Основи статистичного навчання: інтелектуальний аналіз даних, логічний висновок і прогнозування

У книзі "Основи статистичного навчання: інтелектуальний аналіз даних, логічний висновок і прогнозування" викладаються основи статистичного навчання для вирішення практичних завдань, що виникають у медицині, біології, фінансах і багатьох інших галузях науки і промисловості. Зокрема, розглядаються основні поняття і методи статистичного навчання: лінійна регресія, нелінійна регресія, лінійні методи класифікації, регуляризация, ядерне згладжування, оцінювання і вибір моделей, адитивні моделі, дерева класифікації, нейронні мережі, випадкові ліси і багато іншого. Автори наводять безліч прикладів і ілюстрацій застосування цих методів на практиці.

Автори книги є провідними авторитетами в математичній статистиці і машинному навчанні: Тревор Хасти - володар звання ISI Highly Cited Author in Mathematics за версією ISI Web of Knowledge, Роберт Тибширани - винахідник методу LASSO і володар Золотої медалі Статистичного товариства Канади, Джером Фрідман - широко відомий фахівець з машинного навчання та автор численних монографій.

Книга "Основи статистичного навчання: інтелектуальний аналіз даних, логічний висновок і прогнозування" представляє величезний інтерес для фахівців.

Протягом останнього десятиліття стався вибух в галузі обчислень і інформаційних технологій. Разом з ним з'явилися величезні обсяги даних в різних областях, таких як медицина, біологія, фінанси і маркетинг. Проблема розуміння цих даних привела до розробки нових статистичних інструментів і породила нові наукові дисципліни, такі як інтелектуальний аналіз даних, машинне навчання та біоінформатика.

Багато з цих інструментів мають спільні наукові підстави, але часто описуються за допомогою іншої термінології.

У цій книзі описуються важливі ідеї в цих областях з єдиної теоретичної точки зору. Хоча цей підхід є статистичним, упор робиться на концепції, а не на математику. Наводиться багато прикладів з широким використанням кольорової графіки. Книга являє собою цінне джерело інформації для статистиків і всіх, хто цікавиться інтелектуальним аналізом даних в науці або промисловості.

Охоплення книги широкий: від навчання з вчителем (прогнозування) до навчання без вчителя. У ній описані нейронні мережі, метод опорних векторів, дерева класифікації і бустинг, який вперше всебічно розглянуто в книзі, а не в окремих публікаціях.

В даному глибоко переробленому виданні представлено багато теми, не охоплені в першому виданні, включаючи графові моделі, випадкові лісу, ансамблеві методи, алгоритми регресії найменших кутів і алгоритми побудови траєкторій для методів LASSO, невід'ємної факторизації матриць та спектральної кластеризації. У книзі також є глава про методи аналізу "широких" даних (коли p більше, ніж n), включаючи множинне тестування і частку помилкових відхилень гіпотези.
Всі ілюстрації до книги в кольоровому варіанті доступні на сайті видавництва.

Про авторів:
Тревор Хасти, Роберт Тибширани і Джером Фрідман - професора статистики в Стенфордському університеті. Вони є видатними дослідниками в цій області. Зокрема, Хасти і Тибширани розробили узагальнені адитивні моделі і написали популярну книгу з такою назвою. Хасти у складі колективу розробників розробив значну частину програмного забезпечення та середовища для статистичного моделювання на мовах R і S-PLUS, а також винайшов метод головних кривих і поверхонь. Тибширани винайшов метод LASSO і є співавтором дуже успішної книги An Introduction to the Bootstrap. Фрідман є співавтором багатьох методів інтелектуального аналізу даних, в тому числі CART, MARS, пошуку найкращого проекції та градієнтного бустинга.



Зміст книги Тревор Хасти, Роберт Тибширани і Джером Фрідман "Основи статистичного навчання: інтелектуальний аналіз даних, логічний висновок і прогнозування"



Передмова до другого видання 18
Передмова до першого видання 21
Глава 1. Введення 23
Глава 2. Огляд методів навчання з учителем 31
Розділ 3. Лінійні методи регресії 65
Розділ 4. Лінійні методи класифікації 125
Розділ 5. Розкладання по базису і регуляризация 163
Глава 6. Ядерні методи згладжування 213
Глава 7. Оцінювання і вибір моделей 243
Глава 8. Висновок моделей і усереднення 285
Глава 9. Адитивні моделі, дерева і пов'язані з ними методи 319
Глава 10. Бустинг і адитивні дерева 363
Глава 11. Нейронні мережі 415
Глава 12. Метод опорних векторів і гнучкі дискриминанты 445
Глава 13. Методи прототипів і найближчих сусідів 487
Глава 14. Навчання без вчителя 513
Глава 15. Випадкові лісу 617
Глава 16. Ансамблеві методи навчання 635
Глава 17. Неорієнтовані графові моделі 655
Глава 18. Задачі високої розмірності: p >> N 681
Бібліографія 733
Предметний покажчик