Bewertung:
Das Buch hat gemischte Kritiken erhalten, in denen seine Nützlichkeit für den Statistikunterricht, insbesondere unter Verwendung von Python, hervorgehoben wurde. Während viele Rezensenten die inhaltliche Tiefe und die praktischen Einblicke lobten, trübten Probleme im Zusammenhang mit der schlechten Bindung und der Qualitätskontrolle das Erlebnis für einige Leser. Außerdem wurde der Python-Abschnitt kritisiert, den einige als veraltet und abhängig von unnötigen Paketen empfanden.
Vorteile:⬤ Hervorragende inhaltliche Tiefe in der Statistik, die das Buch für das Selbststudium geeignet macht.
⬤ Hochwertiger Hardcover-Einband mit farbigen Visualisierungen (bei ordnungsgemäßem Erhalt).
⬤ Praktischer Ansatz mit Beispielen in Python, ideal für Data Science und Analytics.
⬤ Gutes Einführungsmaterial, das überwältigende Mathematik vermeidet und für Anfänger interessant ist.
⬤ Zusätzliche unterstützende Ressourcen online verfügbar.
⬤ Mehrere Rezensenten erhielten schlecht gebundene oder beschädigte Exemplare des Buches.
⬤ Der Python-Abschnitt wird als veraltet kritisiert, da er sich auf ein unbequemes ISLP-Paket und nicht auf gängige Verfahren stützt.
⬤ Einige Exemplare kamen in schwarz-weiß an, obwohl sie in Farbe gedruckt werden sollten, was zu Verwirrung und Problemen mit der visuellen Klarheit führte.
⬤ Mehrere Benutzer berichteten über Qualitätsprobleme bei Papier und Bindung.
(basierend auf 19 Leserbewertungen)
An Introduction to Statistical Learning: With Applications in Python
An Introduction to Statistical Learning bietet einen leicht zugänglichen Überblick über das Gebiet des statistischen Lernens, ein wesentliches Instrumentarium, um die riesigen und komplexen Datensätze zu verstehen, die in den letzten zwanzig Jahren in Bereichen wie Biologie, Finanzen, Marketing und Astrophysik entstanden sind. In diesem Buch werden einige der wichtigsten Modellierungs- und Vorhersagetechniken zusammen mit den entsprechenden Anwendungen vorgestellt.
Zu den Themen gehören lineare Regression, Klassifizierung, Resampling-Methoden, Schrumpfungsansätze, baumbasierte Methoden, Support-Vektor-Maschinen, Clustering, Deep Learning, Überlebensanalyse, Mehrfachtests und vieles mehr. Farbige Grafiken und Beispiele aus der Praxis veranschaulichen die vorgestellten Methoden. Dieses Buch richtet sich sowohl an Statistiker als auch an Nicht-Statistiker, die modernste statistische Lerntechniken zur Analyse ihrer Daten nutzen möchten.
Vier der Autoren waren Mitverfasser des Buches An Introduction to Statistical Learning, With Applications in R (ISLR), das sich zu einem wichtigen Nachschlagewerk für Studenten und Absolventen weltweit entwickelt hat. Einer der Schlüssel zu seinem Erfolg war, dass jedes Kapitel eine Anleitung zur Implementierung der vorgestellten Analysen und Methoden in der wissenschaftlichen Datenverarbeitungsumgebung R enthält.
In den letzten Jahren hat sich jedoch Python zu einer beliebten Sprache für die Datenwissenschaft entwickelt, und die Nachfrage nach einer Python-basierten Alternative zu ISLR ist gestiegen. Daher deckt dieses Buch (ISLP) den gleichen Stoff wie ISLR ab, jedoch mit in Python implementierten Übungen.
Diese Übungen sind sowohl für Python-Neulinge als auch für erfahrene Benutzer nützlich.
| ISBN: | 9783031387463 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Hardcover |
Derzeit verfügbar, auf Lager.
