稀疏统计模型只具有少数非零参数或权重，经典地体现了化繁为简的理念，因而广泛应用于诸多领域。本书就稀疏性统计学习做出总结，以 lasso方法为中心，层层推进，逐渐囊括其他方法，深入探讨诸多稀疏性问题的求解和应用；不仅包含大量的例子和清晰的图表，还附有文献注释和课后练习，是深入学习统计学知识的参考。 本书适合算法、统计学和机器学习专业人士。

稀疏统计模型只具有少数非零参数或权重，经典地体现了化繁为简的理念，因而广泛应用于诸多领域。本书就稀疏性统计学习做出总结，以 lasso方法为中心，层层推进，逐渐囊括其他方法，深入探讨诸多稀疏性问题的求解和应用；不仅包含大量的例子和清晰的图表，还附有文献注释和课后练习，是深入学习统计学知识的参考。 本书适合算法、统计学和机器学习专业人士。

本书主要介绍了统计模型及统计推断中的问题，并引入极大似然法和贝叶斯方法来解答这些问题；概述R语言；简括极大似然估计的大样本理论，然后讨论应用该理论所涉及的数值方法；讲述贝叶斯计算所需的数值方法——马尔可夫链蒙特卡罗方法；介绍线性模型的理论及其应用。

这本教材，迎合了信息化时代的特点，旨在从实际统计软件操作出发，提高同学在应用和分析能力。编者希望同学们通过本教材的学习掌握多种统计学分析方法，并会运用软件更科学更有效地分析、解释各种现象，进而可以用所学的方法解决实际问题，学以致用。这些方法涵盖了统计学主要的知识领域，包括描述统计、参数估计、假定检验、方差分析、回归等。编者更希望同学在信息爆炸的未来掌握信息数据筛选、处理、分析、凝练的手段，让这些信息数据“为我所用”，通过信息的分析辨认真伪，明晓世理，避免在信息浪潮中随波逐流，迷茫失措。

本书结合作者多年的教学实践经验和国外优秀统计学教材的成果编写而成。内容包括描述统计方法、推断统计方法以及工商管理中常用的一些统计方法。在写法上与计算机紧密结合，大部分统计方法都给出了Excel的计算过程和结果，并在书后配有教学和学习辅助光盘，方便教师授课和学生自学。 本书可作为高等院校经济、管理类各专业本科生统计学课程的教材，也可作为MBA的教材或参考书，对广大实际工作者也极具参考价值。

贾俊平，中国人民大学统计学院副教授。研究方向：统计方法在经济各领域的应用、统计教学方式和方法。主要著作有：《统计学》、《描述统计》、《工商管理统计》、《市场调查与分析》等。主持研究的“非统计学专业本科公共基础课——统计学教学改革”项目获2001年国家级教学成果二等奖、2001年北京市教学成果一等然。2001年荣获北京市经济技术创新标兵称号，2003年荣获宝纲优秀教师奖等。

计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础，但常常用不同的术语来表达。《统计学习基础(第2版)(英文)》介绍了这些领域的一些重要概念。尽管应用的是统计学方法，但强调的是概念，而不是数学。许多例子附以彩图。《统计学习基础(第2版)(英文)》内容广泛，从有指导的学习（预测）到无指导的学习，应有尽有。包括神经网络、支持向量机、分类树和提升等主题，是同类书籍中介绍得最全面的。 《统计学习基础(第2版)(英文)》可作为高等院校相关专业本科生和研究生的教材，对于统计学相关人员、科学界和业界关注数据挖掘的人，《统计学习基础(第2版)(英文)》值得一读。

三位统计学家高屋建瓴，面向非统计专业的读者介绍重要的统计学概念，而非纯数学理论 借助于一个通用概念框架，描述多个学科的重要思想，比如医学、生物学、金融学和营销 《统计学习要素》（第2版）包含人工智能中用到的许多代表性主题，比如图模型、随机森林、集成方法、Lasso最小角度回归和路径算法、非负矩阵分解和频谱聚类。此外，还用一章篇幅来介绍“宽”数据（p大于n）的方法，包括多次测试和误检率。 对统计领域、人工智能领域及相关科学或行业领域内的读者而言，本书是一个难得的宝库，涉及面很广，从监督学习（预测）到无监督学习，具体主题包括神经网络、支持向量机、分类树和Boosting（率先对该主题进行综合论述）。与此同时，书中还包含丰富的示例和大量彩色的图表。

三位统计学家高屋建瓴，面向非统计专业的读者介绍重要的统计学概念，而非纯数学理论 借助于一个通用概念框架，描述多个学科的重要思想，比如医学、生物学、金融学和营销 《统计学习要素》（第2版）包含人工智能中用到的许多代表性主题，比如图模型、随机森林、集成方法、Lasso最小角度回归和路径算法、非负矩阵分解和频谱聚类。此外，还用一章篇幅来介绍“宽”数据（p大于n）的方法，包括多次测试和误检率。 对统计领域、人工智能领域及相关科学或行业领域内的读者而言，本书是一个难得的宝库，涉及面很广，从监督学习（预测）到无监督学习，具体主题包括神经网络、支持向量机、分类树和Boosting（率先对该主题进行综合论述）。与此同时，书中还包含丰富的示例和大量彩色的图表。

计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础，但常常用不同的术语来表达。《统计学习基础(第2版)(英文)》介绍了这些领域的一些重要概念。尽管应用的是统计学方法，但强调的是概念，而不是数学。许多例子附以彩图。《统计学习基础(第2版)(英文)》内容广泛，从有指导的学习（预测）到无指导的学习，应有尽有。包括神经网络、支持向量机、分类树和提升等主题，是同类书籍中介绍得最全面的。 《统计学习基础(第2版)(英文)》可作为高等院校相关专业本科生和研究生的教材，对于统计学相关人员、科学界和业界关注数据挖掘的人，《统计学习基础(第2版)(英文)》值得一读。