Новая книга была добавлена в корзину

Книга "Основы статистического обучения: интеллектуальный анализ данных, логический вывод и прогнозирования" - подходящий источник знаний для тех, кто хочет лучше разобраться в Data mining, машинном обучении и биоинформатике, используя статистический подход. Четкие определения понятий сопровождаются в книге цветными иллюстрациями

В течение последнего десятилетия произошел стремительный рост вычислительных и информационных технологий. Благодаря этому в различных областях, таких как медицина, биология, финансы и маркетинг, появилась возможность обрабатывать огромные объемы данных. Необходимость понимания этих данных привела к разработке новых инструментов в области статистики и породила новые области, такие как интеллектуальный анализ данных, машинное обучение и биоинформатика. Многие из этих инструментов имеют общие основы, но часто выражаются с помощью разных терминов

В книге "Основы статистического обучения: интеллектуальный анализ данных, логический вывод и прогнозирования" описываются важные идеи, существующие в этих областях, на основе общего концептуального подхода. Хотя этот подход является статистическим, акцент делается на концепциях, а не на математике. Авторы приводят много примеров с широким использованием графических иллюстраций

В частности, в книге "Основы статистического обучения" рассматриваются основные понятия и методы статистического обучения: линейная регрессия, нелинейная регрессия, линейные методы классификации, регуляризация, ядерное сглаживание, оценивание и выбор моделей, аддитивные модели, деревья классификации, создание повторных выборок, нейронные сети, случайные леса и многое другое. Авторы приводят множество примеров и цветных иллюстраций применения этих методов на практике

Книга "Основы статистического обучения: интеллектуальный анализ данных, логический вывод и прогнозирования" представляет собой ценный источник знаний для статистиков и всех, кто интересуется обработкой данных в науке или промышленности. Диапазон тем, охваченных книгой, обширен: от обучения с учителем (прогнозирования) до обучения без учителя, включая нейронные сети, метод опорных векторов, деревья классификации и бустинг

Новое издание книги "Основы статистического обучения: интеллектуальный анализ данных, логический вывод и прогнозирование" (2-е издание) содержит множество тем, не охваченных в первом издании, включая графовые модели, случайные леса, ансамблевые методы, метод наименьших углов и LASSO, алгоритмы неотрицательной матричной факторизации и спектральной кластеризации. В книгу включена также глава о методах обработки "широких" данных, включая множественное тестирование и оценивание уровня ложноположительных результатов.

Книга представляет огромный интерес для специалистов, применяющих методы статистического обучения (машинного обучения), а также для студентов, изучающих компьютерные науки (информатику)

Об авторах:
Тревор Хасти, Роберт Тибширани и Джером Фридман работают профессорами статистики в Стэнфордском университете
Они являются выдающимися исследователями в этой области: Хасти и Тибширани разработали обобщенные аддитивные модели и написали популярную книгу на эту тему. Хасти - соавтор большой части программного обеспечения для статистического моделирования в среде R/S-PLUS и изобретатель алгоритма поиска главных кривых и поверхностей
Роберт Тибширани предложил метод LASSO и является соавтором очень успешной книги "Introduction to the Bootstrap"
Джером Фридман - соавтор многих инструментов для интеллектуального анализа данных, включая CART, MARS, а также методов поиска наилучшей проекции и градиентного бустинга.

Оглавление книги Тревор Хасти, Роберт Тибширани и Джером Фридман "Основы статистического обучения: интеллектуальный анализ данных, логический вывод и прогнозирование"

Предисловие ко второму изданию 18
Предисловие к первому изданию 21
Глава 1. Введение 23
Глава 2. Обзор методов обучения с учителем 31
Глава 3. Линейные методы регрессии 65
Глава 4. Линейные методы классификации 125
Глава 5. Разложение по базису и регуляризация 163
Глава 6. Ядерные методы сглаживания 213
Глава 7. Оценивание и выбор моделей 243
Глава 8. Вывод моделей и усреднение 285
Глава 9. Аддитивные модели, деревья и связанные с ними методы 319
Глава 10. Бустинг и аддитивные деревья 363
Глава 11. Нейронные сети 415
Глава 12. Метод опорных векторов и гибкие дискриминанты 445
Глава 13. Методы прототипов и ближайших соседей 487
Глава 14. Обучение без учителя 513
Глава 15. Случайные леса 617
Глава 16. Ансамблевые методы обучения 635
Глава 17. Неориентированные графовые модели 655
Глава 18. Задачи высокой размерности: p >> N 681
Библиография 733