Recent years have witnessed an explosion in the volume and variety of data collected in all scientific disciplines and industrial settings. Such massive data sets present a number of challenges to researchers in statistics and machine learning. This book provides a self-contained introduction to the area of high-dimensional statistics, aimed at the first-year graduate level. It includes chapters that are focused on core methodology and theory - including tail bounds, concentration inequalities, uniform laws and empirical process, and random matrices - as well as chapters devoted to in-depth exploration of particular model classes - including sparse linear models, matrix models with rank constraints, graphical models, and various types of non-parametric models. With hundreds of worked examples and exercises, this text is intended both for courses and for self-study by graduate students and researchers in statistics, machine learning, and related fields who must understand, apply, and adapt modern statistical methods suited to large-scale data. Read more... Abstract: Recent years have witnessed an explosion in the volume and variety of data collected in all scientific disciplines and industrial settings. Such massive data sets present a number of challenges to researchers in statistics and machine learning. This book provides a self-contained introduction to the area of high-dimensional statistics, aimed at the first-year graduate level. It includes chapters that are focused on core methodology and theory - including tail bounds, concentration inequalities, uniform laws and empirical process, and random matrices - as well as chapters devoted to in-depth exploration of particular model classes - including sparse linear models, matrix models with rank constraints, graphical models, and various types of non-parametric models. With hundreds of worked examples and exercises, this text is intended both for courses and for self-study by graduate students and researchers in statistics, machine learning, and related fields who must understand, apply, and adapt modern statistical methods suited to large-scale data

nexusstc/High-Dimensional Statistics: A Non-Asymptotic Viewpoint/2d588ea127c44c06f6feaa250e905d4b.pdf

lgli/High-Dimensional Statistics A Non-Asymptotic Viewpoint.pdf

lgrsnf/High-Dimensional Statistics A Non-Asymptotic Viewpoint.pdf

zlib/Mathematics/Probability/Martin J. Wainwright/High-Dimensional Statistics A Non-Asymptotic Viewpoint_3709600.pdf

大手笔是怎样炼成的(套装共4册)

Wainwright, Martin J.

ngooch

谢亦森

Cambridge Library Collection

长江文艺出版社

Cambridge series on statistical and probabilistic mathematics, Cambridge United Kingdom ; New York NY, 2019

Cambridge series on statistical and probabilistic mathematics, 48, Cambridge [etc, 2019

Cambridge series in statistical and probabilistic mathematics, 48, Cambridge, 2019

United Kingdom and Ireland, United Kingdom

1, 2019-04-11

1, PS, 2019

0

lg2341353

producers:
Acrobat Distiller 11.0 (Macintosh)

{"isbns":["1108498027","1108627773","9781108498029","9781108627771"],"last_page":571,"publisher":"Cambridge University Press","series":"Cambridge series on statistical and probabilistic mathematics 48"}

Referenced by: doi:10.1198/016214506000000735 doi:10.1214/07-aos584 doi:10.1214/12-sts399 doi:10.1214/09-aos729 doi:10.1007/bfb0092599 doi:10.1214/aos/1017939142 doi:10.1214/12-aos1041 doi:10.1017/cbo9780511813658 doi:10.2307/1970008 doi:10.1017/cbo9780511810817 doi:10.1214/aop/1022677553 doi:10.1214/aop/1042644705 doi:10.1214/ss/1177013604 doi:10.1214/07-aos559 doi:10.1214/aop/1176995615 doi:10.1109/tit.2011.2110791 doi:10.1002/j.1538-7305.1962.tb02419.x doi:10.1109/tit.2011.2104999 doi:10.1016/0022-247x(71)90184-3 doi:10.1214/aop/1176995607 doi:10.1109/tassp.1984.1164317 doi:10.1109/tit.2014.2375328 doi:10.1007/b97848 doi:10.1007/bf02249263 doi:10.1007/bf00960067 doi:10.1137/0149053 doi:10.1109/tit.2011.2144150 doi:10.1109/tpami.1984.4767596 doi:10.1214/aop/1176994775 doi:10.1007/978-3-662-02888-9 doi:10.1109/tit.2010.2040894 doi:10.1109/tit.2009.2032726 doi:10.1109/tit.2003.811926 doi:10.1214/13-aos1198 doi:10.1111/rssb.12016 doi:10.1109/tit.2011.2158486 doi:10.1109/tit.2002.801410 doi:10.1073/pnas.1307842110 doi:10.1007/978-1-0716-1244-6 doi:10.1214/aoms/1177728174 doi:10.1090/conm/026/737400 doi:10.1017/cbo9780511665622 doi:10.1017/cbo9780511840371 doi:10.1214/09-aos691 doi:10.1007/978-3-662-02796-7 doi:10.1561/2200000015 doi:10.1090/s0894-0347-08-00600-0 doi:10.1214/aop/1176996815 doi:10.1007/978-0-387-93839-4 doi:10.1214/009053606000001019 doi:10.1007/s10463-006-0099-8 doi:10.1561/1900000004 doi:10.1214/aos/1176347736 doi:10.1017/cbo9780511779398 doi:10.1214/aoms/1177693335 doi:10.1007/978-0-387-78189-1 doi:10.1214/aos/1176324452 doi:10.1214/10-aos793 doi:10.1090/s0002-9947-1963-0155161-0 doi:10.1920/wp.cem.2013.7113 doi:10.1080/03610920600974765 doi:10.1214/aos/1176350488 doi:10.1214/08-aos609 doi:10.1007/bf01011161 doi:10.1007/bf00532480 doi:10.1007/bfb0107210 doi:10.1214/aop/1024404424 doi:10.1073/pnas.1307845110 doi:10.2307/2334515 doi:10.1214/aoms/1177728420 doi:10.1109/tit.2012.2191659 doi:10.1007/978-1-4419-9096-9 doi:10.1214/aos/1176345782 doi:10.1214/aos/1176345969 doi:10.1109/18.985947 doi:10.1145/2666468 doi:10.1198/016214506000001437 doi:10.1093/acprof:oso/9780199535255.001.0001 doi:10.1137/090761793 doi:10.1080/01621459.1981.10477729 doi:10.1002/0471200611 doi:10.1214/08-aos620 doi:10.1016/0047-259x(75)90042-1 doi:10.1109/jproc.2009.2035722 doi:10.1561/0400000060 doi:10.1214/aos/1009210681 doi:10.1007/978-1-4899-3324-9 doi:10.1023/a:1011419012209 doi:10.1109/78.277854 doi:10.1214/ecp.v18-2865 doi:10.1007/978-3-0348-8069-5_14 doi:10.1145/2746539.2746631 doi:10.1007/978-3-642-17146-8 doi:10.1007/3-540-45435-7_3 doi:10.1093/biomet/asr043 doi:10.1214/11-aos894 doi:10.1016/0022-1236(67)90017-1 doi:10.1016/0001-8708(73)90011-x doi:10.1080/01621459.1963.10500830 doi:10.1214/12-aos1000 doi:10.1214/aoms/1177729330 doi:10.1002/cpa.20131 doi:10.1214/11-aos876 doi:10.1093/biostatistics/kxm045 doi:10.1198/jasa.2011.tm10155 doi:10.3150/bj/1089206408 doi:10.1214/aos/1176350710 doi:10.1090/s0894-0347-09-00650-x doi:10.1007/b13794 doi:10.1090/s0273-0979-02-00941-2 doi:10.1007/978-1-4614-4869-3 doi:10.1111/j.1467-9868.2010.00753.x doi:10.1214/10-aos853 doi:10.1002/cpa.20132 doi:10.1214/08-ejs176 doi:10.1080/01621459.1962.10482149 doi:10.1137/050645506 doi:10.1007/bf02699376 doi:10.1090/s0894-0347-08-00610-3 doi:10.1002/9780470316849 doi:10.1214/aoms/1177705674 doi:10.1112/blms/5.1.81 doi:10.1214/009053606000001523 doi:10.1214/aos/1176349020 doi:10.1214/aos/1176342503 doi:10.1016/s0047-259x(02)00021-0 doi:10.1214/08-aos664 doi:10.2748/tmj/1178243286 doi:10.1111/1467-9868.00192 doi:10.1198/016214501753382273 doi:10.1214/009053607000000758 doi:10.1098/rspa.1935.0122 doi:10.1145/1970392.1970395 doi:10.1214/12-aos1009 doi:10.1214/12-aos1014 doi:10.1137/100796029 doi:10.1214/aos/1176347115 doi:10.1137/0907087 doi:10.1007/978-1-4419-0661-8 doi:10.1145/2699439 doi:10.1214/aop/1055425791 doi:10.1109/tit.2005.844101 doi:10.1080/10556789808805690 doi:10.1109/icassp.2004.1326312 doi:10.1006/jfan.1998.3326 doi:10.1007/pl00001645 doi:10.1109/18.959265 doi:10.1214/08-aos600 doi:10.1007/s00039-015-0332-9 doi:10.1016/0022-1236(76)90004-5 doi:10.1137/1123095 doi:10.1137/s1064827596304010 doi:10.1007/bf01394273 doi:10.1016/j.jmva.2005.08.003 doi:10.1137/0801013 doi:10.1137/1.9780898719468 doi:10.1214/11-aos949 doi:10.1190/1.1441261 doi:10.1090/mmono/188 doi:10.1214/07-ejs008 doi:10.1080/00401706.1970.10488634 doi:10.1214/aos/1176349548 doi:10.1007/s002220050108 doi:10.1364/josaa.3.001897 doi:10.1214/aos/1176343640 doi:10.1007/bf02772698 doi:10.1214/009053605000000282 doi:10.1214/09-aos752 doi:10.1016/s0021-9800(66)80059-5 doi:10.1093/bioinformatics/btl242 doi:10.1007/bf02759761 doi:10.1111/j.1467-9868.2005.00490.x doi:10.1002/cpa.21432 doi:10.1007/bf01896377 doi:10.1109/tit.2012.2235172 doi:10.1214/ejp.v13-521 doi:10.1109/isit.2008.4595378 doi:10.1088/0266-5611/27/1/015005 doi:10.1198/1061860032148 doi:10.1214/13-aos1162 doi:10.1214/ecp.v1-979 doi:10.1007/s00440-006-0029-y doi:10.1109/18.930926 doi:10.5802/afst.961 doi:10.1080/01621459.1954.10483523 doi:10.1214/15-aos1324 doi:10.1007/bf02980577 doi:10.1214/ecp.v17-1869 doi:10.1214/09-aos778 doi:10.1007/s10208-009-9045-5 doi:10.1090/s0002-9904-1966-11586-0 doi:10.1007/bf01199026 doi:10.1007/978-1-4899-4477-1 doi:10.1214/aos/1176349519 doi:10.1016/0304-4076(93)90114-k doi:10.1145/1553374.1553431 doi:10.1214/aos/1009210544 doi:10.1017/cbo9780511804441 doi:10.1109/tit.2015.2450722 doi:10.3150/bj/1106314846 doi:10.1198/jasa.2009.0121 doi:10.1214/aop/1039639365 doi:10.1214/07-aop384 doi:10.1016/0885-064x(91)90002-f doi:10.21236/ada555817 doi:10.1214/aos/1015951994 doi:10.1109/tit.2010.2046205 doi:10.1006/jfan.1998.3384 doi:10.1214/009053607000000802 doi:10.1214/009117905000000044 doi:10.1214/16-aos1530 doi:10.1109/tit.2005.858979 doi:10.1214/10-aos825 doi:10.1006/jath.2000.3554 doi:10.1214/aoms/1177729694 doi:10.1214/17-ejs1233 doi:10.1287/moor.28.3.470.16391 doi:10.1051/ps:1997103 doi:10.1093/biomet/asm018 doi:10.1090/s0002-9947-1950-0051437-7 doi:10.1214/aos/1176349744 doi:10.1007/978-3-642-20212-4 doi:10.1214/aos/1193342380 doi:10.1214/12-aos1037 doi:10.1214/12-aos1018 doi:10.1214/11-aos896 doi:10.1214/13-aos1097 doi:10.1007/bf00967858 doi:10.1214/13-aop892 doi:10.1007/978-94-015-9468-4 doi:10.1214/aop/1019160125 doi:10.1214/009117904000000702 doi:10.1214/aop/1176990746 doi:10.1007/978-94-011-3530-6 doi:10.1007/978-3-642-20192-9 doi:10.2307/2987782 doi:10.1214/09-aos692 doi:10.1016/j.spl.2007.09.014 doi:10.1214/aoms/1177728069 doi:10.1214/009053606000000281 doi:10.1155/2013/715683 doi:10.1007/s00039-010-0084-5 doi:10.1190/1.1441413 doi:10.1007/s00039-007-0618-7 doi:10.1007/978-1-4612-0537-1 doi:10.2307/1428011 doi:10.1214/10-aos850 doi:10.1016/0021-9045(84)90021-2 doi:10.1109/tit.2011.2165799 doi:10.1214/12-sts400 doi:10.1006/jmva.1995.1083 doi:10.1214/09-aos776 doi:10.1214/ecp.v15-1544 doi:10.1109/tit.2009.2016018 doi:10.1007/bf01035768 doi:10.1007/bf02771562 doi:10.1093/biomet/64.3.616 doi:10.1214/09-ejs506 doi:10.1007/978-3-642-69894-1 doi:10.1017/cbo9780511662454 doi:10.1007/978-1-4612-5254-2 doi:10.1214/aos/1176346793 doi:10.1214/aop/1176995384 doi:10.1364/josaa.10.001046 doi:10.1111/j.1467-9868.2009.00718.x doi:10.1109/tit.2013.2243201 doi:10.1002/j.1538-7305.1948.tb01338.x doi:10.1007/bf00318708 doi:10.1137/070697835 doi:10.1007/978-1-4757-2853-8 doi:10.1109/tit.2010.2046199 doi:10.1214/12-aos985 doi:10.1017/cbo9780511791338 doi:10.1515/9781400873173 doi:10.1214/10-aos860 doi:10.1145/2559902 doi:10.1002/9781118165621 doi:10.1214/10-aos852 doi:10.1109/jrproc.1949.232969 doi:10.1364/ao.21.002758 doi:10.1214/12-aop760 doi:10.1137/0708073 doi:10.1109/tit.2009.2034796 doi:10.1214/09-aos720 doi:10.1109/tit.2005.864420 doi:10.1198/004017005000000139 doi:10.1111/sjos.12032 doi:10.1007/978-1-4757-2545-2 doi:10.1109/tit.2009.2032816 doi:10.1111/j.1467-9868.2005.00503.x doi:10.1007/s10208-012-9135-7 doi:10.2307/2373688 doi:10.1007/s10107-013-0738-9 doi:10.1214/11-ejs631 doi:10.1007/bf00282438 doi:10.1214/aos/1176345872 doi:10.2307/1970079

Cover......Page 1
Frontmatter......Page 2
List of chapters......Page 8
Contents......Page 10
Illustrations......Page 16
Acknowledgements......Page 18
1- introduction......Page 20
2 - Basic tail and concentration bounds......Page 40
3 - Concentration of measure......Page 77
4 - Uniform laws of large numbers......Page 117
5 - Metric entropy and its uses......Page 140
6 - Random matrices and covariance estimation......Page 178
7 - Sparse linear models in high dimensions......Page 213
8 - Principal component analysis in high dimensions......Page 255
9 - Decomposability and restricted strong convexity......Page 278
10 - Matrix estimation with rank constraints......Page 331
11 - Graphical models for high-dimensional data......Page 366
12 - Reproducing kernel Hilbert spaces......Page 402
13 - Nonparametric least squares......Page 435
14 - Localization and uniform laws......Page 472
15 - Minimax lower bounds......Page 504
Subject index......Page 559
reference......Page 543
Author index......Page 567

Recent years have seen an explosion in the volume and variety of data collected in scientific disciplines from astronomy to genetics and industrial settings ranging from Amazon to Uber. This graduate text equips readers in statistics, machine learning, and related fields to understand, apply, and adapt modern methods suited to large-scale data.

2019-03-11