本书介绍了开展数据驱动研究所需的各种统计概念和数据分析技能，共包括10章内容。主要涉及R语言入门、统计推理、探索性数据分析、矩阵代数、线性模型、高维数据推理、统计模型、距离和降维、基础机器学习、批次效应。虽然本书的内容主要集中在高级统计概念上，但也涵盖了基础知识，以确保读者对于数据分析所需的基本统计概念有一个坚实的基础。本书在内容编排上循序渐进，从统计推断开始，重点是使用计算机进行数据分析。 本书适用于需要对生物学数据进行分析、统计的生命科学领域的学生、教师和研究人员，可供所有开设生物统计学相关专业的高等学校、科研机构选作教材或参考书。

1 R语言入门
1.1 R的安装
1.2 RStudio的安装
1.3 学习R的基础
1.4 安装包
1.5 载入数据
1.6 习题
1.7 dplyr包简介
1.8 习题
1.9 数学符号
2 统计推断
2.1 引言
2.2 随机变量
2.3 零假设
2.4 分布
2.5 概率分布
2.6 正态分布
2.7 习题
2.8 总体、样本和估计
2.9 习题
2.10 中心极限定理和t分布
2.11 习题
2.12 中心极限定理的应用
2.13 习题
2.14 t检验应用
2.15 t分布的应用
2.16 置信区间
2.17 功效计算
2.18 习题
2.19 蒙特卡洛模拟
2.20 观察值的参数模拟
2.21 习题
2.22 置换检验
2.23 习题
2.24 关联性检验
2.25 习题
3 探索性数据分析
3.1 分位数-分位数图
3.2 箱线图
3.3 散点图和相关性
3.4 分层
3.5 二元正态分布
3.6 应该避免的图
3.7 相关性分析的误解（高阶）
3.8 习题
3.9 稳健性总结
3.10 Wilcoxon秩和检验
3.11 习题
4 矩阵代数
4.1 启发性的实例
4.2 习题
4.3 矩阵符号
4.4 方程组求解
4.5 向量、矩阵和常量
4.6 习题
4.7 矩阵运算
4.8 习题
4.9 具体实例
4.10 习题
5 线性模型
5.1 习题
5.2 设计矩阵
5.3 习题
5.4 函数lm（）背后的数学运算
5.5 习题
5.6 标准误
5.7 习题
5.8 相互作用和对比
5.9 相互作用的线性模型
5.10 方差分析
5.11 习题
5.12 共线性
5.13 秩
5.14 去除混淆
5.15 习题
5.16 QR因式分解（高阶）
5.17 扩展
6 高维数据推断
6.1 引言
6.2 习题
6.3 统计推断应用
6.4 习题
6.5 流程
6.6 错误率
6.7 Bonferroni校正
6.8 错误发现率
6.9 计算FDR和q值的直接方法（高阶）
6.10 习题
6.11 探索性数据分析基础
6.12 习题
7 统计模型
7.1 二项式分布
7.2 泊松分布
7.3 最大似然估计
7.4 连续正值的分布
7.5 习题
7.6 贝叶斯统计
7.7 习题
7.8 分层模型
7.9 习题
8 距离和降维
8.1 引言
8.2 欧式距离
8.3 高维数据的距离
8.4 习题
8.5 降维动机
8.6 奇异值分解
8.7 习题
8.8 映射
8.9 旋转
8.10 多维尺度变换作图
8.11 习题
8.12 主成分分析
9 基础机器学习
9.1 聚类
9.2 习题
9.3 条件概率和期望
9.4 习题
9.5 平滑
9.6 直方平滑
9.7 局部加权回归
9.8 习题
9.9 分类预测
9.10 交叉验证
9.11 习题
10 批次效应
10.1 混淆
10.2 混淆：高通量实验示例
10.3 习题
10.4 使用探索式数据分析发现批次效应
10.5 基因表达数据
10.6 习题
10.7 统计方法的动机
10.8 使用线性模型校正批次效应
10.9 习题
10.10 因子分析
10.11 习题
10.12 使用因子分析对批次效应建模
10.13 习题
索引