0人評分過此書
●國內第一本解說STaTa ——多達45 種貝葉斯迴歸分析運用的教科書。
●STaTa+AI+Bayesian超強組合，接軌世界趨勢，讓您躋身大數據時代先驅。
●超強統計軟體STaTa，簡單易懂，功能齊全，廣獲肯定。
●結合「理論、方法、統計」，讓讀者能精準使用Bayesian迴歸。
●內文包含大量圖片示意，配合隨書光碟資料檔，實地演練，學習更有效率。
5G時代的來臨，聯手(AI)人工智慧邁入嶄新紀元，未來可預見日常將出現更密集的AI科技，更可能改變產業型態、生活體驗，甚至是人類的思考模式。
AI又稱機器智能，迄今已是一門顯學，屬於自然科學和社會科學的交集。其中機器學習演算法及Bayesian後驗機率等貝氏推論，不僅適合傳統科學研究法，更適合於當今大數據(big data)時代的來臨。
本書詳細說明STaTa運用中，45種Bayesian迴歸，以及實務上已非常成熟的AI統計應用技術，可供人工智慧、機器學習等自然科學和社會科研究者使用。內文包含大量圖片示意，搭配隨書附贈光碟，簡潔易懂，學習效果更顯著。
●STaTa+AI+Bayesian超強組合，接軌世界趨勢，讓您躋身大數據時代先驅。
●超強統計軟體STaTa，簡單易懂，功能齊全，廣獲肯定。
●結合「理論、方法、統計」，讓讀者能精準使用Bayesian迴歸。
●內文包含大量圖片示意，配合隨書光碟資料檔，實地演練，學習更有效率。
5G時代的來臨，聯手(AI)人工智慧邁入嶄新紀元，未來可預見日常將出現更密集的AI科技，更可能改變產業型態、生活體驗，甚至是人類的思考模式。
AI又稱機器智能，迄今已是一門顯學，屬於自然科學和社會科學的交集。其中機器學習演算法及Bayesian後驗機率等貝氏推論，不僅適合傳統科學研究法，更適合於當今大數據(big data)時代的來臨。
本書詳細說明STaTa運用中，45種Bayesian迴歸，以及實務上已非常成熟的AI統計應用技術，可供人工智慧、機器學習等自然科學和社會科研究者使用。內文包含大量圖片示意，搭配隨書附贈光碟，簡潔易懂，學習效果更顯著。
- 自序
-
Chapter 01 人工智慧的基礎：機器學習理論及貝氏定理（Bayes' theorem）
-
1-1 人工智慧（Artificial Intelligence，AI）
-
1-1-1 AI 研究的議題
-
1-1-2 強人工智慧 vs. 弱人工智慧
-
1-1-3 AI 研究方法
-
-
1-2 機器學習（machine learning）
-
1-2-1 監督 vs. 非監督機器學習
-
1-2-2 機器學習的演算法（algorithm）
-
1-2-3 何謂 Features（≈自變數）、Training、Label（≈類別依變數）？
-
1-2-4 監督機器學習⊃多變數線性迴歸（machine learning：linear regression with multiple variables）
-
1-2-5 機器學習：梯度下降演算法（gradient descent algorithm）
-
1-2-6 機器學習：特徵縮放（feature scaling）
-
-
1-3 參數估計：最大概似估計、最大後驗（Max posterior）、貝葉斯估計
-
1-3-1 何謂參數估計？
-
1-3-2a 估計法一：最大概似估計（MLE）≠概似比（LR）
-
1-3-2b 最大概似估計法（MLE）做分類
-
1-3-3 估計法二：最大後驗（Max posterior）估計
-
1-3-4 估計法三：貝葉斯估計
-
-
1-4 期望最大化（EM）演算法
-
-
Chapter 02 貝葉斯（Bayesian）迴歸有 45 種
-
2-1 貝氏定理與條件機率（重點整理）
-
2-1-1 貝氏機率（Bayesian probability）
-
2-1-2 貝氏（Bayes）定理、條件機率
-
-
2-2 貝葉斯推論（Bayesian inference）
-
2-2-1 貝葉斯法則（Bayesian rule）
-
2-2-2 推論「排他性和窮舉命題」的可能性（inference over exclusive and exhaustive possibilities）
-
2-2-3a 貝葉斯推論之數學性質（mathematical properties）
-
2-2-3b 貝葉斯決策理論
-
2-2-4 貝葉斯推論之案例
-
2-2-5 頻率統計和決策理論之貝葉斯模型，誰優？Bayesian Information Criterion （BIC）
-
2-2-6 貝葉斯認識論（Bayesian epistemology）
-
2-2-7 貝葉斯推理的影響因素
-
-
2-3 常見的分布有 15 種
-
2-4 STaTa likelihood-based Bayesian 迴歸有 45 種
-
2-4-1 STaTa 共 12 類：45 種 Bayesian 迴歸
-
2-4-2 Metropolis-Hastings 演算法（bayesmh 指令）和 Monte Carlo
-
2-4-3 貝葉斯線性迴歸的基本原理
-
-
2-5 貝葉斯統計及正規化（Bayesian statistics and Regularization）
-
2-5-1 過度適配 vs. 不足適配（overfitting and underfitting）
-
2-5-2 Bayesian statistics 及正規化（regularization）
-
2-5-3 最佳成本函數之正規化（optimize cost function by regularization）
-
-
-
Chapter 03 最大概似（ML）各家族（family）：機器學習技術
-
3-1 最大概似（ML）之 Regression 家族（family）
-
3-1-1 迴歸分析介紹
-
3-1-2 線性迴歸（linear regression）
-
-
3-2 多元迴歸的自變數選擇法有三：子集合選取法、正規化、資訊準則法（bayesstats ic 指令）
-
3-2-1 迴歸模型與正規項（regulation）：Ridge 迴歸、Lasso 迴歸原理
-
3-2-2 脊迴歸／嶺迴歸（ridge）的原理：多重共線性（ridgeregress 外掛指令）
-
3-2-3a 迴歸正規項（regulation）：lasso 迴歸、Ridg 迴歸、elastic-net 迴歸（lassoregress、ridgeregress、elasticregress 外掛指令）
-
3-2-3b 機器學習演算法：套索迴歸（Lasso Regrission）（lassoregress、lasso2、elasticregress 指令）
-
3-2-4a 機器學習演算法：脊迴歸（Ridge Regression）（rxridge、rxrcrlq、rxrmaxl 等 14 個指令）
-
3-2-4b Ridge 迴歸分析：解決共線性（rxridg 外掛指令）
-
3-2-5 機器學習演算法：彈性網路多工 Lasso 迴歸（multi task Lasso）（elasticregress 指令）
-
3-2-6 邏輯斯迴歸（logistic regression）
-
-
3-3 機器學習法：隨機森林（外掛指令randomforest）、支援向量機（外掛指令 svmachines）
-
3-3-1 機器學習法：隨機森林（外掛指令：randomforest）
-
3-3-2 機器學習法：支援向量機 SVM（外掛指令：svmachines）
-
-
3-4 最大概似的 Kernel-Based 家族：小樣本、非線性及高維模型識別
-
3-4-1 非線性分類之核函數
-
3-4-2 支援向量機（SVM）分類器：原型、對偶型、核技巧、現代方法
-
3-4-3a 支援向量機（SVM）原理：小樣本、非線性及高維模型識別
-
3-4-3b 支援向量機做分類（svmachines 外掛指令）
-
3-4-4 核迴歸／分段加權迴歸（kernel regression）：非單調函數（lpoly、npregress、teffects 指令）
-
-
3-5 最大概似（ML）之 Bayes-Based 家族（前導字「bayes：某迴歸」指令）
-
3-5-1 判別模型（discriminative model）與生成模型（generative model）
-
3-5-2 高斯判別分析（Gaussian discriminant analysis）
-
3-5-3 樸素貝葉斯（naive bayes）演算法
-
-
-
Chapter 04 貝葉斯（Bayesian）線性迴歸之原理
-
4-1 貝葉斯（Bayesian）分析
-
4-2 參數估計：最大概似估計、最大後驗估計、貝葉斯估計
-
4-3 貝葉斯（Bayesian）線性迴歸
-
4-3-1a 線性迴歸之參數估計最小平方法（OLS）
-
4-3-1b 貝葉斯（Bayesian）迴歸之原理
-
4-3-2 貝葉斯線性迴歸：參數分布、預測分布、等價核
-
4-3-3 貝葉斯線性迴歸：學習過程、優缺點、貝葉斯脊迴歸
-
-
4-4 貝葉斯多元線性迴歸之原理（Bayesian multivariate linear regression）
-
-
Chapter 05 Bayes 線性迴歸（「bayes：regress」、「bayesgraph diagnostics」、「bayesstats ic」指令）
-
5-1 線性 Bayesian 迴歸（先rsquare、再「bayes：regression」指令）
-
5-1-1 OLS 先挑所有自變數的最佳組合（再 Bayes 線性迴歸）
-
5-1-2 OLS 先挑所有自變數的最佳組合，再 Bayes 線性迴歸（bayes ：regress y x1 x2 x3）
-
-
5-2 方法一 Bayes 線性迴歸（bayes ：regress ⋯指令）
-
5-2-1 Bayes 線性迴歸及預測值：使用內定概似及先驗（uninformative data）（bayes ：regress ⋯指令）
-
5-2-2 Bayes 線性迴歸：自定概似及先驗（informative data）（bayes ：regress⋯指令）
-
-
5-3 方法二 Bayes 線性迴歸（bayesmh ：regress ⋯指令）
-
5-4 線性 Bayesian 迴歸模型（改用 bayesmh 指令）
-
5-4-1 Bayesian 估計之原理及實作（「bayes：regress」指令）
-
5-4-2 MCMC 收斂性（convergence）及假設檢定（hypotheses testing）
-
5-4-3 先驗（Priors）：Gibbs 採樣（sampling）
-
5-4-4 自定先驗（Custom priors）
-
-
5-5 Bayes 迴歸：縮減模型 vs. 完全模型，誰優？（bayesmh、bayesstats ic 指令）
-
-
Chapter 06 Metropolis-Hastings 演算法之 Bayesian 模型（bayesmh 指令）
-
6-1 bayesmh 指令：「線性 vs. 非線性」、「單變量 vs. 多變量」、「連續 vs. 間斷」模型有 8 大類
-
6-2 bayesmh 指令之範例
-
6-2-1 範例1：OLS 線性迴歸（regress） vs. Bayesian 線性迴歸（bayes ：regress）
-
6-2-2 範例2：Bayesian normal linear regression with noninformative prior（未自定參數的分布）
-
6-2-3 範例3：Bayesian linear regression with informative prior（自定參數的分布）
-
6-2-4 範例4：Bayesian normal linear regression with multivariate prior
-
6-2-5 範例5：檢查收斂性（Checking convergence）
-
6-2-6 範例6：貝氏事後估計值摘要（Postestimation summaries）
-
6-2-7 範例7：敵對模型的比較（Model comparison）
-
6-2-8 範例8：假設檢定（Hypothesis testing）（bayestest model、interval interval）
-
-
-
Chapter 07 Bayesian 邏輯斯模型、多項邏輯斯模型（bayes：logistic、bayes：mlogit 指令）
-
7-1 邏輯斯迴歸原理
-
7-2 Bayesian logit 迴歸分析（bayes：logit、bayes ：logistic 指令）
-
7-2-1 範例1：貝氏 Logistic 迴歸（bayes：logit 指令）
-
7-2-2 範例2：自定之資訊先驗（informative prior）：貝氏 Logistic 迴歸（bayes：logit 指令）
-
-
7-3 對照組：multinomial logistic 迴歸分析（bayes：mlogit 指令）
-
7-3-1 多項（multinomial）邏輯斯迴歸之原理
-
7-3-2 Multinomial Logit 迴歸分析：職業選擇種類（mlogit 指令）
-
7-3-3 多項邏輯斯迴歸分析：乳房攝影（mammograph）選擇的因素（mlogit 指令）
-
-
7-4 實驗組：Bayesian multinomial logistic 迴歸分析：健康保險（bayes：mlogit指令）
-
-
Chapter 08 聯立方程式：Bayesian multivariate 迴歸（bayes：mvreg 指令）
-
8-1 多變量 Bayesian 迴歸分析（bayes：mvreg 指令）
-
-
Chapter 09 非線性迴歸：廣義線性模型（GLM）（Baye：glm 指令）
-
9-1 廣義線性模型之原理
-
9-2 當依變數是比例（proportion）時，如何做迴歸（glm 指令）？
-
9-3 廣義線性迴歸（glm、baye：glm 指令）
-
-
Chapter 10 Survival 模型（baye：streg 指令）
-
10-1 存活分析的原理
-
10-1-1 存活分析之定義
-
10-1-2 為何存活分析是臨床研究最重要的統計法？
-
10-1-3 存活分析之三種研究目標
-
-
10-2 存活分析 Bayesian 迴歸 （baye：streg 指令）
-
-
Chapter 11 多層次（multilevel）模型（bayes：mixed 指令）
-
11-1 多層次模型的原理
-
11-2 Bayesian 多層次模型：重複測量（bayes：mixed 指令）
-
-
Chapter 12 計數（count）模型、Zero-Inflated 模型（bayes：tpoisson、baye：zinb 指令）
-
12-1 傳統原理：Count 依變數：Zero-Inflated Poisson 迴歸 vs. negative binomial 迴歸
-
12-1-1 Poisson 分配
-
12-1-2 負二項分配（Negative Binomial Distribution）
-
12-1-3 零膨脹（Zero-Inflated）Poisson 分配
-
-
12-2 單層次：Zero-Inflated Poisson 迴歸 vs. 負二項迴歸（zip、zinb 指令）
-
12-2-1 傳統：Zero-Inflated Poisson 迴歸 vs. 負二項迴歸（zip、zinb 指令）
-
12-2-2 Bayesian Poisson 迴歸（bayes：poisson）、Bayesian 零膨脹 Poisson 迴歸（bayes：zip 指令）
-
12-2-3 Zero-Inflated negative binomial 模型（bayes：zinb 指令）
-
-
12-3 Zero-Inflated ordered probit regression 練習：釣魚（zip 指令）
-
12-4 零膨脹 Ordered probit 迴歸分析：抽菸嚴重度（zioprobit 指令）
-
12-5 截斷（truncated）Poisson 迴歸分析（bayes：tpoisson 指令）
-
12-5-1 截斷迴歸（truncated regression）（truncreg 指令）
-
12-5-2 Bayesian 截斷 Poisson 迴歸（truncated regression）（bayes：tpoisson 指令）
-
-
-
Chapter 13 Bayesian 自我迴歸模型 （bayes：regress y L1.y 指令）
-
13-1 時間列序之統計：自我迴歸（autoregressive models）
-
13-1-1 ARIMA 建構模型之步驟
-
-
13-2 穩定數列之自我迴歸模型（AR）
-
13-2-1 AR（1）模型
-
13-2-2 AR（2）模型
-
13-2-3 何謂穩定性（定態）？
-
-
13-3 Bayesian 自我迴歸之建模過程（bayes ：regress y L.y 指令）
-
- 參考文獻
- 出版地 ： 臺灣
- 語言 ： 繁體中文
評分與評論
請登入後再留言與評分
PDF
PDF
PDF
PDF
PDF
