Книга представляет собой доступно изложенное введение в статистическое обучение – незаменимый набор инструментов, позволяющих извлечь полезную информацию из больших и сложных наборов данных, которые начали возникать в последние 20 лет в таких областях, как биология, экономика, маркетинг, физика и др. В этой книге описаны одни из наиболее важных методов моделирования и прогнозирования, а также примеры их практического применения. Рассмотренные темы включают линейную регрессию, классификацию, создание повторных выборок, регуляризацию, деревья решений, машины опорных векторов, кластеризацию и др. Описание этих методов сопровождается многочисленными иллюстрациями и практическими примерами. Поскольку цель этого учебника заключается в продвижении методов статистического обучения среди практикующих академических исследователей и промышленных аналитиков, каждая глава включает примеры практической реализации соответствующих методов с помощью R – чрезвычайно популярной среды статистических вычислений с открытым кодом.
Издание рассчитано на неспециалистов, которые хотели бы применять современные методы статистического обучения для анализа своих данных. Предполагается, что читатели ранее прослушали лишь курс по линейной регрессии и не обладают знаниями матричной алгебры.
Гарет Джеймс занимает должность профессора статистики в университете Южной Калифорнии. Он является автором многочисленных методологических работ в области статистического обучения, посвященных анализу многомерных данных. Концепция настоящей книги во многом отражает содержание его курса по этой теме для студентов, обучающихся по специальности «магистр делового администрирования».
Даниэла Уиттон является специалистом в области биостатистики и занимает должность ассистента в университете Вашингтона. Ее исследовательская работа в основном посвящена применению методов машинного обучения для анализа многомерных данных. Благодаря ее вкладу, методы машинного обучения стали более широко применяться в геномных исследованиях.
Тревор Хасти и Роберт Тибширани являются профессорами статистики в Стэнфордском Университете, соавторами популярной книги «Элементы статистического обучения» и создателями обобщенных аддитивных моделей. Проф. Хасти внес также большой вклад в разработку статистического программного обеспечения на языках R и S-PLUS и создал методы «главных кривых» и «главных поверхностей». Проф. Тибширани предложил метод лассо и является одним из авторов популярной книги «Введение в бутстреп».
Издание будет выполнено в цвете!
Kniga predstavlyaet soboy dostupno izlozhennoe vvedenie v statisticheskoe obuchenie nezamenimyy nabor instrumentov, pozvolyayushchikh izvlech poleznuyu informatsiyu iz bolshikh i slozhnykh naborov dannykh, kotorye nachali voznikat v poslednie 20 let v takikh oblastyakh, kak biologiya, ekonomika, marketing, fizika i dr. V etoy knige opisany odni iz naibolee vazhnykh metodov modelirovaniya i prognozirovaniya, a takzhe primery ikh prakticheskogo primeneniya. Rassmotrennye temy vklyuchayut lineynuyu regressiyu, klassifikatsiyu, sozdanie povtornykh vyborok, regulyarizatsiyu, derevya resheniy, mashiny opornykh vektorov, klasterizatsiyu i dr. Opisanie etikh metodov soprovozhdaetsya mnogochislennymi illyustratsiyami i prakticheskimi primerami. Poskolku tsel etogo uchebnika zaklyuchaetsya v prodvizhenii metodov statisticheskogo obucheniya sredi praktikuyushchikh akademicheskikh issledovateley i promyshlennykh analitikov, kazhdaya glava vklyuchaet primery prakticheskoy realizatsii sootvetstvuyushchikh metodov s pomoshchyu R chrezvychayno populyarnoy sredy statisticheskikh vychisleniy s otkrytym kodom. Izdanie rasschitano na nespetsialistov, kotorye khoteli by primenyat sovremennye metody statisticheskogo obucheniya dlya analiza svoikh dannykh. Predpolagaetsya, chto chitateli ranee proslushali lish kurs po lineynoy regressii i ne obladayut znaniyami matrichnoy algebry. Garet Dzheyms zanimaet dolzhnost professora statistiki v universitete YUzhnoy Kalifornii. On yavlyaetsya avtorom mnogochislennykh metodologicheskikh rabot v oblasti statisticheskogo obucheniya, posvyashchennykh analizu mnogomernykh dannykh. Kontseptsiya nastoyashchey knigi vo mnogom otrazhaet soderzhanie ego kursa po etoy teme dlya studentov, obuchayushchikhsya po spetsialnosti magistr delovogo administrirovaniya. Daniela Uitton yavlyaetsya spetsialistom v oblasti biostatistiki i zanimaet dolzhnost assistenta v universitete Vashingtona. Ee issledovatelskaya rabota v osnovnom posvyashchena primeneniyu metodov mashinnogo obucheniya dlya analiza mnogomernykh dannykh. Blagodarya ee vkladu, metody mashinnogo obucheniya stali bolee shiroko primenyatsya v genomnykh issledovaniyakh. Trevor KHasti i Robert Tibshirani yavlyayutsya professorami statistiki v Stenfordskom Universitete, soavtorami populyarnoy knigi Elementy statisticheskogo obucheniya i sozdatelyami obobshchennykh additivnykh modeley. Prof. KHasti vnes takzhe bolshoy vklad v razrabotku statisticheskogo programmnogo obespecheniya na yazykakh R i S-PLUS i sozdal metody glavnykh krivykh i glavnykh poverkhnostey. Prof. Tibshirani predlozhil metod lasso i yavlyaetsya odnim iz avtorov populyarnoy knigi Vvedenie v butstrep. Izdanie budet vypolneno v tsvete!
The book is a well stated introduction to statistical learning – an indispensable set of tools to extract useful information from large and complex data sets that began to emerge in the last 20 years in areas such as biology, Economics, marketing, physics etc. this book describes some of the most important methods of modeling and forecasting, as well as examples of their practical application. The topics discussed include linear regression, classification, creating repeated samples, regularization, decision trees, support vector machine, clustering etc. a Description of these methods is accompanied by numerous illustrations and practical examples. Since the objective of this tutorial is to promote methods of statistical learning among practitioners, academic researchers and industrial analysts, each Chapter includes examples of practical implementation of corresponding methods using R is an extremely popular environment for statistical computing open source software.
The publication is intended for nonspecialists who wish to apply modern methods of statistical learning for the analysis of their data. It is assumed that the readers had previously only listened to a course on linear regression and have no knowledge of matrix algebra.
Gareth James is a Professor of statistics at the University of southern California. He is the author of many methodological works in the field of statistical learning on the analysis of multidimensional data. The concept of this book largely reflects the contents of his course on this topic for students enrolled in the specialty "master of business administration.
Daniel Whitton is a specialist in the field of biostatistics and holds the position of assistant at the University of Washington. Her research work mainly focuses on the application of machine learning methods to analyze multidimensional data. Thanks to its contribution, machine learning methods become more widely used in genomic research.
Trevor Hastie and Robert Tibshirani are professors of statistics at Stanford University, co-authors of the popular book "the Elements of statistical learning" and the creators of generalized additive models. Prof. Hastie also made a great contribution to the development of statistical software in R and S-PLUS and created methods of "main curves" and "main surfaces". Prof. Tibshirani the proposed method of lasso and is one of the authors of the popular book "an Introduction to the bootstrap.
The publication will be made in color!
Expected