/ 7.7 被日本模糊數學家改造後的數據分析 267/ 7.8 模糊現象和隨機現象到底不同在哪裡 270/ 7.9 模糊數學與人工智慧之間的聯繫 279/第8章 分形統計學進駐金融領域 283/ 8.1 從早期的數學怪物談起 288/ 8.2 芒德布羅和他的分形幾何 293/ 8.3 1919年豪斯道夫提出連續空間概念 300/ 8.4 巴舍利耶開創傳統金融理論 303/ 8.5 現代金融大廈 308/ 8.6 芒德布羅與棉花之謎 310/ 8.7 由尼羅河洪水謎團引出的長期記憶性 316/ 8.8 為什麼分數維可以比較好地度量股票風險 318/ 8.9 分形分佈能撼動正態分佈嗎 323/ 8.10 新的陣地：當今複雜網路研究中的冪律分佈 333/第9章 用作績效管理的數據包絡分析 341 / 9.1 數據包絡分析的先驅法雷爾和思想源頭帕累托 347/ 9.2 數據包絡分析是一種極具特色的非參數方法 350/ 9.3 建立在線性規劃理論上的數據包絡分析 355/ 9.4 丹齊格與線性規劃中的單純形法 358/ 9.5 線性規劃中的對偶問題 360/ 9.6 查恩斯和庫珀的第一個數據包絡分析模型 366/ 9.7 數據包絡分析在企業績效評價中的應用 370/ 9.8 中國學者的重大貢獻 372/ 9.9 數據包絡分析與傳統回歸方法 374/ 9.10 數據包絡分析潛入數據挖掘領域 383/第10章 不愧為“暴力美學”的計算統計 388/ 10.1 現代蒙特卡洛方法 394/ 10.2 計算統計中的蒙特卡洛方法源頭 398/ 10.3 用蒙特卡洛方法求解定積分 400/ 10.4 瑪律科夫的傑作 405/ 10.5 20世紀十個最重要的演算法之一 406/ 10.6 瑪律科夫鏈蒙特卡洛方法應用于貝葉斯分析 410/ 10.7 重採樣方法的思想來源和孟買碼頭上的大批黃麻 412/ 10.8 刀切法開創近代重採樣方法 415/ 10.9 埃弗隆對刀切法的再思考——自助法 418/ 10.10 埃弗隆用圖展示自助法的幾何圖景 420/ 10.11 重採樣方法是如何應用在集成學習中的 431/第11章 輔佐人工智慧的第二次統計學革命 435/ 11.1 聽司馬賀講講到底什麼是“學習” 438/ 11.2 群星璀璨達特茅斯會議 443/ 11.3 感知器的誕生與“學習理論” 446/ 11.4 瓦普尼克提出的統計學習理論“高觀點” 451/ 11.5 專家系統堪比行業專家 453/ 11.6 辛頓對瓦普尼克的反擊 456/ 11.7 樂存與卷積神經網路 463/ 11.8 1995年瓦普尼克開創支持向量機 467/ 11.9 辛頓發起深度學習的成功逆襲 471/ 11.10 “女性化”的學習方法——轉導推理 473/ 11.11 天下沒有免費的午餐 474/ 11.12 通往通用人工智慧之路 485/第12章 穀歌式大數據分析 489/ 12.1 大數據確切指什麼 491/ 12.2 大數據的統計限制“邦弗朗尼原理” 494/ 12.3 大數據時代重要的思維——關聯規則 499/ 12.4 佩奇和布林創始穀歌網頁排名演算法 507/ 12.5 穀歌的廣告演算法 509/ 12.6 穀歌雲計算之MapReduce演算法 516/ 12.7 雲計算後穀歌公司去向哪裡 518/ 12.8 “穀歌式”科技將取代人類智慧嗎 520/ 12.9 大數據對我們日常生活的影響
項亦子 畢業于于上海海洋大學資訊與計算科學，畢業後長期從事數據分析領域的工作，對統計學和數據分析有濃厚的興趣和獨到的見解。
客服公告
热门活动
订阅电子报
