管理中的统计学

上篇 数理统计基础 第1章 概述 1.1 引言 1.2 统计分析的理论基础 1.3 统计学在管理领域的应用 1.4 统计数据的搜集 第2章 统计量及其抽样分布 2.1 统计量 2.2 统计量分布 2.3 统计三大分布 2.4 中心极限定理和样本均值的抽样分布 2.5 样本比例的抽样分布 2.6 两总体样本均值之差的分布 2.7 两总体样本比例之差的分布 2.8 样本方差的分布 第3章 参数估计和假设检验 3.1 参数估计的基本原理 3.2 单一总体参数的区间估计 3.3 两个总体参数的区间估计 3.4 假设检验的基本问题 3.5 一个总体参数的检验 3.6 两个总体参数的检验 中篇 核心统计模型 第4章 回归分析 4.1 变量间关系的度量 4.2 一元线性回归 4.3 残差分析 4.4 多元线性回归模型 4.5 多元回归方程的拟合优度 4.6 显著性检验 4.7 多重共线性 第5章 方差分析 5.1 方差分析引论 5.2 单因素方差分析 5.3 无交互作用的双因素方差分析 5.4 有交互作用的双因素方差分析 第6章 广义线性模型 6.1 广义线性模型的基本理论和方法 6.2 Logistic回归的方法及步骤 第7章 主成分和因子分析 7.1 主成分分析的基本原理 7.2 总体主成分及其性质 7.3 因子分析的基本原理 7.4 因子分析的求解 7.5 因子分析的示例 第8章 聚类分析 8.1 聚类分析的基本原理 8.2 系统聚类法 8.3 K-均值聚类 第9章 判别分析 9.1 判别分析的基本原理 9.2 距离判别 9.3 贝叶斯判别 9.4 费歇判别 下篇 大数据分析前沿 第10章 数据挖掘导论 10.1 数据挖掘概念 10.2 数据挖掘的过程 10.3 数据挖掘的常用方法 第11章 支持向量机 11.1 分类间隔 11.2 核函数 11.3 软间隔和松弛变量的替代损失函数 第12章 朴素贝叶斯 12.1 贝叶斯决策论 12.2 极大似然估计 12.3 朴素贝叶斯分类器 第13章 决策树 13.1 决策树的基本原理 13.2 信息增益和ID3算法 13.3 增益比例和C4.5算法 第14章 人工神经网络 14.1 人工神经网络的基本原理 14.2 神经元 14.3 单层神经网络（感知器） 14.4 两层神经网络（多层感知器） 14.5 多层神经网络（深度学习） 14.6 其他常见神经网络 参考文献