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

An Introduction to Statistical Learning offre une présentation accessible du domaine de l'apprentissage statistique, une boîte à outils essentielle pour donner un sens aux vastes et complexes ensembles de données qui ont émergé dans des domaines allant de la biologie à la finance, en passant par le marketing et l'astrophysique au cours des vingt dernières années. Ce livre présente certaines des techniques de modélisation et de prédiction les plus importantes, ainsi que des applications pertinentes. Les sujets abordés incluent la régression linéaire, la classification, les méthodes de rééchantillonnage, les approches de régularisation, les méthodes basées sur les arbres, les machines à vecteurs de support, le clustering, l'apprentissage profond, l'analyse de survie, les tests multiples, et bien plus encore. Des graphiques en couleur et des exemples concrets sont utilisés pour illustrer les méthodes présentées. Ce livre s'adresse aussi bien aux statisticiens qu'aux non-statisticiens qui souhaitent utiliser des techniques d'apprentissage statistique de pointe pour analyser leurs données.

Quatre des auteurs ont coécrit An Introduction to Statistical Learning, With Applications in R (ISLR), qui est devenu un pilier des cours de premier cycle et de deuxième cycle partout dans le monde, ainsi qu'un livre de référence important pour les scientifiques des données. L'une des clés de son succès est que chaque chapitre contient un tutoriel sur la mise en œuvre des analyses et des méthodes présentées dans l'environnement de calcul scientifique R. Cependant, ces dernières années, Python est devenu un langage populaire pour la science des données, et la demande pour une alternative à ISLR basée sur Python a augmenté. Par conséquent, ce livre (ISLP) couvre les mêmes sujets que ISLR mais avec des laboratoires implémentés en Python. Ces laboratoires seront utiles aussi bien aux novices en Python qu'aux utilisateurs expérimentés.