吴喜之，北京大学数学力学系本科，美国北卡罗来纳大学统计博士。中国人民大学统计学院教授，博士生导师。曾在美国加利福尼亚大学、北卡罗来纳大学以及南开大学、北京大学等多所著名学府执教。

本书包括的内容有： 经典线性回归、⼴义线性模型、混合效应模型 (分层模型)、机器学习回归⽅法 (决策树、bagging、随机森林、各种 boosting ⽅法、⼈⼯神经⽹络、⽀持向量机、k 最近邻⽅法)、⽣存分析及 Cox 模型、经典判别分析与 logistic 回归分类、机器学习分类⽅法 (决策树、bagging、随机森林、adaboost、⼈⼯神经⽹络、⽀持向量机、k 最近邻⽅法).其中， 混合效应模型、⽣存分析及 Cox 模型的内容可根据需要选⽤， 所有其他的内容都应该在教学中涉及， 可以简化甚⾄忽略的内容为⼀些数学推导和某些不那么优秀的模型， 不可以忽略的是各种⽅法的直观意义及理念.
本书的宗旨就是既要介绍传统的回归和分类⽅法， 又要引⼊⼤量更加有效的机器学习⽅法， 并且通过实际例⼦， 运⽤ R 和 Python 两种软件来让读者理解各种⽅法的意义和实践，能够⾃主做数据分析并得到结论。

本书不像很多教科书那样只讲80年之前的以数学假定和推导为主的内容, ⽽要强调最近20年最新和最有效的统计⽅法. 本书所有的分析都通过免费的⾃由软件R2及Python 软件来实现. 读者可以毫不困难地重复本书所有的计算. R ⽹站拥有世界各地统计学家贡献的⼤量最新程序包(package),这些程序包以飞快的速度增加和更新, 已从2009年底的不到1000个增加到2019年底的15000多个. 它们代表了统计学家创造的针对各个统计⽅向及不同应⽤领域的崭新统计⽅法. 这些程序包的代码⼤多是公开的.

第1章 引言
1．1 作为科学的统计
1．2 传统参数模型和机器学习算法模型
1．3 数理统计中显著性检验及置信区间本质的启示
第2章 经典线性回归
2．1 模型形式
2．2 用最小二乘法估计线性模型
2．3 回归系数的大小没有可解释性
2．4 关于线性回归系数的性质和推断*
2．5 通过一个“教科书数据”来理解简单最小二乘回归
2．6 一个“非教科书数据”例子
2．7 处理线性回归多重共线性的经典方法*
2．8 损失函数及分位数回归简介
2．9 本章Python 运行代码
2．10 习题
第3章 广义线性模型
3．1 模型
3．2 指数分布族及典则连接函数
3．3 似然函数和准似然函数
3．4 广义线性模型的一些推断问题
3．5 logistic 回归和二元分类问题
3．6 Poisson 对数线性模型及频数数据的预测
3．7 本章Python 运行代码
3．8 习题
第4章 机器学习回归方法
4．1 引言
4．2 作为基本模型的决策树(回归树)
4．3 组合方法的思想
4．4 bagging 回归
4．5 随机森林回归
4．6 mboost 回归
4．7 人工神经网络回归
4．8 支持向量机回归
4．9 k 最近邻回归
4．10 本章Python 运行代码
4．11 习题
第5章 经典分类： 判别分析
5．1 线性判别分析
5．2 Fisher 判别分析
5．3 混合线性判别分析
5．4 各种方法拟合卫星图像数据(例5．1) 的比较
5．5 本章Python 运行代码
5．6 习题
第6章 机器学习分类方法
6．1 作为基本模型的决策树(分类树)
6．2 bagging 分类
6．3 随机森林分类
6．4 AdaBoost 分类
6．5 人工神经网络分类
6．6 支持向量机分类
6．7 k 最近邻方法分类
6．8 朴素贝叶斯分类
6．9 对慢性肾病数据(例6．1) 做各种方法分类的交叉验证
6．10 案例分析： 蘑菇可食性数据
6．11 案例分析： 手写数字笔迹识别
6．12 本章Python 运行代码
6．13 第5章和第6章习题
第7章 混合效应模型*
7．1 概念
7．2 通过一个数值例子解释线性混合模型
7．3 线性混合模型的一般形式
7．4 广义线性混合模型
7．5 决策树关联的混合模型
7．6 对数学分数数据(例7．2) 做REEM、GLMM、lmer 及其他模型预测精度的交叉验证比较
7．7 Python关于数学分数数据(例7．2)的混合效应随机森林及交叉验证比较
7．8 习题
第8章 生存分析及Cox 模型*
8．1 基本概念
8．2 生存函数的Kaplan-Meier 估计
8．3 累积危险函数
8．4 估计和检验*
8．5 Cox 比例危险模型
8．6 本章Python 运行代码
8．7 习题
第9章 基本软件： R和Python
9．1 R 简介——为领悟而运行
9．2 Python 简介——为领悟而运行
9．3 习题
参考文献