全书共包含18个章节，从概率密度、贝叶斯决策理论引入样本学习的基本概念，进而介绍了近邻域学习、核学习及神经网络学习，在此基础上探讨了PCA学习、VC维概念、函数估计问题等，后重点介绍了非常实用的支持向量机SVM及Boosting方法。各章均包含小结、附录、习题及参考资料，非常适合于大专院校计算机及电气工程类硕博士研究生及高年级学生作为教学参考书。

统计学习理论是研究利用经验数据进行机器学习的一种一般理论，属于计算机科学、模式识别和应用统计学相交叉与结合的范畴，其主要创立者是本书作者。统计学习理论基本内容诞生于20世纪60~70年代，到90年代中期发展到比较成熟并受到世界机器学习界的广泛重视，其核心内容反映在Vapnik的两部重要著作中，本书即是其中一部，另一部是《统计学习理论的本质》。 由于较系统地考虑了有限样本的情况，统计学习理论与传统统计学理论相比有更好的实用性，在该理论下发展出的支持向量机方法以其有限样本下良好的推广能力而备受重视。

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。

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。

《基础统计学》历经14 版，经久不衰。该书已经作为国际版统计教材被翻译成多国文字，连续25 年在美国统计类教材中排名第一。 本书以浅显易懂的文字及贴近实际的案例，带领读者专业系统地学习统计思维和批判性思维，领略统计学的真实魅力。本书的第1~3 章着重介绍描述统计学；通过第4~6 章的概率分布逐渐过渡到第7~9 章的推断统计学；第10~15 章介绍了现代统计学中一些重要的实践方法，例如回归分析、拟合优度、方差分析、非参数检验等，读者可以根据自身的兴趣与背景学习相关内容。 本书适合任何专业背景的学生学习，也适合统计学爱好者自主学习。作者马里奥致力于不断更新基本统计数据，提供前所未有的大量最新真实数据，以便各种背景的读者了解统计数据在他们周围世界中的作用。除大量的新数据集、示例和习题之外，《基础统计学》（第14 版）的设计更加灵活，增加了专业统计学家使...(展开全部)

本书系统地讲述统计学有关数据收集、数据整理和数据分析的基本方法。全书共分为8个任务，分别是：认识统计、数据收集、数据整理与显示、数据特征的描述、抽样估计、统计指数、相关与回归分析、时间序列分析与预测。为了提高学生的实践能力，在每个任务的不同单元中，有针对性地增加了Excel的操作演示；为了让学生能够及时地检查自己的学习效果，在每个任务的单元内容后，都安排了相应的习题与实训。

《基础统计学》历经14 版，经久不衰。该书已经作为国际版统计教材被翻译成多国文字，连续25 年在美国统计类教材中排名第一。 本书以浅显易懂的文字及贴近实际的案例，带领读者专业系统地学习统计思维和批判性思维，领略统计学的真实魅力。本书的第1~3 章着重介绍描述统计学；通过第4~6 章的概率分布逐渐过渡到第7~9 章的推断统计学；第10~15 章介绍了现代统计学中一些重要的实践方法，例如回归分析、拟合优度、方差分析、非参数检验等，读者可以根据自身的兴趣与背景学习相关内容。 本书适合任何专业背景的学生学习，也适合统计学爱好者自主学习。作者马里奥致力于不断更新基本统计数据，提供前所未有的大量最新真实数据，以便各种背景的读者了解统计数据在他们周围世界中的作用。除大量的新数据集、示例和习题之外，《基础统计学》（第14 版）的设计更加灵活，增加了专业统计学家使...(展开全部)

本书从统计学观点出发，以数理统计为基础，全面系统地介绍了统计机器学习的主要方法。内容涉及回归（线性回归、多项式回归、非线性回归、岭回归，以及LASSO等）、分类（感知机、逻辑回归、朴素贝叶斯、决策树、支持向量机、人工神经网络等）、聚类（K均值、EM算法、密度聚类等）、蒙特卡洛采样（拒绝采样、自适应拒绝采样、重要性采样、吉布斯采样和马尔科夫链蒙特卡洛等）、降维与流形学习（SVD、PCA和MDS等），以及概率图模型基础等话题。此外，为方便读者自学，本书还扼要地介绍了机器学习中所必备的数学知识（包括概率论与数理统计、凸优化及泛函分析基础等）。

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。