• 也许您想要像使用 R 的数据分析和图形： John Maindonald 和 W. John Braun的基于示例的方法之类的东西

  • 图书网站
  • 亚马逊的各种评论
  • 我推荐它，因为这本书符合您的一些要求；它教了一点R；它概述了一系列不同的建模技术（例如，多元回归、时间序列、图形、广义线性模型等），而没有涉及太多的数学细节；它相当适用。

• 我同意@Greg Snow 的观点，您最好考虑阅读许多不同的书籍。对于您提到的每个主题（例如，贝叶斯统计、时间序列、模拟、R、机器学习），都有专门针对该特定主题的好书。鉴于您对该主题的特殊兴趣，您可能希望就什么是一本好书提出单独的问题。

• 良好的免费在线选项

  • Elements of Statistical Learning是一本很棒的书，甚至可以免费在线获得。从您的帖子中，我感觉到它可能比您想要的更技术性，但请检查一下，看看您的想法。也许你现在就准备好了；也许以后。
  • Benjamin Bolker 的R 中的生态模型和数据是另一个很好的。它是从生态学的角度出发，但确实从相对非技术的角度清楚地解释了模拟和模型拟合；这一切都是用 R 实现的。你可以在网站上看到他所有的 R 代码。您甚至可以看到用于生成书籍的 Sweave 文档！
  • CRAN上有一个很好的免费 R 文档列表，其中一些文档还提供了更广泛的统计说明。

包含所有这些主题的一本书会非常令人印象深刻，并且可能比你更重。这就像要求一本书在一本书中教授基本编程、C、Java、Perl 和高级数据库设计（实际上可能更多，但我不知道足够的软件工程术语来添加一些更高级的术语） .

回归本身通常至少是一门完整的大学课程，贝叶斯统计在参加贝叶斯课程之前需要一门或两门理论课程才能完全理解，等等。

没有快速简便的方法可以实现您想要做的事情。我建议在你的大学学习一些好的课程，然后从那里开始工作。

还有其他关于好书的讨论，你可以通过这些讨论来寻找一些想法。

对于 R 与您描述的许多方法的组合，除了 @Jeromy Anglim 提到的 Maindonald 和 Braun 文本之外，我建议您看看 Julian Faraway 的这两本书：

• 带有 R 的线性模型
• 用 R 扩展线性模型

两者都对各种主题进行了相当简单的介绍，后者涵盖了广泛的更现代的回归方法，包括许多机器学习技术，但这样做的速度更快，描述更少，并且都通过 R 代码举例说明了这些技术。

如果您直接从 Chapman & Hall/CRC Press 购买，您可以从 R 网站的图书部分获得一个代码，以使您的建议零售价享受 20% 的折扣，但请务必查看您所在地区的亚马逊价格或类似价格，因为亚马逊上的降价通常具有竞争力与折扣后的出版商价格相同。

这两本书的优点之一是，它们以足够的细节让您对现代方法有很好的了解，然后用更专业的文本进一步探索您想要更详细的领域。

这些书中的一些内容可以在 Julian 的在线 PDF 中获得，通过 R 网站的Contributed Documents部分。我鼓励您浏览该部分，看看是否有其他文档可以帮助您入门，而无需支付任何现金。在本节中还可以找到成为 Maindonald 和 Braun 文本第一版的文本的早期版本。

好吧，如果您想了解大多数统计方法以及它们的 R 代码，那么Venables 和 Ripley 在 S 中的现代应用统计不会出错。

它简洁、清晰并且有足够的 R 代码让你开始研究几乎任何你想命名的统计主题。

我买了这本书，并担心价格与页数的关系，但值得投资。他们确实假设了微积分和线性代数，但是鉴于您是工程师，这应该不是太大的问题。

他们的S 编程也很棒，但可能不是您现在正在寻找的。