Eine Einführung in das statistische Lernen: mit Anwendungen in R (Englisch, Hardcover)

Eine Einführung in das statistische Lernen bietet einen leicht verständlichen Überblick über das Feld des statistischen Lernens, ein unverzichtbares Instrumentarium für das Verständnis der riesigen und komplexen Datensätze, die in den letzten zwanzig Jahren in Bereichen von der Biologie über Finanzen und Marketing bis hin zur Astrophysik entstanden sind.. Dieses Buch stellt einige der wichtigsten Modellierungs- und Vorhersagetechniken sowie relevante Anwendungen vor. Zu den Themen gehören lineare Regression, Klassifizierung, Resampling-Methoden, Shrinkage-Ansätze, baumbasierte Methoden, Support Vector Machines, Clustering, Deep Learning, Überlebensanalyse, Multiple Testing und mehr. Farbgrafiken und Beispiele aus der Praxis veranschaulichen die vorgestellten Methoden. Da das Ziel dieses Lehrbuchs darin besteht, die Anwendung dieser statistischen Lerntechniken durch Praktiker in Wissenschaft, Industrie und anderen Bereichen zu erleichtern, enthält jedes Kapitel ein Tutorial zur Implementierung der vorgestellten Analysen und Methoden in R, einer äußerst beliebten Open-Source-Statistiksoftwareplattform.. Zwei der Autoren haben gemeinsam The Elements of Statistical Learning geschrieben. (Hastie, Tibshirani und Friedman, 2. Auflage 2009), ein beliebtes Nachschlagewerk für Statistik- und Machine-Learning-Forscher. Eine Einführung in das statistische Lernen behandelt viele der gleichen Themen, jedoch auf einem Niveau, das einem viel breiteren Publikum zugänglich ist.. Dieses Buch richtet sich an Statistiker und Nicht-Statistiker gleichermaßen, die modernste statistische Lerntechniken zur Analyse ihrer Daten nutzen möchten. Der Text setzt lediglich einen vorangegangenen Kurs in linearer Regression und keine Kenntnisse der Matrixalgebra voraus.. Diese zweite Ausgabe enthält neue Kapitel zu Deep Learning, Überlebensanalyse und Mehrfachtests sowie erweiterte Behandlungen von naivem Bayes, verallgemeinerten linearen Modellen, Bayesschen additiven Regressionsbäumen und Matrixvervollständigung.. R-Code wurde durchgehend aktualisiert, um Kompatibilität sicherzustellen. Über den Autor:

Gareth James ist Professor für Datenwissenschaften und Operations und der E. Morgan Stanley Lehrstuhl für Betriebswirtschaftslehre an der University of Southern California. Er hat ein umfangreiches methodisches Werk im Bereich des statistischen Lernens veröffentlicht, mit besonderem Schwerpunkt auf hochdimensionalen und funktionalen Daten.. Der konzeptionelle Rahmen für dieses Buch entstand aus seinen MBA-Wahlkursen in diesem Bereich.. Daniela Witten ist Professorin für Statistik und Biostatistik und Inhaberin des Dorothy Gilford Endowed Chair an der University of Washington.. Ihre Forschung konzentriert sich hauptsächlich auf statistische maschinelle Lerntechniken zur Analyse komplexer, unübersichtlicher und umfangreicher Daten, mit einem Schwerpunkt auf unüberwachtem Lernen.. Trevor Hastie und Robert Tibshirani sind Professoren für Statistik an der Stanford University und Mitautoren des erfolgreichen Lehrbuchs Elemente des statistischen Lernens. Hastie und Tibshirani entwickelten verallgemeinerte additive Modelle und schrieben ein beliebtes Buch mit diesem Titel.. Hastie entwickelte einen Großteil der statistischen Modellierungssoftware und -umgebung in R/S-PLUS mit und erfand Hauptkurven und -flächen.. Tibshirani schlug das Lasso vor und ist Mitautor des sehr erfolgreichen An Introduction to the Bootstrap.