分布式統(tǒng)計(jì)計(jì)算

定　價(jià)：￥49.00

作　者：	馮興東，賀莘
出版社：	中國(guó)人民大學(xué)出版社
叢編項(xiàng)：	新編21世紀(jì)研究生系列教材應(yīng)用統(tǒng)計(jì)碩士
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787300315867	出版時(shí)間：	2023-04-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)著重介紹分布式計(jì)算的思想其及在統(tǒng)計(jì)學(xué)以及機(jī)器學(xué)習(xí)中的應(yīng)用，將傳統(tǒng)統(tǒng)計(jì)學(xué)與機(jī)器學(xué)習(xí)中的經(jīng)典方法和現(xiàn)代分布式算法相結(jié)合，強(qiáng)化學(xué)生的分布式統(tǒng)計(jì)計(jì)算的編程能力和對(duì)相關(guān)方法的理解，努力在統(tǒng)計(jì)計(jì)算和分布式計(jì)算之間搭建起一座橋梁。本書(shū)亦圍繞統(tǒng)計(jì)學(xué)中的不同問(wèn)題提供了豐富的實(shí)際案例以及詳細(xì)的實(shí)現(xiàn)代碼，從而幫助使用者快速理解相關(guān)分布式的核心思想，提升編程能力，進(jìn)而可以熟練地進(jìn)行大數(shù)據(jù)的統(tǒng)計(jì)分析和研究。本書(shū)可作為統(tǒng)計(jì)學(xué)與數(shù)據(jù)科學(xué)等相關(guān)專(zhuān)業(yè)高年級(jí)本科生與研究生教材，也可用作相關(guān)大數(shù)據(jù)分析方向從業(yè)者與研究者的參考書(shū)。

作者簡(jiǎn)介

　　馮興東上海財(cái)經(jīng)大學(xué)統(tǒng)計(jì)與管理學(xué)院院長(zhǎng)、統(tǒng)計(jì)學(xué)教授、博士生導(dǎo)師。研究領(lǐng)域?yàn)閿?shù)據(jù)降維、穩(wěn)健回歸、分位數(shù)回歸以及在經(jīng)濟(jì)問(wèn)題中的應(yīng)用、大數(shù)據(jù)統(tǒng)計(jì)計(jì)算、強(qiáng)化學(xué)習(xí)等，在國(guó)際頂級(jí)統(tǒng)計(jì)學(xué)期刊Journal of the American Statistical Association、Annals of Statistics、Journal of the Royal Statistical Society Series B、Biometrika以及人工智能頂級(jí)會(huì)議NeurIPS上發(fā)表論文多篇。2018年入選國(guó)際統(tǒng)計(jì)學(xué)會(huì)推選會(huì)員，2019年擔(dān)任全國(guó)青年統(tǒng)計(jì)學(xué)家協(xié)會(huì)副會(huì)長(zhǎng)以及全國(guó)統(tǒng)計(jì)教材編審委員會(huì)第七屆委員會(huì)專(zhuān)業(yè)委員（數(shù)據(jù)科學(xué)與大數(shù)據(jù)應(yīng)用組），2020年成為第八屆國(guó)務(wù)院學(xué)位委員會(huì)學(xué)科評(píng)議組（統(tǒng)計(jì)學(xué)）成員，2022年擔(dān)任全國(guó)應(yīng)用統(tǒng)計(jì)專(zhuān)業(yè)學(xué)位研究生教育指導(dǎo)委委員，2023年擔(dān)任全國(guó)工業(yè)統(tǒng)計(jì)學(xué)教學(xué)研究會(huì)副會(huì)長(zhǎng)以及中國(guó)數(shù)學(xué)會(huì)概率統(tǒng)計(jì)分會(huì)常務(wù)理事，2022年起兼任國(guó)際統(tǒng)計(jì)學(xué)權(quán)威期刊Annals of Applied Statistics編委以及國(guó)內(nèi)統(tǒng)計(jì)學(xué)權(quán)威期刊《統(tǒng)計(jì)研究》編委。賀莘上海財(cái)經(jīng)大學(xué)統(tǒng)計(jì)與管理學(xué)院副教授、博士生導(dǎo)師。主要研究領(lǐng)域?yàn)榻y(tǒng)計(jì)機(jī)器學(xué)習(xí)及其在經(jīng)濟(jì)金融、醫(yī)學(xué)健康中的應(yīng)用，研究成果發(fā)表在Journal of Machine Learning Research、Journal of the American Statistical Association、Journal of Computational and Graphical Statistics、Electronic Journal of Statistics、Statistica Sinica、Thyroid等國(guó)際權(quán)威期刊上。主持國(guó)家自然科學(xué)基金青年項(xiàng)目一項(xiàng)以及上海市浦江人才計(jì)劃項(xiàng)目一項(xiàng)。

圖書(shū)目錄

第 1 章 Apache Spark 簡(jiǎn)介
1．1 Apache Spark 的歷史與現(xiàn)狀
1．2 安裝和運(yùn)行 Apache Spark
1．3 Apache Spark 編程簡(jiǎn)介
1．4 Scala 語(yǔ)言簡(jiǎn)介
1．4．1 Scala 開(kāi)發(fā)環(huán)境配置及 IntelliJ IDEA
1．4．2 Scala 編程簡(jiǎn)介
1．4．3 PySpark 編程簡(jiǎn)介
1．5 Spark 編程
1．5．1 Spark 系統(tǒng)簡(jiǎn)介
1．5．2 彈性分布式數(shù)據(jù)集
1．5．3 RDD 文件上的操作
1．5．4 Spark 中兩個(gè)抽象概念
1．6 公共數(shù)據(jù)集

第 2 章 Breeze 程序包
2．1 創(chuàng)建向量、矩陣及其簡(jiǎn)單計(jì)算
2．2 整行或整列的運(yùn)算
2．3 常用數(shù)學(xué)計(jì)算
2．4 常用分布
2．5 基于 Breeze 包的分布式計(jì)算

第 3 章隨機(jī)模擬和統(tǒng)計(jì)推斷
3．1 隨機(jī)數(shù)的產(chǎn)生
3．1．1 逆累積分布函數(shù)法
3．1．2 拒絕法
3．1．3 示例：從回歸模型中模擬數(shù)據(jù)
3．2 EM 優(yōu)化
3．2．1 EM 算法
3．2．2 收斂性分析
3．2．3 分布式 EM 算法
3．2．4 示例：高斯混合模型

第 4 章馬爾科夫鏈蒙特卡洛方法
4．1 Metropolis-Hastings 算法
4．2 Slice 取樣法
4．3 Gibbs 取樣法

第 5 章優(yōu)化算法
5．1 數(shù)值計(jì)算方法
5．1．1 (隨機(jī)) 梯度下降算法
5．1．2 示例：分布式的線性回歸估計(jì)
5．2 近端梯度算法
5．2．1 算法介紹
5．2．2 示例：基于近端梯度算法的分布式 Lasso 回歸參數(shù)估計(jì)
5．3 交替方向乘子法
5．3．1 算法介紹
5．3．2 示例：分位數(shù)回歸分布式參數(shù)估計(jì)
5．4 有限內(nèi)存 BFGS 算法

第 6 章自舉法
6．1 自由自舉法
6．2 子集合自舉法

第 7 章常用統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法
7．1 聚類(lèi)分析
7．1．1 K 組中心法
7．1．2 隱狄利克雷分配法
7．1．3 功效迭代聚類(lèi)法
7．2 分類(lèi)分析
7．2．1 邏輯回歸
7．2．2 線性支持向量機(jī)
7．2．3 線性判別分析
7．2．4 決策樹(shù)
7．3 數(shù)據(jù)降維
7．3．1 基于正則化的稀疏性方法
7．3．2 示例：SCAD、MCP 等正則化項(xiàng)的 Scala 代碼實(shí)現(xiàn)
7．3．3 主成分分析
7．3．4 奇異值分解
7．3．5 示例：基于分布式計(jì)算的主成分分析
7．4 集成學(xué)習(xí)方法
7．4．1 基于 Bagging 算法――以隨機(jī)森林為例
7．4．2 基于 Boosting 算法――以 AdaBoost 為例
7．4．3 基于樹(shù)的集成學(xué)習(xí)算法
7．4．4 示例：航班延誤預(yù)測(cè)分類(lèi)

第 8 章主流分布式算法簡(jiǎn)介
8．1 分治法
8．1．1 算法思想介紹
8．1．2 分治法在統(tǒng)計(jì)學(xué)習(xí)中的應(yīng)用
8．1．3 示例：線性支持向量機(jī)
8．2 基于梯度更新的分布式算法
8．2．1 算法介紹
8．2．2 示例：基于近端梯度算法的 Lasso 問(wèn)題求解
8．2．3 示例：非參數(shù)嶺回歸
8．3 聯(lián)邦學(xué)習(xí)算法簡(jiǎn)介
8．3．1 算法分類(lèi)
8．3．2 聯(lián)邦平均算法介紹
8．3．3 安全聯(lián)邦線性回歸

第 9 章案例集
9．1 案例一：基于 MM 算法和 EM 算法的負(fù)二項(xiàng)分布參數(shù)估計(jì)
9．1．1 負(fù)二項(xiàng)分布
9．1．2 MM 算法的負(fù)二項(xiàng)分布參數(shù)估計(jì)求解
9．1．3 EM 算法的負(fù)二項(xiàng)分布參數(shù)估計(jì)求解
9．1．4 數(shù)值模擬
9．1．5 實(shí)證分析
9．1．6 結(jié)論
9．1．7 源碼附錄
9．2 案例二：基于 EM 算法的混合指數(shù)分布參數(shù)估計(jì)
9．2．1 混合指數(shù)分布簡(jiǎn)介
9．2．2 EM 算法
9．2．3 Spark 實(shí)現(xiàn)
9．2．4 效果評(píng)估
9．2．5 源碼附錄
9．3 案例三：基于 EM 算法的有限混合泊松分布的參數(shù)估計(jì)
9．3．1 有限混合泊松分布簡(jiǎn)介
9．3．2 參數(shù)估計(jì)的 EM 算法
9．3．3 EM 加速算法――均方外推算法
9．3．4 實(shí)驗(yàn)設(shè)計(jì)
9．3．5 SQUAREM 加速算法比較
9．3．6 源碼附錄
9．4 案例四：基于不同優(yōu)化算法的邏輯回歸模型參數(shù)的估計(jì)
9．4．1 常用優(yōu)化算法簡(jiǎn)介
9．4．2 邏輯回歸模型簡(jiǎn)介
9．4．3 模擬數(shù)據(jù)應(yīng)用不同優(yōu)化算法的分布式實(shí)現(xiàn)及比較
9．4．4 源碼附錄
參考文獻(xiàn)