统计学习导论 基于R应用 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

[美] 加雷斯·詹姆斯，丹妮拉·威滕，特雷弗·哈斯帖 等 著，王星 等 译

图书标签:

• 统计学习
• 机器学习
• R语言
• 数据挖掘
• 模式识别
• 李航
• 理论与应用
• 入门教材
• 高等教育
• 人工智能

出版社： 机械工业出版社

ISBN：9787111497714

版次：1

商品编码：11699746

品牌：机工出版

包装：平装

丛书名： 数据科学与工程技术丛书

开本：16开

出版时间：2015-05-01

用纸：胶版纸

页数：290

内容简介

　　统计学习是一套以复杂数据建模和数据理解为目的的工具集，是近期才发展起来的统计学的一个新领域。本书出自统计学习领域声名显赫的几位专家，结合R语言介绍了分析大数据必不可少的工具，提供一些重要的建模和预测技术，并借助丰富的实验来解释如何用R语言实现统计学习方法。论题包括线性回归、分类、重抽样方法、压缩方法、基于树的方法、支持向量机、聚类等，作者借助彩图和实际案例直观解释这些方法。为了读者更好地理解书中内容，每章后还配有丰富的概念性和应用性练习题。
　　书中内容与《The Elements of Statistical Learning》的大部分内容相同，但是本书起点低，弱化了数学推导的细节，更注重方法的应用，所以更适合作为入门教材。当然，这本《统计学习导论》不仅是优秀的“统计学习”或“机器学习”课程的教材，也是数据挖掘、数据分析等相关从业者不可或缺的参考书。

作者简介

　　Gareth James　斯坦福大学统计学博士毕业，师从Trevor Hastie。现为南加州大学马歇尔商学院统计学教授，美国统计学会会士，数理统计协会终身会员，新西兰统计协会会员。《Statistica Sinica》、《Applications and Case Studies》、《Theory and Methods》等期刊的副主编。

　　Daniela Witten　斯坦福大学统计学博士毕业，师从Robert Tibshirani。现为华盛顿大学生物统计学副教授，美国统计学会和国际数理统计协会会士，《Journal of Computational and Graphical Statistics》和《Biometrika》等期刊副主编。

　　Trevor Hastie　美国统计学家和计算机科学家，斯坦福大学统计学教授，英国皇家统计学会、国际数理统计协会和美国统计学会会士。Hastie参与开发了 R 中的大部分统计建模软件和环境，发明了主曲线和主曲面。

　　Robert Tibshirani　斯坦福大学统计学教授，国际数理统计协会、美国统计学会和加拿大皇家学会会士，1996年COPSS总统奖得主，提出lasso方法。Hastie和Tibshirani都是统计学习领域的泰山北斗，两人合著《The Elements of Statistical Learning》，还合作讲授斯坦福大学的公开课《统计学习》。

精彩书评

　　★本书是机器学习的很好入门教材，在同类书中遥遥领先，其大优势是：当把一个机器学习算法应用到现实世界问题时，你必须了解的所有必要细节都可以在这本书中找到。因此，这本书必然会吸引很多领域的读者，包括计算机科学、企业管理和市场营销。
　　—— Charalambos Poullis, Computing Reviews

　　★这本书也是优秀的R语言入门读物，书中所有统计方法的实现代码都有详细解释……必定会有许多人（包括我）受益于这本书。我在自己的教学中无疑会用到这本书中的很多示例、实验和数据集。
　　—— Pierre Alquier, Mathematical Reviews

　　★本书旨在向有关人员介绍全新的统计学习方法，这些人包括学生、研究人员和相关领域从业者，他们感兴趣的是分析数据，并专注于统计方法的实现以及随后的结果解释……本书还演示了怎样借助丰富的R包使用这些方法，借助有趣的真实数据提供详细的应用案例。
　　—— Klaus Nordhausen, International Statistical Review

　　★本书在结构上分为10章，覆盖对复杂的真实数据集建模和挖掘所需的工具……适合本科生和相关研究人员……每章后附的丰富习题（既有概念性习题，又有应用性习题）有助于对概念的理解。
　　—— Irina Ioana Mohorianu, zbMATH

　　★这本书不仅完美阐释了机器学习的理论和数学基础，最后还提供丰富的R编程实践案例。而这后一部分R编程实践案例正是我等待已久的，因为它可以直接应用。
　　—— Daniel Gutierrez, Inside Big Data

目录

中文版序
译者序
前言
第1章导论
1.1统计学习概述
1.2统计学习简史
1.3关于这本书
1.4这本书适用的读者群
1.5记号与简单的矩阵代数
1.6本书的内容安排
1.7用于实验和习题的数据集
1.8本书网站
1.9致谢
第2章统计学习
2.1什么是统计学习
2.2评价模型精度
2.3实验： R语言简介
2.4习题
第3章线性回归
3.1简单线性回归
3.2多元线性回归
3.3回归模型中的其他注意事项
3.4营销计划
3.5线性回归与K最近邻法的比较
3.6实验：线性回归
3.7习题
第4章分类
4.1分类问题概述
4.2为什么线性回归不可用
4.3逻辑斯谛回归
4.4线性判别分析
4.5分类方法的比较
4.6R实验：逻辑斯谛回归、LDA、QDA和KNN
4.7习题
第5章重抽样方法
5.1交叉验证法
5.2自助法
5.3实验：交叉验证法和自助法
5.4习题
第6章线性模型选择与正则化
6.1子集选择
6.2压缩估计方法
6.3降维方法
6.4高维问题
6.5实验1：子集选择方法
6.6实验2：岭回归和lasso
6.7实验3：PCR和PLS回归
6.8习题
第7章非线性模型
7.1多项式回归
7.2阶梯函数
7.3基函数
7.4回归样条
7.5光滑样条
7.6局部回归
7.7广义可加模型
7.8实验：非线性建模
7.9习题
第8章基于树的方法
8.1决策树基本原理
8.2装袋法、随机森林和提升法
8.3实验：决策树
8.4习题
第9章支持向量机
9.1最大间隔分类器
9.2支持向量分类器
9.3狭义的支持向量机
9.4多分类的SVM
9.5与逻辑斯谛回归的关系
9.6实验：支持向量机
9.7习题
第10章无指导学习
10.1无指导学习的挑战
10.2主成分分析
10.3聚类分析方法
10.4实验1：主成分分析
10.5实验2：聚类分析
10.6实验3：以NCI60数据为例
10.7习题

前言/序言

　　中 文 版 序
　　When we wrote An Introduction to Statistical Learning, we had a single goal: to make key concepts in statistical machine learning accessible to a very broad audience. We are thrilled that Professor Xing Wang has taken the time to translate our book into Chinese, so that these concepts will be made accessible to an even broader audience. We hope that the readers of this Chinese translation will find our book to be a useful and informative introduction to a very exciting and important research area.
　　Sincerely!
　　回想当初在编写 《统计学习导论》这本书的时候，我们4位作者心中只有一个梦想：让更多的
　　读者能够聆听到统计机器学习里的基本概念。中国人民大学的王星教授花了很多时间将这本书翻
　　译成中文，这令我们十分欣慰，相信会有更多的朋友可以通过这本书涉足该领域。我们希望中文版的读者会被书中的内容丰富和案例实用所吸引，并由此进入一个令人兴奋且颇具影响的研究领域。
　　真诚地祝福！
　　Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani

　　译者序
　　数据是对事物及其量的记录，有存储字节的记录就是数据。数据是研究各种问题的基础，数据的形态种类繁多，但有两类数据在分析中常常是不能忽略的，一类是测量数据，另一类是系统数据。前者主要是指用合适的工具对给定研究对象某个属性上的量进行测定，主要用于提供有关研究对象量的实验证据，一般需要针对研究目标进行特定的科学设计、抽样计算、数据采集、相关整理、参数估计和模型检验等。这类数据的产生过程严格，规则明确，数据质量受实验环境影响较大，建模的主要目的是分析估计目标的误差来源和相关影响。后者则是计算机体系架构为高效传输文件而产生的记录，比如日志、IP地址等，这类记录中既包含了系统的运行程序也包含了所传递对象的流通属性，其特点是，模块结构化程度高，程序繁殖很快，高消耗低效能特征明显。这两类数据在巨大的网络平台上各自位于相对独立的体系并在自有协议中运行。另一方面，两类数据掌管着人、机、物三元世界的信息交换，比如在个性化医疗实施方案中，既需要测量数据的支持也需要系统数据的支持，比如通过普查数据可以了解老龄人口的分布情况，通过互联网监测系统可以对其中的孤寡老人开展危险分层建模和有效的社区医疗服务。后者又为高危人口的进一步分析提供监测的抽样框，所以统一分析非常必要。在这些动态、价值密度有待开发的高维大数据上发展协同自序的新数据应用模型，统计学习方法是必要的工具，它用于协调大数据重组结构中差异的发现和分离，并维护整体分析的同一性。
　　本书4位作者都是统计学习领域的先行者，作者Trevor Hastie和Robert Tibshirani在十几年前主导了《统计学习基础》(The Elements of Statistical Learning,ESL)的出版，这本书堪称学术经典，系统阐述了统计学习理论，培养了大批数据分析专业人士。而这一次，两位作者提携了两位年轻教授共同推动统计学习在复杂数据分析领域作为模型建立和数据理解的工具的应用。这些工具模型在R软件中可以任意组合，具有很强的实用性和灵活性。与传统统计模型重点关注单一结构的数据统计特征不同，统计学习模型重点关注数据分布结构的提取和程序分析的建构思维。书中例子丰富有趣，涉足诸多领域，包括体育、市场营销、金融等热门领域，案例深入浅出、实验特色鲜明。本书适用于数据分析、机器学习以及统计学等专业方向高年级本科生和研究生，同时也可作为非统计学专业数据分析发烧友的手边参考书。
　　本人多年从事统计学习、R软件的教学和科研，一个切身的体会是国内大数据分析市场化程度较低，有价值的研究常常无法获得高质量的分析数据，而公共数据的开发还有待深化，一些钟情于数据分析的发烧友其实更迷恋国外结构化较高且内涵丰富的数据，比如Pubmed等。一个原因是具备数据提供能力的人往往不能正确评估手中数据的分析价值，换句话说，是对统计学习方法的实践能力不足。相信这本书将再次掀起国内大数据分析和R实践爱好者参与设计新的学习模型的热潮，从而共同推动国内大数据分析合作市场的建立。正因为如此，我和我的团队牺牲了多半年本该属于其他重点课题研究的宝贵时间，倾情专注于这本书的翻译和校对，除我之外，还有以下同学参与了初稿的翻译：颜娅婷、王人福、佴金菁、李雅菁、张慧婷、许泳铎、王聪、郑轶、马璇、李政寰，其中颜娅婷和王人福还参与了部分初稿的修改工作，王星负责全书的统稿和审核。本书受中国人民大学“985工程”支持和中国人民大学科学研究基金项目人文学科跨界关系网络跟踪评价研究编号13XNI011资助，在此一并感谢。
　　其实早在10年前我们开始研读《统计学习基础》时就希望有机会参与这个新方向经典作品的翻译，可惜迟到一步。这次翻译弥补了多年的缺憾，能够获得翻译专业经典的机会是我和整个团队的殊荣，相信其他读者也能够从中感受到我们传递给大数据分析爱好者的一份热忱与真诚。
　　王星
　　2015年1月
　　中国人民大学应用统计研究中心&统计学院

　　前言
　　统计学习是一套以复杂数据建模和数据理解为目的的工具集，是近期才发展起来的统计学的一个新领域，它与计算机科学特别是其中的机器学习相互融合、协同发展。统计学习领域涵盖了许多方法，比如说lasso回归、稀疏回归、分类和回归树、提升法和支持向量机。
　　随着“大数据”问题的爆炸式增长，统计学习已成为许多科学领域及市场研究、金融学等商科领域一个非常热门的话题，拥有统计学习技能的人才千金难求。
　　统计学习领域开山之作之一——《统计学习基础》(The Elements of Statistical Learning，ESL)(作者Hastie, Tibshirani, Friedman)于2001年出版，第2版于2009年问世。现在，ESL已成为统计学界乃至其他相关领域的一本非常受欢迎的教材，其中一个原因是ESL的风格平实，易于接受。但事实上，ESL是为受过数学科学高等训练的人而写的。这本《统计学习导论》(An Introduction to Statistical Learning，ISL)是为对统计学习方法有广泛需求，但又担心技术高深难懂的读者所写。本书所列主题与ESL大体一致，但更注重方法的应用且同时弱化了数学推导的细节。书中附有一些实验以解释如何用R软件实现统计学习方法。这些实验能够给读者提供有价值的实操经验。
　　本书适合统计学及相关数量分析领域的高年级本科生以及硕士生阅读，也适合其他专业希望运用统计学习工具分析数据的人阅读。本书可作为一学期到两学期课程的教科书使用。
　　在此，对那些曾经阅读过本书初稿并提出宝贵意见的人致以诚挚的感谢：Pallavi Basu, Alexandra Chouldechova, Patrick Danaher, Will Fithian, Luella Fu, Sam Gross, Max Grazier G�餝ell, Courtney Paulson, Xinghao Qiao, Elisa Sheng, Noah Simon, Kean Ming Tan和Xin Lu Tan。
　　预测不易，预测未来更不易。——Yogi Berra
　　Gareth James(美国洛杉矶)
　　Daniela Witten(美国西雅图)
　　Trevor Hastie(美国帕罗奥图)
　　Robert Tibshirani(美国帕罗奥图)

《统计学习导论：基于R应用》是一本旨在深入浅出地介绍统计学习核心概念、方法与实践的权威著作。本书面向广大对机器学习、数据挖掘、模式识别以及数据科学感兴趣的读者，无论您是统计学、计算机科学、工程学、经济学、生物学、社会科学等领域的学生、研究人员，还是在实际工作中需要处理海量数据的从业者，都能从中获益匪浅。 本书的独特之处在于其理论与实践的高度融合。它不仅系统地阐述了统计学习的 foundational theories，更巧妙地将这些理论与 R 语言这一强大而灵活的统计计算工具相结合。R 语言因其开源、免费、功能丰富以及庞大的社区支持，已成为统计分析和数据科学领域的标准工具之一。通过本书，读者将学会如何利用 R 语言的各种库和函数，将抽象的统计学习模型转化为可执行的代码，从而在真实数据集上进行探索、建模和评估。 核心理论体系的构建 本书围绕统计学习的几个关键支柱展开，为读者构建起坚实的理论框架。 监督学习 (Supervised Learning): 这是本书的重点之一。读者将系统学习到如何利用带有标签的数据集来训练模型，以预测新的、未知数据的输出。 回归 (Regression): 关注连续型变量的预测。本书将深入讲解线性回归模型，包括其基本形式、假设、参数估计（如最小二乘法）、模型诊断（残差分析、R方值）以及多重共线性等问题。在此基础上，还将介绍更复杂的回归技术，如多项式回归、样条回归，以及通过正则化（如岭回归 Lasso 回归）来处理高维数据和防止过拟合的方法。 分类 (Classification): 关注离散型变量的预测。读者将学习到逻辑斯蒂回归，理解其概率输出的含义以及如何通过最大似然估计进行参数求解。此外，还将探索线性判别分析 (LDA) 和二次判别分析 (QDA)，理解它们在数据分布假设下的分类能力。支持向量机 (SVM) 作为一种强大的分类器，其核技巧（线性核、多项式核、径向基核）以及对偶形式的原理也将得到详细的解析。决策树 (Decision Trees) 是一种易于理解和解释的模型，本书将介绍如何通过信息增益、基尼不纯度等指标构建决策树，以及剪枝策略以避免过拟合。 模型评估与选择 (Model Evaluation and Selection): 在监督学习中，如何客观地评估模型的性能至关重要。本书将详细介绍各种评估指标，如均方误差 (MSE)、决定系数 (R-squared) 用于回归；准确率 (Accuracy)、精确率 (Precision)、召回率 (Recall)、F1分数、ROC曲线和AUC值用于分类。交叉验证 (Cross-validation)，特别是 K 折交叉验证，作为一种有效的模型选择和泛化能力评估方法，将得到重点讲解。偏差-方差权衡 (Bias-Variance Tradeoff) 的概念将贯穿始终，帮助读者理解模型复杂度与泛化能力之间的关系。 无监督学习 (Unsupervised Learning): 关注从无标签数据中发现隐藏的结构和模式。 聚类 (Clustering): 旨在将数据点分组，使得同一组内的数据点相似度高，不同组间数据点相似度低。本书将介绍 K-Means 聚类算法，讲解其迭代过程和优缺点。层次聚类 (Hierarchical Clustering)，包括凝聚型和分裂型方法，将通过树状图 (Dendrogram) 的形式直观展示数据的层级关系。 降维 (Dimensionality Reduction): 旨在减少数据的特征数量，同时尽量保留原始信息。主成分分析 (PCA) 是最常用的降维技术之一，本书将详细解释其背后的数学原理，如何寻找最大方差方向，并展示如何利用 R 实现 PCA。 模型训练的进阶话题: 集成学习 (Ensemble Methods): 将多个弱学习器组合起来，形成一个更强大的预测模型。本书将重点介绍 Bagging（如随机森林 Random Forest）和 Boosting（如 AdaBoost Gradient Boosting）的原理和应用。这些方法在实践中往往能取得优异的性能。 正则化 (Regularization): 一种防止模型过拟合的技术，通过在损失函数中添加惩罚项来约束模型复杂度。除了在回归中提到的岭回归和 Lasso 回归，本书还将探讨它们在其他模型中的应用。 R 语言在实践中的应用 本书的另一大亮点是其无缝集成的 R 语言实践。对于每一个介绍的统计学习方法，书中都提供了清晰、可运行的 R 代码示例。读者无需具备深厚的 R 编程背景，只需具备基本的 R 操作能力，就能跟随书中的例子，一步步实现模型的构建、训练、预测和评估。 数据导入与预处理: 书中将涵盖如何使用 R 读取各种格式的数据（如 CSV、Excel），以及进行必要的数据清洗、转换和特征工程。 模型实现: 针对每一种统计学习算法，本书将展示如何在 R 中使用相应的包（如 `caret`、`glmnet`、`e1071`、`rpart`、`randomForest`、`gbm` 等）来快速实现。 可视化: R 强大的绘图功能将在书中得到充分利用。读者将学习如何使用 `ggplot2` 等包来可视化数据分布、模型拟合效果、决策边界、ROC 曲线等，从而更直观地理解模型。 模型诊断与调优: 书中将指导读者如何利用 R 进行模型诊断，发现潜在问题，并探索参数调优（如网格搜索、随机搜索）的方法，以获得最佳模型性能。 为何选择《统计学习导论：基于R应用》？ 权威性与全面性: 本书汇集了统计学习领域最重要和最常用的方法，并对其原理进行了深入的讲解，既有广度也有深度。 理论与实践的完美结合: 避免了纯理论书籍的枯燥和纯代码书籍的肤浅，让读者在理解理论的同时，也能掌握实际操作技能。 易于入门与深入: 语言通俗易懂，循序渐进，适合初学者入门；同时，对模型的深入剖析也能满足进阶读者的需求。 以 R 为载体: 充分利用了 R 语言在统计计算和数据可视化方面的优势，让读者能够快速将所学知识应用于实际问题。 面向未来: 统计学习是当前数据科学领域的核心驱动力。掌握本书内容，将为读者在人工智能、机器学习、大数据分析等热门领域的发展打下坚实基础。 总而言之，《统计学习导论：基于R应用》是一本集理论深度、实践指导和工具运用为一体的宝贵资源。它不仅是学习统计学习的理想教材，也是数据科学家、分析师和研究人员案头的常备参考书。通过本书的学习，您将能够自信地运用统计学习技术解决现实世界中的各种挑战，从数据中挖掘有价值的洞察。

评分☆☆☆☆☆

对于我这样一名在学术研究和实际项目之间来回切换的研究人员来说，《统计学习导论：基于R应用》提供了一种非常难得的平衡。它没有为了追求理论的完美而牺牲掉实际应用的价值，也没有为了迎合初学者而过于简化核心概念。书中对每一个统计学习算法的介绍，都包含了一个清晰的数学框架，这对于理解算法的内在机制至关重要。同时，作者又非常慷慨地提供了详尽的R代码，这些代码不仅仅是示意性的，而是可以运行并产生结果的，涵盖了从数据导入、特征工程到模型部署的整个流程。我经常会发现，当我遇到一个棘手的问题时，这本书中某个章节的某个算法，以及配套的代码，都能提供非常有价值的参考。它帮助我避免了“纸上谈兵”的困境，让我的研究和项目都更加接地气，也更加高效。这是一本真正能够帮助读者“学以致用”的优秀著作。

评分☆☆☆☆☆

我是在一个偶然的机会下接触到《统计学习导论：基于R应用》这本书的，当时我正在寻找一本能够帮助我系统梳理统计学习知识的书籍。这本书的优点在于它既有严谨的理论深度，又不失实践的可操作性。作者在讲解每个统计学习模型时，都非常注重逻辑的严谨性，从基本假设到模型推导，都讲解得非常清晰。但同时，它并没有让我感到枯燥乏味，而是巧妙地将R语言的应用融入其中，通过大量的实例代码，让我能够亲身体验到这些理论在实际数据分析中的应用。我特别喜欢书中对于一些经典算法的剖析，比如逻辑回归、K-近邻、决策树等，作者不仅解释了它们的原理，还讨论了它们在不同场景下的优劣，以及如何通过R语言来调整参数以获得更好的效果。这本书就像一位耐心的向导，带领我一步步深入统计学习的殿堂，让我在掌握知识的同时，也提升了解决实际问题的能力。

评分☆☆☆☆☆

这本《统计学习导论：基于R应用》简直是我近几年来最令人惊喜的一本书了。作为一名在数据分析领域摸爬滚打多年的从业者，我曾涉猎过不少关于统计学习的教材，但很多要么过于理论化，要么只是简单罗列代码，真正能将精妙的理论与实用的编程技巧融会贯通的，实在屈指可数。这本书在这方面做得非常出色。作者并非仅仅是告诉我们“怎么做”，而是深入浅出地剖析了“为什么这么做”。从最基础的线性回归，到更加复杂的支持向量机、决策树、集成学习等等，每一个算法的背后逻辑、优劣势、适用场景都讲解得鞭辟入里，丝毫不显得晦涩难懂。更让我赞赏的是，书中大量穿插了R语言的实际应用代码，这些代码不仅清晰明了，而且包含了数据预处理、模型训练、性能评估等全流程，可以直接上手实践。每次我遇到一个新问题，翻开这本书，总能找到恰当的切入点和解决方案。它就像一位经验丰富的老朋友，耐心细致地引导我探索统计学习的奥秘，让我不仅知其然，更知其所以然，大大提升了我解决实际问题的能力。

评分☆☆☆☆☆

《统计学习导论：基于R应用》这本书，怎么说呢，它更像是一本“工具箱”和“思想启蒙书”的结合体。作为一名初入数据科学领域的学生，我常常感到无所适从，不知道从何处着手。理论书籍虽然告诉了我很多概念，但缺乏实践的指导；而纯粹的代码教程则让我变成了“代码搬运工”，对背后的原理一知半解。这本书的出现，完美地填补了我的需求。它在讲解每一个统计学习方法时，都非常注重理论与实践的结合。书中不仅清晰地阐述了算法的数学原理，还提供了可以直接运行的R代码示例，并且对代码的每一部分都进行了详细的注释和解释。这让我能够一边学习理论，一边动手实践，加深理解。更重要的是，书中还穿插了一些关于模型选择、评估和调优的思考，引导我们不仅仅是会用模型，更要懂得如何有效地使用模型。这本书为我打开了通往数据科学世界的一扇大门，让我充满了学习的动力和信心。

评分☆☆☆☆☆

拿到《统计学习导论：基于R应用》这本书的时候，我其实抱着一种试试看的心态。毕竟，市面上讲统计学习的书籍实在太多了，要从中找到一本真正适合自己的并非易事。然而，这本书很快就给了我一个大大的惊喜。它的叙述风格非常独特，不是那种枯燥乏味的学术论文式讲解，而是更像是一位循循善诱的老师，用生动形象的比喻和清晰易懂的语言，将复杂的统计概念一点点剥开，展现在读者面前。我尤其喜欢它在介绍各个模型时，会先从一个直观的例子出发，让我们感受到问题所在，然后再引入相应的模型来解决。这种“问题导向”的学习方式，让我更容易理解模型的动机和作用。而且，书中对于R语言的应用也恰到好处，不是简单地堆砌代码，而是将代码作为辅助工具，帮助我们更好地理解和验证理论。读完这本书，我感觉自己对统计学习的理解层次得到了显著的提升，很多之前模糊不清的概念一下子变得豁然开朗。

评分☆☆☆☆☆

趁着活动囤了一波书，书籍内容没的说，这次值得表扬的是，在买了这么多次书，只有这次包装最好，还出奇的加了缓冲皮囊。赞一个，继续保持哟。

评分☆☆☆☆☆

很好，值得购买，值得推荐，没毛病

评分☆☆☆☆☆

还不错。。。。。。。。。。。。。。。。。。。。。。，，，

评分☆☆☆☆☆

一直想买的书，对于入门统计学习很有帮助，京东物流很快，上午下单，下午就到，很好。

评分☆☆☆☆☆

京东的服务真是没的说，称赞京东的快递员，敬业

评分☆☆☆☆☆

不错，书的质量很好，内容严谨废话少，正是需要的

评分☆☆☆☆☆

英文原版是本不错的书，可惜翻译的实在是有点儿不好。

评分☆☆☆☆☆

大师的作品，翻译得也还不错，值得一读。

评分☆☆☆☆☆

机器学习是计算机科学成长最快的领域之一，而随之产生的庞大数据中的简单解释就在在本书中