本書全面地介紹了各種常見統(tǒng)計應用場景下的樣本量確定方法，重點討論了樣本量確定的原理，彌補了已有統(tǒng)計學在這方面的不足。特別地，在統(tǒng)計學領域內(nèi)首次介紹了分布估計和建模等應用場景中的樣本量確定方法，填補了空白。

本書涵蓋數(shù)值分析、統(tǒng)計計算的核心內(nèi)容，既包含一些經(jīng)典的數(shù)值方法，又系統(tǒng)地介紹了統(tǒng)計計算中的新方法。本書共8章，內(nèi)容包括計算統(tǒng)計引論、矩陣計算、函數(shù)逼近與最小二乘法、方程與方程組的數(shù)值解法、數(shù)值積分與數(shù)值微分、馬爾可夫鏈蒙特卡洛模擬、EM優(yōu)化算法、組合優(yōu)化與啟發(fā)式算法等。本書結(jié)合理論算法、計算機程序與計算機專業(yè)領域應用案例，較為全面地介紹數(shù)值計算方法和統(tǒng)計計算方法，讓學生真正了解計算統(tǒng)計中重要算法的基本思想，掌握相關程序的編寫和培養(yǎng)學生的編程思維，使其具備解決復雜工程問題的能力。本書除附了Pyth

本書共分為9章，首先介紹了R軟件中處理時間序列數(shù)據(jù)的方法以及如何進行時間序列數(shù)據(jù)的可視化，然后介紹了ARIMA模型及其相關擴展形式的原理、建模方法和應用，以及GARCH模型、VAR模型、VARX模型等，最后介紹了基于機器學習的時間序列預測方法、混沌時間序列的概念與特性，并提供了2個綜合案例分析。

本書針對概率論與數(shù)理統(tǒng)計實踐課程設計了概率統(tǒng)計基礎實驗、應用案例分析、演示驗證實驗，編撰了典型應用案例。本書注重內(nèi)容的知識性、啟發(fā)性、可探索性和素材新穎性，實驗基于MATLAB平臺和GeoGebra平臺開展，附有所有實驗程序、案例求解程序和演示驗證實驗GGB腳本程序文件，可通過掃描二維碼獲取。

本書致力于描述和推斷多元時間序列中變量間內(nèi)生的動態(tài)關系。作者討論了四種主要的時間序列數(shù)據(jù)建模方法，包括自回歸整合移動平均模型、同時方程模型、誤差糾正模型和向量自回歸模型，并詳細介紹了向量自回歸模型的設定、估計和推論，格蘭杰因果關系檢驗以及對變量之間動態(tài)關系進行評價的沖擊反應函數(shù)。此外，本書為讀者提供了若干實例，從多個角度充分展現(xiàn)了向量自回歸模型的具體運用。

近二十年來,隨機過程由于其在數(shù)理金融等領域的應用而倍受關注,Merton和Scholes在期權定價方面的工作獲得諾貝爾獎之后更是如此。因此作者覺得有必要對學生介紹隨機過程的一些基本知識。本書是為數(shù)學系本科高年級學生開設的隨機過程選修課而寫的,目的在于讓他們對隨機過程的經(jīng)典問題和方法有一個初步的了解。本書主要介紹Poisson過程、更新過程、隨機游動、鞅以及Markov鏈的基本理論。作為最簡單的隨機過程,它們的研究有悠久的歷史和直觀自然的背景。實際上,許多連續(xù)時間的隨機過程的結(jié)論都可以在這些隨機序

本書采用先理論方法后實踐應用的方式進行撰寫，系統(tǒng)介紹了投影尋蹤基本原理、統(tǒng)計學習方法及其多場景應用案例，為多方法耦合提供新思路，為復雜數(shù)據(jù)挖掘提供新方法，為數(shù)據(jù)科學問題解決提供新應用。全書內(nèi)容包括投影尋蹤研究進展綜述、投影尋蹤耦合學習原理、投影尋蹤耦合學習算法、投影尋蹤聚類耦合學習、投影尋蹤回歸耦合學習、投影尋蹤函數(shù)型耦合學習、投影尋蹤耦合學習評價、投影尋蹤耦合學習預測和投影尋蹤耦合學習決策。本書可作為統(tǒng)計學習、數(shù)據(jù)科學和工程應用方向的研究及實踐工作者的學習參考書。

本書分為三大部分，共計14章，主要內(nèi)容包括：探索性數(shù)據(jù)分析入門、概率論基礎、推斷統(tǒng)計基礎、相關性和回歸、數(shù)據(jù)分析棧、R中的數(shù)據(jù)結(jié)構、使用R進行數(shù)據(jù)處理與可視化、使用R進行數(shù)據(jù)分析、Python中的數(shù)據(jù)結(jié)構、使用Python進行數(shù)據(jù)分析等。

本書教你如何從基于時間的數(shù)據(jù)(如日志、客戶分析和其他事件流)中獲得即時、有意義的預測。在這本通俗易懂的書中，作者通過帶有注釋的Python代碼全面演示了用于時間序列預測的統(tǒng)計和深度學習方法。全書分為四部分：第一部分介紹時間序列預測的概念；第二部分介紹使用統(tǒng)計模型進行預測；第三部分介紹使用深度學習進行大規(guī)模預測；第四部分介紹使用自動化預測庫進行大規(guī)模預測。

本書從信息流個性化推薦算法從業(yè)者的角度，闡述在資訊內(nèi)容類App中，如何搭建健壯、完善的個性化推薦算法體系，如何融合產(chǎn)品運營的專家模型和端到端的深度學習，如何平衡短期的商業(yè)化目標和長期的用戶體驗，以及我們在多個行業(yè)頭部平臺實踐的過程中遇到的典型業(yè)務問題和解決方案，對比理論推導為主的機器學習書籍，本身更偏向基于行業(yè)問題的深度思考及落地實踐。