全书结构

.gitignore

@@ -6,12 +6,14 @@ masr.tex
 /.quarto/
 .DS_Store
 _book/
+_book2/
 old/
 rsconnect/
 
 *.log
 *-tikzDictionary
 *.aux
+*_files/
 
 code/poisson_log_glm
 code/bernoulli_logit_glm_normal

README.md

@@ -1,4 +1,20 @@
-# 《现代应用统计》
+# 《现代应用统计与R语言》
 
 ## Modern Applied Statistics with R
 
+本书分三大部分，分别是机器学习、贝叶斯建模和空间分析。三个部分分别依据任务类型、模型种类和数据类型展开，不同的写作出发点将呈现不一样的写作风格。
+
+-   机器学习
+
+    -   应用机器学习首先需要确定任务类型，根据不同的任务选用不同的算法。
+    -   机器学习根据任务类型分聚类、分类、回归和排序四个章节。
+
+-   贝叶斯建模
+
+    -   贝叶斯建模从简单到复杂分频率和贝叶斯方法介绍主流的统计模型。
+    -   贝叶斯建模根据模型种类分概率推理框架、简单线性模型、广义线性模型、分层正态模型、混合效应模型、广义可加模型、高斯过程回归、时间序列回归等八个章节。
+
+-   空间分析
+
+    -   应用空间分析方法需要根据空间数据类型（生成机理）而定，不同的生成机理将对应不同的建模和分析方法。
+    -   空间分析部分根据空间数据类型分点模式数据分析、点参考数据分析和区域数据分析三个章节。

index.qmd

@@ -14,7 +14,7 @@ Book in early development. Planned release in 202X.
 #| message: false
 
 xfun::session_info(packages = c(
-  "mgcv", "glmnet", "lme4", "xgboost", "keras", "tensorflow",
+  "mgcv", "glmnet", "lme4", "xgboost", "keras3", "tensorflow",
   "spaMM", "sf", "stars", "terra", "spdep", "igraph", "spatstat",
   "INLA", "cmdstanr", "rstan", "brms", "ggplot2", "patchwork",
   "knitr", "rmarkdown", "rsconnect", "magick", "pdftools"

linear-models.qmd

@@ -1,4 +1,4 @@
-# 线性模型 {#sec-linear-models}
+# 简单线性模型 {#sec-linear-models}
 
 ```{r}
 #| label: setup-cmdstan

preamble.tex

@@ -1,4 +1,28 @@
-\usepackage[heading=true, UTF8]{ctex}
+\PassOptionsToPackage{list=true}{subcaption}
+\usepackage[heading=true,fontset=fandol,UTF8]{ctex}
+\usepackage[nottoc]{tocbibind}
+\usepackage[toc,lof,lot]{multitoc}
+
+\usepackage[scale=0.85,semibold]{sourcecodepro}
+\usepackage[angle=90,text=\textcopyright 黄湘云,color=gray,pos={0.5in,1.5in},scale=0.25]{draftwatermark}
+% https://github.com/CTeX-org/ctex-kit/issues/331
+\RecustomVerbatimEnvironment{Highlighting}{Verbatim}{commandchars=\\\{\},formatcom=\xeCJKVerbAddon}
+\usepackage{bookmark}
+\bookmarksetup{open,numbered,
+	depth=2, % 设置PDF的书签级别,2显示到subsection,3显示到subsubsection
+	addtohook={ %
+		\ifnum\bookmarkget{level}=0 % chapter
+			\bookmarksetup{bold} %
+		\fi
+		\ifnum\bookmarkget{level}=-1 % part
+			\bookmarksetup{color=orange,bold} %
+		\fi
+	}
+}
+\usepackage{animate}
+\usepackage{bm} % \bm
+\usepackage{mathrsfs}
+
 \usepackage{makeidx}
 \makeindex
 

time-series-regression.qmd

@@ -475,7 +475,9 @@ plot(AirPassengers)
 lines(air_passengers_ts, col = "red")
 ```
 
-### tensorflow 框架 {#sec-google-tensorflow}
+
+
+### nnet 包 {#sec-gnu-nnet}
 
 前面介绍的模型都具有非常强的可解释性，比如各个参数对模型的作用。对于复杂的时间序列数据，比较适合用复杂的模型来拟合，看重模型的泛化能力，而不那么关注模型的机理。
 
@@ -530,7 +532,11 @@ lines(test_pred_ts, col = "green")
 
 由图可知，在测试集上，随着时间拉长，预测越来越不准。
 
-下面使用 tensorflow 包构造**多层**感知机训练数据和预测。
+### keras3 包 {#sec-google-keras3}
+
+[**keras3**](https://github.com/rstudio/keras) 包通过 **reticulate** 包引入 [Keras 3](https://github.com/keras-team/keras) 框架，这个框架支持 [TensorFlow](https://github.com/tensorflow/tensorflow) 和 [PyTorch](https://github.com/pytorch/pytorch) 等多个后端，目前，keras3 包通过 [tensorflow 包](https://github.com/rstudio/tensorflow)仅支持 TensorFlow 后端。
+
+下面使用 keras3 包构造多层感知机训练数据和预测。
 
 ```{r}
 #| message: false