概率论是数学学科里很基础、很年轻、应用很广泛的一门学科，它不仅和我们日常生活息息相关，更是当今大火的大数据和人工智能技术的基础。不学概率论，就没法看懂前沿科技，没法理解现实世界，更没法预知和抓住未来。

作者通过生活中的案例，从通识的视角，带读者学习正态分布、幂律分布、大数定律、贝叶斯计算、方差和期望，让这些内容不再是高深莫测的数学概念，而是你能运用于自己决策的数学工具。

只要会四则运算，你就能够通过这本书学会概率论的相关概念，培养概率论思维，并将其应用于日常生活中，提升决策能力。

如果这个世界是确定的，保险业都得统统倒闭！它们玩转的就是人们的“不确定心理”。

高定价、高利润、高销量，三者的平衡点究竟怎么计算？

网上的商家好评度很高，但也许意味着它的满意度很易趣的拍卖规则意味着它比亚马逊少赚3％？

如何约束零售商的售价，这一直是生产商头疼的问题，现在就解决掉吧！

股票交易可以预测奥斯卡奖、恐怖袭击和产品销量？

这是一本每一个经营企业、打理生意、消费购买的人都不该错过的书！这个世界并不像传统经济学宣称的那么理性、那么确定、那么好赚钱！有人甚至用500个布丁就换取了一张国际机票！本书以大量生动、有趣、实用的商业经济行为案例和实验，教你如何善用不确定性、公平性、互惠性、非理性、信任、博弈、预测……除了好玩好看，本书最大的好处是教你有钱可赚！

数据时代已经到来，但数据分析、数据挖掘人才却十分短缺。由于“大数据”对每个领域的决定性影响，　相对于经验和直觉，在商业、经济及其他领域中基于数据和分析去发现问题并作出科学、客观的决策越来越重要。开源软件R是世界上最流行的数据分析、统计计算及制图语言，几乎能够完成任何数据处理任务，可安装并运行于所有主流平台，为我们提供了成千上万的专业模块和实用工具，是从大数据中获取有用信息的绝佳工具。　　本书从解决实际问题入手，尽量跳脱统计学的理论阐述来讨论R语言及其应用，讲解清晰透澈，极具实用性。作者不仅高度概括了R语言的强大功能、展示了各种实用的统计示例，而且对于难以用传统方法分析的凌乱、不完整和非正态的数据也给出了完备的处理方法。通读本书，你将全面掌握使用R语言进行数据分析、数据挖掘的技巧，并领略大量探索和展示数据的图形功能，从而更加高效地进行分析与沟通。想要成为倍受高科技企业追捧的、炙手可热的数据分析师吗？想要科学分析数据并正确决策吗？不妨从本书开始，挑战大数据，用R开始炫酷的数据统计与分析吧！　　本书内容：　　R安装与操作 数据导入/导出及格式化双变量关系的描述性分析回归分析 模型适用性的评价方法以及结果的可视化 用图形实现变量关系的可视化 在给定置信度的前提下确定样本量 高级统计分析方法和高级绘图

《复杂数据统计方法——基于r的应用》用自由的日软件分析30多个可以从国外网站下载的真实数据，包括横截面数据、纵向数据和时间序列数据，通过这些数据介绍了几乎所有经典方法及最新的机器学习方法。 《复杂数据统计方法——基于r的应用》特点：(1)以数据为导向；(2)介绍最新的方法(附有传统方法回顾)；(3)提供r软件入门及全部例子计算的日代码及数据的网址；(4)各章独立。 《复杂数据统计方法——基于r的应用》的读者对象包括统计学、应用统计学、经济学、数学、应用数学、精算、环境、计量经济学、生物医学等专业的本科、硕士及博士生，各领域的教师和实际工作者。

《欧姆社学习漫画:漫画统计学之因子分析》是世界上最简单的因子分析教科书，它通过漫画式的情景说明，让你边看故事边学知识，每读完一篇就能理解一个概念，每篇末还附有文字说明，只要跟着这些简单的习题进行操练，你将能在最短的时间内成为因子分析达人！ 有趣的故事情节、时尚的漫画人物造型、细致的内容讲解定能给你留下深刻的印象，让你看过忘不了。通过这种轻松的阅读学习，读者可以掌握因子分析的常识。《欧姆社学习漫画:漫画统计学之因子分析》也可以作为广大青少年的因子分析知识读本。

An Introduction to Statistical Learning provides an accessible overview of the field of statistical learning, an essential toolset for making sense of the vast and complex data sets that have emerged in fields ranging from biology to finance to marketing to astrophysics in the past twenty years. This book presents some of the most important modeling and prediction techniques, along with relevant applications. Topics include linear regression, classification, resampling methods, shrinkage approaches, tree-based methods, support vector machines, clustering, and more. Color graphics and real-world examples are used to illustrate the methods presented. Since the goal of this textbook is to facilitate the use of these statistical learning techniques by practitioners in science, industry, and other fields, each chapter contains a tutorial on implementing the analyses and methods presented in R, an extremely popular open source statistical software platform. Two of the authors co-wrote The Elements of Statistical Learning (Hastie, Tibshirani and Friedman, 2nd edition 2009), a popular reference book for statistics and machine learning researchers. An Introduction to Statistical Learning covers many of the same topics, but at a level accessible to a much broader audience. This book is targeted at statisticians and non-statisticians alike who wish to use cutting-edge statistical learning techniques to analyze their data. The text assumes only a previous course in linear regression and no knowledge of matrix algebra.