An Introduction to Statistical Learning: with Applications in R (Springer Texts in Statistics)

„An Introduction to Statistical Learning“ bietet einen zugänglichen Überblick über das Feld 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 über die Finanzwelt und das Marketing bis zur Astrophysik entstanden sind. Dieses Buch stellt einige der wichtigsten Modellierungs- und Prognosetechniken zusammen mit relevanten Anwendungen vor. Zu den Themen gehören lineare Regression, Klassifikation, Resampling-Methoden, Shrinkage-Ansätze, 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. Da das Ziel dieses Lehrbuchs ist, die Anwendung dieser statistischen Lerntechniken durch Praktiker in Wissenschaft, Industrie und anderen Bereichen zu erleichtern, enthält jedes Kapitel ein Tutorial zur Implementierung der vorgestellten Analysen und Methoden in R, einer äußerst beliebten Open-Source-Statistiksoftwareplattform.

Zwei der Autoren waren Mitautoren von „The Elements of Statistical Learning“ (Hastie, Tibshirani und Friedman, 2. Auflage 2009), einem beliebten Nachschlagewerk für Statistik- und maschinelles Lernen-Forscher. „An Introduction to Statistical Learning“ behandelt viele der gleichen Themen, jedoch auf einem Niveau, das einem viel breiteren Publikum zugänglich ist. Dieses Buch richtet sich gleichermaßen an Statistiker und Nicht-Statistiker, die modernste statistische Lerntechniken zur Analyse ihrer Daten verwenden möchten. Der Text setzt lediglich einen vorherigen Kurs in linearer Regression und keine Kenntnisse der Matrixalgebra voraus.

Diese zweite Auflage enthält neue Kapitel über Deep Learning, Überlebenszeitanalyse und multiples Testen sowie erweiterte Behandlungen von naiven Bayes, generalisierten linearen Modellen, Bayesschen additiven Regressionsbäumen und Matrixvervollständigung. Der R-Code wurde durchgängig aktualisiert, um die Kompatibilität zu gewährleisten.