An Introduction to Statistical Learning: with Applications in Python（统计学习导论：基于 Python 应用）

适合谁

首次修读机器学习课程的计算机科学、统计学、数据科学、经济学及理科本科生，以及希望合理运用现代预测方法的从业者。与部分相同作者撰写的研究生教材《统计学习要素》（The Elements of Statistical Learning）相比，本书对数学的要求更低，重在理解与应用方法。

需要的基础

修过涵盖回归与假设检验的统计学入门课程，并掌握基础 Python；不要求矩阵代数。

覆盖内容

统计学习的基本概念、偏差-方差权衡与模型评估；线性回归；用逻辑回归、判别分析和朴素贝叶斯进行分类；交叉验证与自助法等重抽样方法；模型选择与正则化，包括岭回归和 lasso；样条和广义可加模型等非线性方法；决策树、随机森林与提升方法；支持向量机；深度学习；生存分析；包括主成分分析和聚类在内的无监督学习；以及多重检验。

如何使用

先阅读概念讲解部分，再用配套的程序包和数据集完成每章末的 Python 实验。可以用自己的数据完成应用习题。作者在本书网站上免费提供 PDF，便于在购买纸质版之前先行试读。

版本与来源

Python 版第1版，Springer 于2023年出版，属 Springer Texts in Statistics 丛书（ISBN 9783031387463）；此前另有基于 R 的版本。本记录的书目数据来自 Google Books，并与 Open Library 核对。

访问官方资源