An introduction to statistical learning : with applications in R

Bibliographische Detailangaben

Titel
An introduction to statistical learning with applications in R
verantwortlich
James, Gareth (VerfasserIn); Witten, Daniela (VerfasserIn); Hastie, Trevor (VerfasserIn); Tibshirani, Robert (VerfasserIn)
Ausgabe
Second edition
veröffentlicht
New York, NY: Springer, 2021
Erscheinungsjahr
2021
Teil von
Springer texts in statistics
Teil von
Springer eBook Collection
Erscheint auch als
James, Gareth, An introduction to statistical learning, Second edition, New York, NY : Springer, 2021, xv, 607 Seiten
Andere Ausgaben
An introduction to statistical learning: with applications in R
Andere Ausgaben
An introduction to statistical learning: with applications in R
Medientyp
E-Book
Datenquelle
K10plus Verbundkatalog
Tags
Tag hinzufügen

Zugang

Weitere Informationen sehen Sie, wenn Sie angemeldet sind. Noch keinen Account? Jetzt registrieren.

Zusammenfassung
Preface -- 1 Introduction -- 2 Statistical Learning -- 3 Linear Regression -- 4 Classification -- 5 Resampling Methods -- 6 Linear Model Selection and Regularization -- 7 Moving Beyond Linearity -- 8 Tree-Based Methods -- 9 Support Vector Machines -- 10 Deep Learning -- 11 Survival Analysis and Censored Data -- 12 Unsupervised Learning -- 13 Multiple Testing -- Index.
An Introduction to Statistical Learning provides an accessible overview of the field of statistical learning, an essential toolset for making sense of the vast and complex data sets that have emerged in fields ranging from biology to finance to marketing to astrophysics in the past twenty years. This book presents some of the most important modeling and prediction techniques, along with relevant applications. Topics include linear regression, classification, resampling methods, shrinkage approaches, tree-based methods, support vector machines, clustering, deep learning, survival analysis, multiple testing, and more. Color graphics and real-world examples are used to illustrate the methods presented. Since the goal of this textbook is to facilitate the use of these statistical learning techniques by practitioners in science, industry, and other fields, each chapter contains a tutorial on implementing the analyses and methods presented in R, an extremely popular open source statistical software platform. Two of the authors co-wrote The Elements of Statistical Learning (Hastie, Tibshirani and Friedman, 2nd edition 2009), a popular reference book for statistics and machine learning researchers. An Introduction to Statistical Learning covers many of the same topics, but at a level accessible to a much broader audience. This book is targeted at statisticians and non-statisticians alike who wish to use cutting-edge statistical learning techniques to analyze their data. The text assumes only a previous course in linear regression and no knowledge of matrix algebra. This Second Edition features new chapters on deep learning, survival analysis, and multiple testing, as well as expanded treatments of naïve Bayes, generalized linear models, Bayesian additive regression trees, and matrix completion. R code has been updated throughout to ensure compatibility.
Umfang
1 Online-Ressource(xv, 607 Seiten); Illustrationen, Diagramme
Sprache
Englisch
Schlagworte
Statistik > Maschinelles Lernen
Regressionsanalyse > Resampling > Lineares Modell > Entscheidungsbaum > Support-Vektor-Maschine > Cluster-Analyse
RVK-Notation
  • Mathematik
    • Monografien
      • Wahrscheinlichkeitstheorie
        • Statistische Entscheidungstheorie
  • Mathematik
    • Monografien
      • Wahrscheinlichkeitstheorie
        • Spezielle statistische Verfahren
  • Informatik
    • Monografien
      • Einzelne Anwendungen der Datenverarbeitung
        • Datenverarbeitung in Anwendungsgebieten
          • Mathematik, Statistik
            • Einzelne Systeme (alphabetisch)
  • Wirtschaftswissenschaften
    • Mathematik. Statistik. Ökonometrie. Unternehmensforschung
      • Statistik
        • Theoretische Statistik
          • Einführende Lehrbücher
  • Informatik
    • Monografien
      • Software und -entwicklung
        • Programmiersprachen
          • Einzelne Programmiersprachen (A-Z)
  • Wirtschaftswissenschaften
    • Mathematik. Statistik. Ökonometrie. Unternehmensforschung
      • Wirtschaftsinformatik. Datenverarbeitung.
        • Systemtheorie
          • Lernprozesse, Lerntheorien
  • Wirtschaftswissenschaften
    • Mathematik. Statistik. Ökonometrie. Unternehmensforschung
      • Statistik
        • Theoretische Statistik
          • Häufigkeitsverteilungen. Stichprobenverteilungen. Schätztheorie. Testtheorie. Statistische Entscheidungstheorie
BK-Notation
31.73 Mathematische Statistik
54.72 Künstliche Intelligenz
ISBN
9781071614181
DOI
10.1007/978-1-0716-1418-1