All of Statistics: A Concise Course in Statistical Inference

این کتاب برای افرادی است که می خواهند آمار و احتمالات را به سرعت یاد بگیرند. بسیاری از ایده های اصلی در آمار مدرن را در یک مکان گرد هم می آورد. این کتاب برای دانشجویان و محققین در زمینه آمار، علوم کامپیوتر، داده کاوی و یادگیری ماشین مناسب است.

این کتاب نسبت به یک متن مقدماتی معمولی در ریاضیات، طیف وسیع تری از موضوعات را پوشش می دهد. آمار. این شامل موضوعات مدرن مانند تخمین منحنی ناپارامتری، راه‌اندازی و طبقه‌بندی است، موضوعاتی که معمولاً به دوره‌های بعدی منتقل می‌شوند. فرض بر این است که خواننده حساب دیفرانسیل و انتگرال و کمی جبر خطی را می داند. هیچ دانش قبلی از احتمال و آمار مورد نیاز نیست. این متن را می توان در سطح پیشرفته کارشناسی و کارشناسی ارشد استفاده کرد.

لاری واسرمن، استاد آمار در دانشگاه کارنگی ملون است. او همچنین عضو مرکز یادگیری و کشف خودکار در دانشکده علوم کامپیوتر است. زمینه های تحقیقاتی او شامل استنتاج ناپارامتریک، نظریه مجانبی، علیت و کاربرد در اخترفیزیک، بیوانفورماتیک و ژنتیک است. او در سال 1999 برنده جایزه رئیس جمهور کمیته روسای انجمن های آماری و برنده جایزه مرکز تحقیقات ریاضیات مونترال-جامعه آماری کانادا در سال 2002 است. او دستیار سردبیر مجله انجمن آماری آمریکا و سالنامه آمار است. او عضو انجمن آمار آمریکا و موسسه آمار ریاضی است.

This book is for people who want to learn probability and statistics quickly. It brings together many of the main ideas in modern statistics in one place. The book is suitable for students and researchers in statistics, computer science, data mining and machine learning.

This book covers a much wider range of topics than a typical introductory text on mathematical statistics. It includes modern topics like nonparametric curve estimation, bootstrapping and classification, topics that are usually relegated to follow-up courses. The reader is assumed to know calculus and a little linear algebra. No previous knowledge of probability and statistics is required. The text can be used at the advanced undergraduate and graduate level.

Larry Wasserman is Professor of Statistics at Carnegie Mellon University. He is also a member of the Center for Automated Learning and Discovery in the School of Computer Science. His research areas include nonparametric inference, asymptotic theory, causality, and applications to astrophysics, bioinformatics, and genetics. He is the 1999 winner of the Committee of Presidents of Statistical Societies Presidents' Award and the 2002 winner of the Centre de recherches mathematiques de Montreal–Statistical Society of Canada Prize in Statistics. He is Associate Editor of The Journal of the American Statistical Association and The Annals of Statistics. He is a fellow of the American Statistical Association and of the Institute of Mathematical Statistics.