The purpose of this book is to help the climatologist understand the basic precepts of the statistician’s art and to provide some of the background needed to apply statistical methodology correctly and usefully. The book is self contained: introductory material, standard advanced techniques, and the specialized techniques used specifically by climatologists are all contained within this one source. There is a wealth of realworld examples drawn from the climate literature to demonstrate the need, power and pitfalls of statistical analysis in climate research.

An Introduction to Statistical Learning，英文原版，非扫描版，可以用电脑词典随时翻译。 Gareth James Daniela Witten Trevor Hastie Robert Tibshirani

Fundamentals of Statistical Signal Processing

Ma 等。 - 2018 - Data-Driven State-Increment Statistical Model and 1

经典教材Aspects of multivariate statistical theory工程技术人员必备工具书。

综合数据挖掘开源平台，性能非常好，功能包括：Classification: Support Vector Machines, Decision Trees, AdaBoost, Gradient Boosting, Random Forest, Logistic Regression, Neural Networks, RBF Networks, Maximum Entropy Classifier, KNN, Naïve Bayesian, Fisher/Linear/Quadratic/Regularized Discriminant Analysis. Regression: Support Vector Regression, Gaussian Process, Regression Trees, Gradient Boosting, Random Forest, RBF Networks, OLS, LASSO, ElasticNet, Ridge Regression. Feature Selection: Genetic Algorithm based Feature

多重分形的matlab代码 “量化分析”是基于统计分析方法，对收集的样本数据做定量化的分析，并形成有关结论。量化分析需要操作者至少具备概率论、统计学、线性代数等数理知识。很多量化工具本身已经提供了封装好的算法功能，使得分析人员能够把精力更多聚焦在对数据的量化分析本身，而非过度分心于代码逻辑上的实现。 说到量化工具，比较流行的有 IBM 的 SPSS、MathWorks的 Matlab、Python 和 R。为了兼顾学习成本和流行程度，本系列使用Python语言，基于IPython Notebooks环境进行量化数据分析与统计验证。但其实选择什么工具并不是最重要的，关键是理解背后的实现思想，所谓“道”和“术”不外乎如是，擅长其他工具的各位可以自行转化代码，相信并不是难事。 最后，本系列所有内容供免费浏览，部分翻译自国外量化网站的免费教程，部分来自于笔者的学习心得，经过系统性梳理汇总而成，希望能够起到抛砖引玉的作用，提供一个由浅入深的量化分析快速入门指引。

多对象单细胞反卷积（MuSiC） MuSiC是一种反卷积方法，它利用跨学科的scRNA-seq来估计大量RNA-seq数据中的细胞类型比例。 如何引用MuSiC 请引用以下出版物： 具有多对象单细胞表达参考的大体积组织细胞类型反卷积X.Wang，J.Park，K.Susztak，NRNR Zhang，M.Li 自然通讯。 2019年1月22日 安装 # install devtools if necessary install.packages( ' devtools ' ) # install the MuSiC package devtools :: install_github( ' xuranw/MuSiC ' ) # load library( MuSiC ) 更多信息 请参阅。

arma matlab代码抽象的 该分析的目的是获得一个基于统计探索股票价格低效性的alpha。 该策略涉及将每个行业的股票价格分解为解释最大方差的主要成分，然后对这些成分的股票价格进行回归以获得股票对它们的依赖。 接下来，使用GARCH模型对组件进行预测，因此也可以基于回归结果获得股票的预测演变。 基于这些预测，我将创建一个多空的中立套利策略，以期获得高风险的调整后收益。 create_data.m用于从Yahoo Finance中提取报价器列表的数据，并将该信息解析为matlab中的相关对象。 它使用hist_stock_data.m和hist_stock_data_brief.m连接到yahoo并提取该信息。 alpha_statistical_ind.m是使用数据创建策略的主要代码。 该策略的参数在顶部列出，然后是算法。 pca_reg_pred.m是该策略的核心。 在每个重新平衡的瞬间，都要考虑股票价格，对它们进行PCA分解，以找出解释差异的最重要的因素。 然后，对这些组件的股价进行回归，并使用ARMA / GARCH对这些组件进行建模。 在对这些成分进行推断之后，它将获得近

matlab代码求含参量矩阵特征值统计压缩感知 基于贝叶斯统计实现压缩感知。 给定的 地图估计 我们找到给定y 、 Φ和Σ的x的最大后验 (MAP) 估计。 首先，我们使用贝叶斯定理 取导数找到 MAP 估计的封闭形式 使用 Woodbury 矩阵 Identity 优化逆计算 MAP估计的最终封闭形式 生成协方差矩阵 (Σ) 假设：协方差矩阵的第i个特征值的形式为：对于所有i s， i - α 。 选择一个大小为n x n的随机正交矩阵U。 定义大小为n x n的对角矩阵D ，其中对角线项为i - α 。 协方差矩阵， Σ定义为UDU' 。 实验 我们试验了两个α值：0、3。 对于每个α ，我们生成nexp n维向量 ( x s )。 我们选择一组m 。 对于每个m ，我们生成一个大小为m x n的随机传感矩阵Φ ，其条目来自 iid Gaussian ，均值为 0，方差为 1/ m 。 我们使用它来生成测量信号y ( Φx )。 我们添加 σ 为测量信号平均值的 0.01 倍的高斯噪声。 我们使用上面推导出的 MAP 估计公式重建x并计算相对均方根误差（Relative RMSE）