●贊譽譯者序前言致謝第一部分  經典統計推斷第1章  算法與推斷2  1.1  一個回歸的例子3  1.2  假設檢驗5  1.3  注釋7  注釋7第2章  頻率學派推斷8  2.1  實踐中的頻率學派9  2.2  頻率學意義下的很優化12  2.3  注釋與細節13  注釋13第3章  貝葉斯推斷14  3.1  兩個例子15  3.2  無信息先驗分布18  3.3  頻率學派推斷的缺陷19  3.4  貝葉斯學派/頻率學派的對比列表21  3.5  注釋與細節23  注釋23第4章  Fisher推斷和優選似然估計24  4.1  似然和優選似然24  4.2  Fisher信息和MLE26  4.3  條件推斷28  4.4  排列和隨機化31  4.5  注釋與細節32  注釋32第5章  參數模型和指數族34  5.1  單變量族34  5.2 &nbs正態分布36  5.3  多參數分布族的Fisher信息量邊界38  5.4  多項分布39  5.5  指數型分布族41  5.6  注釋與細節44  注釋44第二部分  計算機時代早期方法第6章  經驗貝葉斯48  6.1  Robbins公式48  6.2  物種遺漏問題50  6.3  一個醫學上的例子54  6.4  間接證據156  6.5  注釋與細節57  注釋57第7章  James-Stein估計和嶺回歸59  7.1  James-Stein估計59  7.2  棒球運動員61  7.3  嶺回歸63  7.4  間接證據266  7.5  注釋和細節68  注釋68第8章  廣義線性模型與回歸樹70  8.1  邏輯回歸70  8.2  廣義線性模型75  8.3  泊松回歸78  8.4  回歸樹80  8.5  注釋與細節82  注釋83第9章  生存分析和EM算法85  9.1  生命表和風險率85  9.2  刪失數據和Kaplan-Meier估計87  9.3  對數秩檢驗91  9.4  比例風險模型93  9.5  缺失數據和EM算法95  9.6  注釋與細節98  注釋98第10章  刀切法與自助法101  10.1  標準差的刀切法估計101  10.2  非參數的自助法103  10.3  重抽樣方案106  10.4  參數自助法110  10.5  影響函數與魯棒估計112  10.6  注釋與細節115  注釋115第11章  自助法置信區間117  11.1  Neyman的單參數問題的構建117  11.2  百分位方法120  11.3  偏差校正置信區間122  11.4  二階精度124  11.5  自助t區間126  11.6  目標貝葉斯區間和置信分布127  11.7  注釋與細節131  注釋131第12章  交叉驗證與預測誤差的Cp估計134  12.1  預測規則134  12.2  交叉驗證137  12.3  協方差懲罰140  12.4  訓練、驗證與短期預測因子146  12.5  注釋與細節148  注釋148第13章  客觀貝葉斯推斷和馬爾可夫鏈蒙特卡羅方法150  13.1  客觀先驗分布150  13.2  共軛先驗分布152  13.3  模型選擇與貝葉斯信息準則156  13.4  Gibbs抽樣和MCMC161  13.5  示例：模擬人口混合165  13.6  注釋與細節167  注釋167第14章  戰後時代的統計推斷與方法論169  注釋171第三部分  21世紀的話題第15章  大規模假設檢驗和錯誤發現率174  15.1  大規模假設檢驗174  15.2  錯誤發現率176  15.3  經驗貝葉斯大規模假設檢驗178  15.4  局部錯誤發現率181  15.5  原假設分布的選擇183  15.6  關聯性186  15.7  注釋與細節188  注釋188第16章  稀疏建模和套索191  16.1  前向逐步回歸191  16.2  套索194  16.3  擬合套索模型197  16.4  最小角回歸198  16.5  擬合廣義的套索模型200  16.6  套索的選擇後推斷202  16.7  聯繫和擴展203  16.8  注釋與細節205  注釋205第17章  隨機森林和提升207  17.1  隨機森林207  17.2  平方誤差損失的提升212  17.3  梯度提升216  17.4  Adaboost：原始的提升算法218  17.5  聯繫和擴展220  17.6  注釋與細節221  注釋222第18章  神經網絡與深度學習224  18.1  神經網絡與手寫數字問題225  18.2  擬合一個網絡226  18.3  自動編碼器230  18.4  深度學習231  18.5  學習一個深層網絡234  18.6  注釋與細節235  注釋236第19章  支持向量機和核方法238  19.1  很優超平面238  19.2  軟間隔分類器240  19.3  作為損失加懲罰的支持向量機準則241  19.4  計算以及核技巧242  19.5  利用核的函數擬合244  19.6  實例：用於蛋白質分類的字符串核函數244  19.7  支持向量機：結束語245  19.8  核平滑和局部回歸246  19.9  注釋與細節247  注釋248第20章  模型選擇後的推斷250  20.1  同時置信區間251  20.2  模型選擇後的準確率255  20.3  選擇的偏差258  20.4  貝葉斯頻率學組合估計260  20.5  注釋與細節263  注釋264第21章  經驗貝葉斯估計策略266  21.1  貝葉斯反卷積266  21.2  g-建模和估計267  21.3  似然、正則化和準確性269  21.4  兩個例子272  21.5  廣義線性混合模型276  21.6  反卷積和f-建模278  21.7  注釋與細節280  注釋280後記282參考文獻286

本書以豐富的案例介紹了計算機時代下的統計推斷的發展脈絡，從理論的角度剖析統計推斷的各類算法、證據等，揭示統計推斷如何推動當今大數據、數據科學、機器學習等領域的快速發展並引領數據分析的變革，*後展望了統計學和數據科學的未來方向。

[美] 布拉德利·埃夫隆（Bradley Efron） 特雷福·黑斯蒂 著 杭漢源 譯

統計推斷是一門內容極其廣泛的學科，實際上，它位於數學、經驗科學和哲學三門學科的交叉點上。從貝葉斯準則的發表算起，這門學科可以追溯到1763年（貝葉斯準則代表了這一學科的哲學層面，該準則的早期倡導者認為它是上帝存在的論據）。從20世紀50年代到現在，我們書名所指的“計算機時代”是指這250年歷史中的最近四分之一。在這個時代，統計應用的傳統瓶頸——計算，發展得愈發迅速。本書是對過去60年統計如何演變的一個綜述，但是對於這樣一門內容廣泛的學科，我們隻不過是從一架小型飛機的高度進行俯瞰，而不是從噴氣式飛機或衛星的高度來觀察。各個章節分別介紹了一繫列有影響力的論題，包括廣義線性模型、生存分析、刀切法與自助法、錯誤發現率、經驗貝葉斯、馬爾可夫鏈蒙特卡羅方法、神經網絡等。與此同時，我們將對每個論題關鍵的方法論發展及其推斷依據進行描述。不用多說，計算將是我們故事的核心話題，但是這並不意味著每一項進展都與計等