Questions tagged «references»

关于数据可视化的最佳博客是什么？ 我将此问题作为社区Wiki，因为它具有很高的主观性。请将每个答案限制为一个链接。 请注意以下标准的建议答案： 对此类问题的[A]可接受的答案...需要提供足够的描述和合理的理由。仅仅超链接不能做到这一点。... [任何]将来的答复[必须]符合... [这些]标准；否则，它们将被删除而无需进一步评论。

48 data-visualization  references 

在2015年上半年，我参加了机器学习课程（由GREAT课程的Andrew Ng 撰写）。并学习了机器学习的基础知识（线性回归，逻辑回归，SVM，神经网络...） 我也是开发人员已有10年了，因此学习一种新的编程语言将不是问题。 最近，我开始学习R以实现机器学习算法。 但是我已经意识到，如果我想继续学习，我将需要更正式的统计学知识，目前我对它不是一个正规的知识，但是由于其局限性，例如，我无法正确确定几个线性模型中的哪个会更好（通常我倾向于使用R平方，但显然这不是一个好主意）。 因此，对我来说，很明显我需要学习统计学的基础知识（我是在uni上学习的，但是却忘记了大部分），我应该在哪里学习，请注意，我实际上并不需要一门全面的课程一个月之内就可以让我了解足够的知识，这样我就可以渴望并了解更多:)。 到目前为止，我已经阅读了有关“ 无泪统计 ”的信息，还有其他建议吗？

47 r  regression  machine-learning  references 

我正在尝试加快贝叶斯统计的速度。我有一些统计背景（STAT 101），但不是太多-我想我可以理解事前，事后和可能性：D。 我现在还不想读贝叶斯教科书。我希望从能够使我快速成长的资源（首选网站）中读取内容。像这样的东西，但是有更多细节。 有什么建议吗？

47 bayesian  references 

我想知道是否仅对因变量（无论是因变量还是自变量）还是仅对自变量进行了对数转换，在解释上是否有所不同。 考虑以下情况 log(DV) = Intercept + B1*IV + Error 我可以将IV解释为百分比增长，但是当我拥有 log(DV) = Intercept + B1*log(IV) + Error 或当我有 DV = Intercept + B1*log(IV) + Error ？

46 regression  data-transformation  interpretation  regression-coefficients  logarithm  r  dataset  stata  hypothesis-testing  contingency-tables  hypothesis-testing  statistical-significance  standard-deviation  unbiased-estimator  t-distribution  r  functional-data-analysis  maximum-likelihood  bootstrap  regression  change-point  regression  sas  hypothesis-testing  bayesian  randomness  predictive-models  nonparametric  terminology  parametric  correlation  effect-size  loess  mean  pdf  quantile-function  bioinformatics  regression  terminology  r-squared  pdf  maximum  multivariate-analysis  references  data-visualization  r  pca  r  mixed-model  lme4-nlme  distributions  probability  bayesian  prior  anova  chi-squared  binomial  generalized-linear-model  anova  repeated-measures  t-test  post-hoc  clustering  variance  probability  hypothesis-testing  references  binomial  profile-likelihood  self-study  excel  data-transformation  skewness  distributions  statistical-significance  econometrics  spatial  r  regression  anova  spss  linear-model 

使用支持向量机时，有没有关于选择线性核与非线性核（例如RBF）的指南？我曾经听过，一旦特征数量很大，非线性内核往往表现不佳。关于这个问题有参考吗？

45 machine-learning  classification  svm  references  kernel-trick 

我想知道是否有一个统计模型“备忘单”列出了任何或更多信息： 何时使用模型 什么时候不使用模型 必需和可选输入 预期产出 该模型是否已在不同领域（政策，生物，工程，制造等）进行过测试？ 在实践或研究中被接受吗？ 预期变化/准确性/精度 注意事项 可扩展性 不推荐使用的模型，避免或不使用 等.. 我以前在各种网站上都看到过层次结构，在各种教科书中也看到了一些简单的模型备忘单。但是，如果有一个更大的模型可以包含基于不同类型的分析和理论的各种类型的模型，那就太好了。

44 references  modeling 

我想学习神经网络。我是计算语言学家。我知道统计机器学习方法，并且可以使用Python进行编码。 我希望从其概念入手，并从计算语言学的角度了解一种或两种可能有用的流行模型。 我浏览了网络以供参考，并找到了一些书籍和材料。 Ripley，Brian D.（1996）模式识别与神经网络，剑桥 Bishop，CM（1995年），《神经网络用于模式识别》，牛津：牛津大学出版社。 一些链接，例如本文，这些课程笔记（多伦多大学心理学系），这些课程笔记（威斯康星大学计算机科学大学）和此幻灯片（Facebook研究）。 如果有人知道课程，Coursera课程通常很好。我更喜欢具有清晰语言和大量示例的材料。

43 neural-networks  deep-learning  references  natural-language  computer-vision 

我认识的老师在讲授入门课时，往往会发明一些数字和一个故事，以例证他们所教的方法。 我更希望用真实的数字讲一个真实的故事。但是，这些故事需要与非常小的数据集相关联，从而可以进行手动计算。 对于此类数据集的任何建议将非常受欢迎。 小型数据集的一些示例主题： 相关/回归（基本） 方差分析（1/2方式） z / t测试-一个/两个未配对的样本 比例比较-双向表

43 dataset  references  teaching 

您能推荐一些涉及数学，概率等的好电影吗？一个例子是21。我也会对涉及算法（例如文本解密）的电影感兴趣。通常，具有著名科学理论但没有科幻小说或纪录片的“怪异”电影。提前致谢！

41 probability  references 

我已经多次阅读/听说过，至少30个单位的样本大小被视为“大样本”（由于CLT等原因，均值的正态假设通常近似成立）。因此，在实验中，我通常会生成30个单位的样本。您能否给我一些使用30号样本时应引用的参考？

41 references  sample-size  normality-assumption  central-limit-theorem  rule-of-thumb 

在准备地块时，我通常会做出自己独特的选择。但是，我想知道是否有用于生成图的最佳实践。 注意：Rob对这个问题的答案的评论在这里非常相关。

40 data-visualization  references 

我了解到，随机森林树和极随机树在意义上是不同的，即随机森林中的树的分割是确定性的，而对于极随机树则它们是随机的（更准确地说，下一个分割是最佳分割在当前树的所选变量中的随机均匀拆分中）。但是我不完全理解这种不同拆分在各种情况下的影响。 他们如何比较偏差/方差？ 如果存在不相关的变量，它们如何比较？ 在存在相关变量的情况下如何比较？

38 machine-learning  correlation  references  random-forest 

周围有一堆非常不错的通俗科学书籍，涉及真正的科学，以及历史和背后的理论背后的原因，同时仍然非常有趣。例如，詹姆斯·格里克（James Gleick）的“混沌”（混沌，分形，非线性），斯蒂芬·霍金（Stephen Hawking）的“时间简史”（物理学，宇宙起源，时间，黑洞）或理查德·道金斯（Richard Dawkins）的“自私基因”（进化和自然选择）。这些书中有些提出论据（道金斯），有些则没有论据（格里克）。但是，它们都使我们这些人无需进行深入的科学教育就可以轻松理解原本困难的概念。 是否有任何此类书籍主要关注统计学或机器学习？ 请附上每本书的摘要。

37 references  communication 

我开始想提升自己的技能，而我一直对机器学习着迷。但是，六年前，我决定继续攻读计算机科学，而没有追求这一目标，而不是追求这一目标。 我从事软件和应用程序的开发已有大约8至10年的时间，因此我拥有良好的处理能力，但似乎无法理解机器学习/概率/统计的数学方面。 我开始看学习材料，在第一页上可能包含使我困惑并立即在学习中设置障碍的内容。 扎实的数学知识是掌握ML的必备条件吗？在继续学习ML之前，我应该尝试填补数学的空白吗？在没有任何计算机科学背景的情况下，自我学习真的可以只对开发人员有效吗？ 相关问题： 在《统计学习要素》之前预定阅读吗？

37 machine-learning  references  mathematical-statistics 

在进行经济学研究时，经常需要验证有关真实数据的理论结论。使用和引用哪些可靠的数据源？我主要对提供各种统计数据的来源感兴趣，例如GDP，人口，CPI，PPI等。 编辑： 这是该线程中出现的链接的集合，还有我记得的其他一些链接。 通用： - 汤森路透Datastream的（不是免费的，很全面） - 世界银行的数据 - 联合国数据 - IMF数据 - 亚洲开发银行的数据 - WTO统计 - InfoChimps这类 -各种各样的公共和私营（商业）数据源的海量资源-加上他们的API - 游离碱（现在由谷歌收购） -开放数据资源 - DBpedia中 -一种方法来使用维基百科的API - 维基百科API-或者直接联系和访问维基百科直接 - 中央情报局世界概况 - OECD统计 - Wolfram Alpha的 -知识搜索引擎 - Zanran -数字和统计搜索引擎 - 校际联盟政治和社会研究 国家： - 英国政府数据项目 - 美国政府数据项目 - 美国FRED：美联储经济数据 - 美国劳工统计局 - …

37 references