本書包括的內容有： 經典線性回歸、?義線性模型、混合效應模型 (分層模型)、機器學習回歸?法 (決策樹、bagging、隨機森林、各種 boosting ?法、??神經?絡、?持向量機、k 最近鄰?法)、?存分析及 Cox 模型、經典判別分析與 logistic 回歸分類、機器學習分類?法 (決策樹、bagging、隨機森林、adaboost、??神經?絡、?持向量機、k 最近鄰?法).其中， 混合效應模型、?存分析及 Cox 模型的內容可根據需要選?， 所有其他的內容都應該在教學中涉及， 可以簡化甚?忽略的內容為?些數學推導和某些不那麼優秀的模型， 不可以忽略的是各種?法的直觀意義及理念.
本書的宗旨就是既要介紹傳統的回歸和分類?法， 又要引??量更加有效的機器學習?法， 並且通過實際例?， 運? R 和 Python 兩種軟件來讓讀者理解各種?法的意義和實踐，能夠?主做數據分析並得到結論。

吳喜之，北京大學數學力學繫本科，美國北卡羅來納大學統計博士。中國人民大學統計學院教授，博士生導師。曾在美國加利福尼亞大學、北卡羅來納大學以及南開大學、北京大學等多所著名學府執教。

第1章 引言
1．1 作為科學的統計
1．2 傳統參數模型和機器學習算法模型
1．3 數理統計中顯著性檢驗及置信區間本質的啟示
第2章 經典線性回歸
2．1 模型形式
2．2 用最小二乘法估計線性模型
2．3 回歸繫數的大小沒有可解釋性
2．4 關於線性回歸繫數的性質和推斷*
2．5 通過一個“教科書數據”來理解簡單最小二乘回歸
2．6 一個“非教科書數據”例子
2．7 處理線性回歸多重共線性的經典方法*
2．8 損失函數及分位數回歸簡介
2．9 本章Python 運行代碼
2．10 習題
第3章 廣義線性模型
3．1 模型
3．2 指數分布族及典則連接函數
3．3 似然函數和準似然函數
3．4 廣義線性模型的一些推斷問題
3．5 logistic 回分類問題
3．6 Poisson 對數線性模型及頻數數據的預測
3．7 本章Python 運行代碼
3．8 習題
第4章 機器學習回歸方法
4．1 引言
4．2 作為基本模型的決策樹(回歸樹)
4．3 組合方法的思想
4．4 bagging 回歸
4．5 隨機森林回歸
4．6 mboost 回歸
4．7 人工神經網絡回歸
4．8 支持向量機回歸
4．9 k 最近鄰回歸
4．10 本章Python 運行代碼
4．11 習題
第5章 經典分類： 判別分析
5．1 線性判別分析
5．2 Fisher 判別分析
5．3 混合線性判別分析
5．4 各種方法擬合衛星圖像數據(例5．1) 的比較
5．5 本章Python 運行代碼
5．6 習題
第6章 機器學習分類方法
6．1 作為基本模型的決策樹(分類樹)
6．2 bagging 分類
6．3 隨機森林分類
6．4 AdaBoost 分類
6．5 人工神經網絡分類
6．6 支持向量機分類
6．7 k 最近鄰方法分類
6．8 樸素貝葉斯分類
6．9 對慢性腎病數據(例6．1) 做各種方法分類的交叉驗證
6．10 案例分析： 蘑菇可食性數據
6．11 案例分析： 手寫數字筆跡識別
6．12 本章Python 運行代碼
6．13 第5章和第6章習題
第7章 混合效應模型*
7．1 概念
7．2 通過一個數值例子解釋線性混合模型
7．3 線性混合模型的一般形式
7．4 廣義線性混合模型
7．5 決策樹關聯的混合模型
7．6 對數學分數數據(例7．2) 做REEM、GLMM、lmer 及其他模型預測精度的交叉驗證比較
7．7 Python關於數學分數數據(例7．2)的混合效應隨機森林及交叉驗證比較
7．8 習題
第8章 生存分析及Cox 模型*
8．1 基本概念
8．2 生存函數的Kaplan-Meier 估計
8．3 累積危險函數
8．4 估計和檢驗*
8．5 Cox 比例危險模型
8．6 本章Python 運行代碼
8．7 習題
第9章 基本軟件： R和Python
9．1 R 簡介——為領悟而運行
9．2 Python 簡介——為領悟而運行
9．3 習題
參考文獻

本書不像很多教科書那樣隻講80年之前的以數學假定和推導為主的內容, ?要強調最近20年最新和最有效的統計?法. 本書所有的分析都通過免費的?由軟件R2及Python 軟件來實現. 讀者可以毫不困難地重復本書所有的計算. R ?站擁有世界各地統計學家貢獻的?量最新程序包(package),這些程序包以飛快的速度增加和更新, 已從2009年底的不到1000個增加到2019年底的15000多個. 它們代表了統計學家創造的針對各個統計?向及不同應?領域的嶄新統計?法. 這些程序包的代碼?多是公開的.