Czy są dostępne bezpłatne podręczniki statystyczne?
Odpowiedzi:
Książki online obejmują
Aktualizacja: mogę teraz dodać własny podręcznik do prognozowania
Elementy uczenia statystycznego autorstwa Hastie, Tibshirani i Friedmana to standardowy tekst do statystyki i eksploracji danych, a teraz jest bezpłatny:
https://web.stanford.edu/~hastie/ElemStatLearn/
Dostępne również tutaj .
Jest tutaj świetna książka Prawdopodobieństwa: http://www.dartmouth.edu/~chance/teaching_aids/books_articles/probability_book/book.html, którą można również kupić w formie papierowej;
Często przydatny jest Podręcznik statystyk inżynieryjnych. Można go znaleźć tutaj .
Chociaż sam tego nigdy nie czytałem, słyszę Wprowadzenie do prawdopodobieństwa i statystyki Używanie R jest bardzo dobre. Jest to pełny ebook na około 400 stron (dostępny również jako rzeczywista książka). Jako bonus uczy również R, którego oczywiście i tak chcesz się nauczyć.
Bardzo podoba mi się Mały podręcznik praktyki statystycznej Gerarda E. Dallala
Oto świeży jeden: Wprowadzenie do rachunku prawdopodobieństwa i statystyki Korzystanie R . Jest to jednak specyficzne dla R, ale jest świetne. Jeszcze go nie przeczytałem, ale jak dotąd wydaje się w porządku ...
Jeden z najbardziej, jeśli nie najbardziej, popularne podręczniki uczenia maszynowego jest Hastie, Tibshirani i Friedman, The Elements of Statistical Learning , który jest w pełni dostępne w Internecie (obecnie 10-te drukowanie). Jego zakres jest porównywalny np. Do Bishop's Pattern Recognition i ML lub Murphy's ML , ale te książki nie są darmowe, podczas gdy ESL jest.
Hastie i Tibshirani są także współautorem napisanego za darmo Wstępu do nauki statystycznej, z aplikacjami w R, która jest w zasadzie prostszą wersją Elementów i koncentruje się na R.
W 2015 r. Hastie i Tibshirani są współautorami nowego podręcznika Statistics Learning with Sparsity: The Lasso and Generalizations , również dostępnego online. Ten jest nieco krótszy i koncentruje się szczególnie na lasso.
Innym darmowym, wszechstronnym podręcznikiem do uczenia maszynowego jest Bayesian Reasoning i Machine Learning Davida Barbera . Nie korzystałem z niej sam, ale powszechnie uważa się ją za doskonałą książkę.
Przechodząc teraz do bardziej specjalistycznych tematów, istnieją:
Rasmussen & Williams Gaussa Procesy uczenia maszynowego , który jest książka na procesy Gaussa.
Bardzo oczekiwany podręcznik Goodfellow, Bengio i Courville Deep Learning , który ukaże się wkrótce w MIT Press. Nie został jeszcze opublikowany, ale książka jest już dostępna online. Na oficjalnej stronie internetowej można go wyświetlić w przeglądarce, ale nie można go pobrać (zgodnie z umową z wydawcą), ale łatwo jest znaleźć połączony plik PDF, np. Tutaj na github .
Csaba Szepesvári, Algorytmy uczenia się przez zbrojenie , zwięzła książka na temat RL. Klasycznym, znacznie bardziej szczegółowym, ale nieco przestarzałym podręcznikiem jest Sutton & Barto, Reinforcement Learning: An Introduction, który jest również dostępny bezpłatnie online, ale tylko w nieporęcznym formacie HTML.
Boyd i Vandenberghe, Optymalizacja wypukła .
Norman Matloff napisał darmowy podręcznik do statystyki matematycznej dla studentów informatyki. To chyba niszowy rynek. O ile warto, nie przeczytałem tego, ale Matloff ma doktorat. w statystyce matematycznej pracuje dla działu informatyki i napisał naprawdę dobrą książkę R, którą polecam osobom, które chcą lepiej przejść do następnego etapu programowania R (w przeciwieństwie do po prostu dopasowywania modeli z funkcjami standardowymi).
Statystyki OpenIntro
http://www.openintro.org/stat/textbook.php
Niedrogie kopie w miękkiej oprawie są również dostępne na Amazon.
Nowe spojrzenie na statystyki autorstwa Willa G. Hopkinsa jest świetne! Został zaprojektowany, aby pomóc ci zrozumieć, jak rozumieć wyniki analiz statystycznych, a nie jak udowodnić twierdzenia statystyczne.
Nie dotyczy statystyk, ale dobrym źródłem jest: http://www.reddit.com/r/mathbooks Ponadto George Cain z Georgia Tech prowadzi listę swobodnie dostępnych tekstów matematycznych, które zawierają niektóre teksty statystyczne. http://people.math.gatech.edu/~cain/textbooks/onlinebooks.html
Bardzo podobają mi się te dwie książki Daniela McFaddena z Berkeley:
http://elsa.berkeley.edu/users/mcfadden/e240a_sp98/e240a.html
http://elsa.berkeley.edu/users/mcfadden/e240b_f01/e240b.html
Aby dostać się do procesów stochastycznych i SDE, notatki wykładu Toma Kurtza są trudne do pobicia. Zaczyna się od rzetelnego przeglądu prawdopodobieństwa i pewnych wyników konwergencji, a następnie zanurza się w ciągłych procesach stochastycznych w czasie w dość jasnym, zrozumiałym języku. Ogólnie rzecz biorąc, jest to jedna z najlepszych książek na ten temat - darmowy lub inny - znalazłem.
„ Wprowadzenie do uczenia statystycznego za pomocą aplikacji w języku R ” http://www-bcf.usc.edu/~gareth/ISL/ autorstwa dwóch z 3 autorów znanego „ The Elements of Statistics Learning ” oraz 2 innych autorów . Wprowadzenie do uczenia statystycznego za pomocą aplikacji w języku R zostało napisane na poziomie bardziej wstępnym, wymagającym mniej wiedzy matematycznej niż elementy uczenia statystycznego, korzysta z języka R (w przeciwieństwie do elementów uczenia statystycznego) i zostało opublikowane po raz pierwszy w 2013 r., Kilka lat po rozpoczęciu tego wątku.
Cosma Shalizi, guru CMUs ML, od czasu do czasu aktualizuje szkic księgi statystyk, który wkrótce zostanie opublikowany przez Cambridge Press, zatytułowany Zaawansowana analiza danych z podstawowego punktu widzenia . Nie mogę tego wystarczająco polecić ...
Oto spis treści:
I. Regression and Its Generalizations
Regression Basics
The Truth about Linear Regression
Model Evaluation
Smoothing in Regression
Simulation
The Bootstrap
Weighting and Variance
Splines
Additive Models
Testing Regression Specifications
Logistic Regression
Generalized Linear Models and Generalized Additive Models
Classification and Regression Trees
II. Distributions and Latent Structure
Density Estimation
Relative Distributions and Smooth Tests of Goodness-of-Fit
Principal Components Analysis
Factor Models
Nonlinear Dimensionality Reduction
Mixture Models
Graphical Models
III. Dependent Data
Time Series
Spatial and Network Data
Simulation-Based Inference
IV. Causal Inference
Graphical Causal Models
Identifying Causal Effects
Causal Inference from Experiments
Estimating Causal Effects
Discovering Causal Structure
Appendices
Data-Analysis Problem Sets
Reminders from Linear Algebra
Big O and Little o Notation
Taylor Expansions
Multivariate Distributions
Algebra with Expectations and Variances
Propagation of Error, and Standard Errors for Derived Quantities
Optimization
chi-squared and the Likelihood Ratio Test
Proof of the Gauss-Markov Theorem
Rudimentary Graph Theory
Information Theory
Hypothesis Testing
Writing R Functions
Random Variable Generation
Warto zapoznać się z elektronicznym podręcznikiem statystyk Statsoft („Jedyny zasób internetowy na temat statystyk zalecany przez Encyklopedię Britannica”).
Kilka uwag na temat prawdopodobieństwa, które wydają się interesujące: http://www.math.harvard.edu/~knill/teaching/math19b_2011/handouts/chapters1-19.pdf
Zastosowane prawdopodobieństwo: http://www.acsu.buffalo.edu/~bialas/EAS305/docs/EAS305%20NOTES%202005.pdf
http://www.ma.huji.ac.il/~razk/Teaching/LectureNotes/LectureNotesProbability.pdf
Wiem, że inni autorzy zadali sobie trud, aby udostępnić tutaj swoje książki na stosie ... Drukowana wersja naszego wydania z 2002 r. Została wydrukowana 3 razy i wyprzedana 3 razy; Springer i Google niedawno zaczęli sprzedawać go (tylko książka) jako eBook w formacie PDF (bez oprogramowania) w witrynach Springer i Google za 79 USD.
Cieszymy się, że możemy udostępnić DARMOWĄ wersję eBooka PDF (edycja 2002) ZA DARMO, aby użytkownicy mogli zmieniać stosy pod adresem:
http://www.mathstatica.com/book/bookcontents.html
Jest to pełna wersja PDF oryginalnego wydania drukowanego z 2002 roku. Chociaż nie dołączono żadnego oprogramowania (ani Mathematica, ani mathStatica ), metody, twierdzenia, tabele podsumowań, przykłady, ćwiczenia, twierdzenia itp. Są przydatne i odpowiednie ... nawet jako tekst odniesienia dla osób, które nawet nie mają Mathematica .
Można albo pobrać:
cała książka jako pojedynczy plik do pobrania ... z klikalnym na żywo Spisem treści itp., ... lub
rozdział po rozdziale.
Instalacja iBooks
Aby zainstalować jako iBook:
Pobierz całą książkę jako pojedynczy plik PDF
Następnie przeciągnij go do iBooks (w sekcji: pliki PDF).
Instalacja na iPadzie
Aby zainstalować na iPadzie:
Najpierw zainstaluj go jako iBook (jak wyżej)
Otwórz iTunes; wybierz iPada; kliknij Książki: wybierz książkę i zsynchronizuj ją z iPadem.
Miło jest widzieć, że naukowcy swobodnie rozpowszechniają swoje prace. Oto zbiór bezpłatnych książek ML / Stats w formacie PDF:
Nauczanie maszynowe
Prawdopodobieństwo / statystyki
Algebra liniowa / optymalizacja
Algorytm genetyczny
Nieprawidłowo cały podręcznik, ale część IV Matematyki dla informatyki dotyczy prawdopodobieństwa i zmiennych losowych.
http://www.probabilitycourse.com/ to strona internetowa udostępniająca bezpłatny internetowy podręcznik prawdopodobieństwa i statystyki. Posiada również dodatkowe funkcje, takie jak narzędzia do tworzenia wykresów i filmy z wykładów
Oto także świetna darmowa książka Marden na temat statystyki na wielu odmianach, poświęcona przede wszystkim normalnemu modelowi liniowemu, do którego linki znajdują się na tej stronie:
To nie jest podręcznik, ale Metody Bayesowskie w poszukiwaniu MH370 to świetne wprowadzenie do filtrów cząstek.
Podręcznik cyfrowy na prawdopodobieństwa i statystyki M. Taboga można znaleźć na https://www.statlect.com Poziom pośredni. Zawiera setki rozwiązanych ćwiczeń i przykładów, a także dowody wszystkich przedstawionych wyników krok po kroku.