《统计建模与推理简介（Introduction to Statistical Modelling and Inference）》

大规模数据集（“大数据”）的复杂性刺激了用于分析它们的高级计算方法的发展。 有两种不同的方法可以帮助做到这一点。 基于模型的方法使用概率模型和似然以及贝叶斯理论，而无模型方法不需要概率模型、似然或贝叶斯理论。 这两种方法基于概率论的不同哲学原理，由著名的统计学家罗纳德·费舍尔和杰日·内曼所拥护。
统计建模和推理简介涵盖简单的实验和调查设计，以及概率模型直至并包括广义线性（回归）模型和这些模型的一些扩展，包括有限混合。 本书还讨论和分析了来自不同应用领域的大量示例。 除了广义线性模型的最大似然分析所需的软件外，没有使用特殊软件。 学生应具备代数、坐标几何和微积分方面的基本数学背景。
本书的特征：
• 概率模型是根据样本经验累积分布函数(cdf) 的形状或它的变换而开发的。
• 人口累积分布函数值的界限是从经验累积分布函数每个点的 Beta 分布获得的。
• 贝叶斯定理是根据罕见情况筛选测试的特性发展而来的。
• 多项式分布为任何随机抽样数据提供了一个永远正确的模型。
• 用于寻找样本估计精度的无模型自举方法有一个基于模型的并行方法——贝叶斯自举——基于始终真实的多项式分布。
• 模型参数的贝叶斯后验分布可以从模型的最大似然分析中得到。
本书面向包括数据科学在内的广泛学科的学生。 该书基于被许多领域的科学家广泛使用的基于模型的理论，并将其与计算机科学、机器学习和官方调查分析中流行的无模型理论进行了较不详细的比较。 贝叶斯分析的最新发展加速了基于模型的理论的发展。