Wprowadzenie do uczenia statystycznego: Z aplikacjami w R

Opinie czytelników

Książka jest powszechnie uważana za kompleksowe i przystępne wprowadzenie do statystycznego uczenia się, oferujące praktyczne zastosowania i jasne wyjaśnienia. Jej treść jest dobrze zorganizowana zarówno dla początkujących, jak i zaawansowanych, co czyni ją cennym źródłem wiedzy dla naukowców zajmujących się danymi i statystyków. Niektórzy użytkownicy zwracali jednak uwagę na problemy z jakością oprawy i uważali, że brakuje niektórych dyskusji lub że tekst może być miejscami zbyt gęsty.

Przystępna treść odpowiednia dla szerokiego grona odbiorców, jasne wyjaśnienia kluczowych pojęć, praktyczne zastosowania z przykładowym kodem w R i Pythonie, zawiera zaktualizowane rozdziały, dobrej jakości druk, wciągające teksty znanych autorów, dostępna bezpłatna wersja online oraz dobra równowaga między teorią a praktycznością.

Zgłoszono problemy z jakością oprawy książki, niektóre koncepcje mogą być przytłaczające dla zupełnie początkujących, brakuje niektórych dyskusji, takich jak skorygowany R-squared, a niektóre recenzje wspominają o tendencji do nadmiernej ilości tekstu z niewystarczającą reprezentacją graficzną.

(na podstawie 48 opinii czytelników)

Oryginalny tytuł:

An Introduction to Statistical Learning: With Applications in R

Zawartość książki:

An Introduction to Statistical Learning stanowi przystępny przegląd dziedziny uczenia statystycznego, niezbędnego zestawu narzędzi do nadawania sensu ogromnym i złożonym zbiorom danych, które pojawiły się w dziedzinach od biologii, przez finanse, marketing po astrofizykę w ciągu ostatnich dwudziestu lat. Niniejsza książka przedstawia niektóre z najważniejszych technik modelowania i przewidywania, wraz z odpowiednimi zastosowaniami. Tematy obejmują regresję liniową, klasyfikację, metody ponownego próbkowania, podejścia oparte na kurczeniu się, metody oparte na drzewach, maszyny wektorów nośnych, klastrowanie, głębokie uczenie się, analizę przeżycia, wielokrotne testowanie i wiele innych. Do zilustrowania prezentowanych metod wykorzystano kolorowe grafiki i przykłady z życia wzięte. Ponieważ celem tego podręcznika jest ułatwienie korzystania z tych technik uczenia statystycznego przez praktyków w nauce, przemyśle i innych dziedzinach, każdy rozdział zawiera samouczek dotyczący implementacji analiz i metod przedstawionych w R, niezwykle popularnej platformie oprogramowania statystycznego typu open source.

Dwóch autorów jest współautorami książki The Elements of Statistical Learning (Hastie, Tibshirani i Friedman, 2. wydanie 2009), popularnego podręcznika dla statystyków i badaczy uczenia maszynowego. An Introduction to Statistical Learning obejmuje wiele z tych samych tematów, ale na poziomie dostępnym dla znacznie szerszego grona odbiorców. Książka ta skierowana jest zarówno do statystyków, jak i osób niebędących statystykami, którzy chcą wykorzystać najnowocześniejsze techniki uczenia statystycznego do analizy swoich danych. Tekst zakłada jedynie wcześniejszy kurs regresji liniowej i brak znajomości algebry macierzy.

Drugie wydanie zawiera nowe rozdziały poświęcone głębokiemu uczeniu się, analizie przeżywalności i testom wielokrotnym, a także rozszerzone traktaty o na ve Bayesa, uogólnionych modelach liniowych, bayesowskich drzewach regresji addytywnej i uzupełnianiu macierzy. Kod R został zaktualizowany w celu zapewnienia kompatybilności.