Einführung in statistisches Lernen: mit Anwendungen in Python (Springer Texts in Statistics)

„An Introduction to Statistical Learning“ bietet einen zugänglichen Überblick über den Bereich des statistischen Lernens, ein unverzichtbares Toolset, um die riesigen und komplexen Datensätze zu verstehen, die in den letzten zwanzig Jahren in Bereichen von der Biologie bis zur Finanzwelt, Marketing und Astrophysik entstanden sind. Dieses Buch stellt einige der wichtigsten Modellierungs- und Vorhersagetechniken zusammen mit relevanten Anwendungen vor. Themen sind unter anderem lineare Regression, Klassifizierung, Resampling-Methoden, Schrumpfungsansätze, baumbasierte Methoden, Support Vector Machines, Clustering, Deep Learning, Überlebenszeitanalyse, multiples Testen und mehr. Farbige Grafiken und Beispiele aus der Praxis werden verwendet, um die vorgestellten Methoden zu veranschaulichen. Dieses Buch richtet sich an Statistiker und Nicht-Statistiker gleichermaßen, die modernste statistische Lerntechniken zur Analyse ihrer Daten einsetzen möchten.

Vier der Autoren schrieben gemeinsam „An Introduction to Statistical Learning, With Applications in R (ISLR)“, das zu einem festen Bestandteil von Undergraduate- und Graduate-Kursen weltweit sowie zu einem wichtigen Nachschlagewerk für Datenwissenschaftler geworden ist. Einer der Schlüssel zum Erfolg war, dass jedes Kapitel ein Tutorial zur Implementierung der vorgestellten Analysen und Methoden in der wissenschaftlichen Computerumgebung R enthält. In den letzten Jahren hat sich Python jedoch zu einer beliebten Sprache für die Datenwissenschaft entwickelt, und es gab eine steigende Nachfrage nach einer Python-basierten Alternative zu ISLR. Daher behandelt dieses Buch (ISLP) die gleichen Materialien wie ISLR, jedoch mit in Python implementierten Labs. Diese Labs werden sowohl für Python-Anfänger als auch für erfahrene Benutzer nützlich sein.