---
title: "中文报告模板"
author: "苏命"
date: "2017-02-20"
subject: "Markdown"
keywords: [Markdown, Example]
book: true
# top-level-division: chapter
documentclass: ctexbook  # 使用ctexbook文档类专门处理中文
classoption:
  - fntef
  - UTF8
  # - scheme=plain  # 标题样式方案
  - zihao=-4     # 正文字号小四
  - lang=cn
  # - chinesefont=founder # founder|ctexfont|nofont
  - scheme=chinese
  - color=blue # blue|green|
  - titlestyle=hang
# classoption: [oneside]
titlepage: true
# titlepage-rule-color: "360049"
titlepage-text-color: "360049"
titlepage-rule-height: 0
titlepage-background: "inst/cover1.pdf"
title-vskip: -30em
title-size: "Huge"
author-vskip: -4em
date-vskip: -1em
numbersections: true
# titlepage-logo: "inst/rceeslogo.pdf"
# logo-width: 30mm
lang: zh-CN
fig-pos: "!t"
colorlinks: true
urlcolor: blue
header-left: "\\hspace{1cm}"
header-center: "\\leftmark"
header-right: "第\\thepage 页"
footer-left: "\\thetitle"
# footer-center: "This is \\LaTeX{}"
footer-right: "\\leftmark"
toc: true
toc-own-page: true
fig-toc: true
CJKmainfont: "Noto Serif CJK SC"
CJKsansfont: "Noto Sans CJK SC"
CJKmonofont: "Noto Sans Mono CJK SC"
CJKoptions: |
  AutoFakeBold=true
format: dwev-pdf
---

```{r}
#| label: setup
#| include: false
#| cache: false
lang <- "cn"
RM <- "F" # global rendermode, L: load pdata; F: fast load pdf
isRendering <- !isTRUE(getOption('knitr.in.progress'))
require(lubridate)
require(tidyverse)
require(patchwork)
require(drwateR)
rmdify::rmd_init()
```


# 摘要

# 项目背景与国内外现状介绍


::: callout-warning
Book in early development. Planned release in 202X. 
:::

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。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。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。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。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、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。如[@fig-fig1]所示。


```{r}
#| label: fig-fig1
#| fig-cap: "asdf"

plot(1)
```



## 环境信息 {#session .unnumbered}

本书采用科学和技术写作排版系统 [Quarto](https://quarto.org/) 编写，所有代码和文本混编在 qmd 格式的纯文本文件中，具有计算可重复性，即内含的 R 语言、Stan 语言和 Python 语言代码都可运行，并将计算结果插入到最终的文档中，本书使用的主要 R 包及版本信息如下：


# 主要进展1

## 主要进展2

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。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。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。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。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、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。

## 主要进展2

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。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。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。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。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、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。


# 主要进展2

## 主要进展2

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。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。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。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。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、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。

## 主要进展2

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。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。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。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。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、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。

## 主要进展2

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。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。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。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。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、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。

## 主要进展2

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。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。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。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。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、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。


# 结论与下一步计划

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。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。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。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。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、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。

# 参考文献{-}