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

An Introduction to Statistical Learning bietet einen zugänglichen Überblick über das Gebiet des statistischen Lernens, ein unverzichtbares Instrumentarium, um die riesigen und komplexen Datensätze zu verstehen, die in den letzten zwanzig Jahren in Bereichen von der Biologie bis hin zu Finanzen, Marketing und Astrophysik entstanden sind. Dieses Buch stellt einige der wichtigsten Modellierungs- und Vorhersagetechniken sowie relevante Anwendungen vor. Zu den Themen gehören lineare Regression, Klassifikation, Resampling-Methoden, Schrumpfungsansätze, baumbasierte Methoden, Support-Vector-Machines, Clustering, Deep Learning, Überlebensanalyse, multiples Testen und mehr. Farbige Grafiken und Beispiele aus der Praxis werden verwendet, um die vorgestellten Methoden zu veranschaulichen. Dieses Buch richtet sich sowohl an Statistiker als auch an Nicht-Statistiker, die modernste statistische Lerntechniken zur Analyse ihrer Daten nutzen möchten.

Vier der Autoren haben An Introduction to Statistical Learning, With Applications in R (ISLR) mitverfasst, das zu einer festen Größe in Bachelor- und Masterstudiengängen weltweit sowie zu einem wichtigen Referenzwerk 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 Rechenumgebung R enthält. In den letzten Jahren ist Python jedoch zu einer populären Sprache für Data Science geworden, und die Nachfrage nach einer Python-basierten Alternative zu ISLR ist gestiegen. Daher deckt dieses Buch (ISLP) dieselben Inhalte wie ISLR ab, jedoch mit Labs, die in Python implementiert sind. Diese Labs sind sowohl für Python-Neulinge als auch für erfahrene Anwender nützlich.