Obliczeniowe podejście do uczenia statystycznego

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 4 głosach.

Oryginalny tytuł:

A Computational Approach to Statistical Learning

Zawartość książki:

A Computational Approach to Statistical Learning stanowi nowatorskie wprowadzenie do modelowania predykcyjnego, koncentrując się na algorytmicznych i numerycznych motywacjach stojących za popularnymi metodami statystycznymi. Tekst zawiera kod z adnotacjami do ponad 80 oryginalnych funkcji referencyjnych. Funkcje te zapewniają minimalne działające implementacje popularnych algorytmów uczenia statystycznego. Każdy rozdział kończy się w pełni dopracowaną aplikacją, która ilustruje zadania modelowania predykcyjnego przy użyciu rzeczywistego zbioru danych.

Tekst rozpoczyna się od szczegółowej analizy modeli liniowych i zwykłych najmniejszych kwadratów. Kolejne rozdziały analizują rozszerzenia, takie jak regresja grzbietowa, uogólnione modele liniowe i modele addytywne. Druga połowa koncentruje się na wykorzystaniu algorytmów ogólnego przeznaczenia do optymalizacji wypukłej i ich zastosowaniu do zadań w uczeniu statystycznym. Omówione modele obejmują elastyczną sieć, gęste sieci neuronowe, konwolucyjne sieci neuronowe (CNN) i klastrowanie spektralne. Motywem przewodnim całego tekstu jest wykorzystanie teorii optymalizacji w opisie modeli predykcyjnych, ze szczególnym uwzględnieniem dekompozycji wartości pojedynczej (SVD). Poprzez ten temat podejście obliczeniowe motywuje i wyjaśnia relacje między różnymi modelami predykcyjnymi.

Taylor Arnold jest adiunktem statystyki na Uniwersytecie w Richmond. Jego praca na przecięciu wizji komputerowej, przetwarzania języka naturalnego i humanistyki cyfrowej była wspierana przez liczne granty z National Endowment for the Humanities (NEH) i American Council of Learned Societies (ACLS). Jego pierwsza książka, Humanities Data in R, została opublikowana w 2015 roku.

Michael Kane jest adiunktem biostatystyki na Uniwersytecie Yale. Jest laureatem grantów przyznawanych przez Narodowe Instytuty Zdrowia (NIH), DARPA oraz Fundację Billa i Melindy Gatesów. Jego pakiet R bigmemory zdobył nagrodę Chamber's za oprogramowanie statystyczne w 2010 roku.

Bryan Lewis jest matematykiem stosowanym i autorem wielu popularnych pakietów R, w tym irlba, doRedis i threejs.