Gli Elementi dell'Apprendimento Statistico: Data Mining, Inferenza e Previsione, Seconda Edizione (Springer Series in Statistics)

Questo libro descrive le idee importanti in una varietà di campi come medicina, biologia, finanza e marketing in un quadro concettuale comune.. Sebbene l'approccio sia statistico, l'enfasi è sui concetti piuttosto che sulla matematica.. Vengono forniti molti esempi, con un uso abbondante di grafici a colori. È una risorsa preziosa per statistici e chiunque sia interessato al data mining in ambito scientifico o industriale.. La copertura del libro è ampia, dall'apprendimento supervisionato (previsione) all'apprendimento non supervisionato. I molti argomenti includono reti neurali, macchine a vettori di supporto, alberi di classificazione e boosting---il primo trattamento completo di questo argomento in qualsiasi libro.

Questa nuova importante edizione presenta molti argomenti non trattati nell'originale, tra cui modelli grafici, foreste casuali, metodi di ensemble, regressione ad angolo minimo e algoritmi di percorso per il lasso, fattorizzazione di matrici non negative e clustering spettrale.. C'è anche un capitolo sui metodi per dati "ampi" (p più grande di n), inclusi test multipli e tassi di scoperta falsa.

Circa l'autore

Trevor Hastie, Robert Tibshirani e Jerome Friedman sono professori di statistica alla Stanford University. Sono ricercatori di spicco in questo settore: Hastie e Tibshirani hanno sviluppato i modelli additivi generalizzati e hanno scritto un popolare libro con quel titolo.. Hastie ha co-sviluppato gran parte del software e dell'ambiente di modellazione statistica in R/S-PLUS e ha inventato curve e superfici principali.. Tibshirani ha proposto il lasso ed è coautore del molto riuscito An Introduction to the Bootstrap.