مقدمه ای بر یادگیری آماری
کتاب «مقدمه ای بر یادگیری آماری» مروری قابل فهم از حوزه یادگیری آماری ارائه می دهد، مجموعه ای از ابزارهای ضروری برای درک مجموعه داده های گسترده و پیچیده ای که در بیست سال گذشته در زمینه های مختلف از زیست شناسی گرفته تا امور مالی، بازاریابی و اخترفیزیک پدیدار شده اند. این کتاب برخی از مهم ترین تکنیک های مدل سازی و پیش بینی را به همراه کاربردهای مرتبط ارائه می دهد. مباحث شامل رگرسیون خطی، طبقه بندی، روش های نمونه گیری مجدد، رویکردهای انقباضی، روش های مبتنی بر درخت، ماشین های بردار پشتیبان، خوشه بندی، یادگیری عمیق، تحلیل بقا، آزمایش چندگانه و موارد دیگر است. از گرافیک های رنگی و مثال های دنیای واقعی برای نشان دادن روش های ارائه شده استفاده شده است. از آنجایی که هدف این کتاب درسی تسهیل استفاده از این تکنیک های یادگیری آماری توسط متخصصان در علوم، صنعت و سایر زمینه ها است، هر فصل شامل یک آموزش در مورد پیاده سازی تحلیل ها و روش های ارائه شده در R، یک پلتفرم نرم افزاری آماری متن باز بسیار محبوب، است.
دو نفر از نویسندگان کتاب «عناصر یادگیری آماری» (هستی، تیبشیرانی و فریدمن، ویرایش دوم ۲۰۰۹) را به طور مشترک نوشتند، یک کتاب مرجع محبوب برای محققان آمار و یادگیری ماشین. «مقدمه ای بر یادگیری آماری» بسیاری از مباحث مشابه را پوشش می دهد، اما در سطحی که برای مخاطبان بسیار گسترده تری قابل فهم باشد. این کتاب برای آماردانان و غیر آماردانانی که مایل به استفاده از تکنیک های پیشرفته یادگیری آماری برای تجزیه و تحلیل داده های خود هستند، مناسب است. متن فقط یک دوره قبلی در رگرسیون خطی را در نظر می گیرد و هیچ دانشی از جبر ماتریسی ندارد.
این ویرایش دوم شامل فصل های جدیدی در مورد یادگیری عمیق، تحلیل بقا و آزمایش چندگانه، و همچنین بررسی های گسترده تر بیز ساده، مدل های خطی تعمیم یافته، درخت های رگرسیون جمعی بیزی و تکمیل ماتریس است. کد R در کل به روزرسانی شده است تا سازگاری تضمین شود.
An Introduction to Statistical Learning
An Introduction to Statistical Learning provides an accessible overview of the field of statistical learning, an essential toolset for making sense of the vast and complex data sets that have emerged in fields ranging from biology to finance to marketing to astrophysics in the past twenty years. This book presents some of the most important modeling and prediction techniques, along with relevant applications. Topics include linear regression, classification, resampling methods, shrinkage approaches, tree-based methods, support vector machines, clustering, deep learning, survival analysis, multiple testing, and more. Color graphics and real-world examples are used to illustrate the methods presented. Since the goal of this textbook is to facilitate the use of these statistical learning techniques by practitioners in science, industry, and other fields, each chapter contains a tutorial on implementing the analyses and methods presented in R, an extremely popular open source statistical software platform.
Two of the authors co-wrote The Elements of Statistical Learning (Hastie, Tibshirani and Friedman, 2nd edition 2009), a popular reference book for statistics and machine learning researchers. An Introduction to Statistical Learning covers many of the same topics, but at a level accessible to a much broader audience. This book is targeted at statisticians and non-statisticians alike who wish to use cutting-edge statistical learning techniques to analyze their data. The text assumes only a previous course in linear regression and no knowledge of matrix algebra.
This Second Edition features new chapters on deep learning, survival analysis, and multiple testing, as well as expanded treatments of naïve Bayes, generalized linear models, Bayesian additive regression trees, and matrix completion. R code has been updated throughout to ensure compatibility.
Product details
- ASIN : B09BHG37HZ
- Publisher : Springer; 2nd edition (29 July 2021)
- Language : English
- File size : 22.7 MB
- Enhanced typesetting : Not Enabled
- X-Ray for textbooks : Enabled
- Word Wise : Not Enabled
- Print length : 607 pages
- Format : Print Replica