Leserbewertungen
Zusammenfassung:Das Buch gilt weithin als umfassende und leicht zugängliche Einführung in das statistische Lernen, die praktische Anwendungen und klare Erklärungen bietet. Der Inhalt ist sowohl für Anfänger als auch für Fortgeschrittene gut strukturiert, was es zu einer wertvollen Ressource für Datenwissenschaftler und Statistiker macht. Einige Nutzer bemängelten jedoch die Qualität des Einbands und waren der Meinung, dass bestimmte Diskussionen fehlten oder der Text an manchen Stellen zu dicht war.
Vorteile:Zugänglicher Inhalt, der für ein breites Publikum geeignet ist, klare Erklärungen von Schlüsselkonzepten, praktische Anwendungen mit Beispielcode in R und Python, aktualisierte Kapitel, gute Druckqualität, ansprechende Texte von renommierten Autoren, kostenlose Online-Version und ein gutes Gleichgewicht zwischen Theorie und Praxis.
Nachteile:Es wird über Probleme mit der Qualität des Bucheinbands berichtet, einige Konzepte könnten für völlige Anfänger überwältigend sein, es fehlen bestimmte Diskussionen wie angepasstes R-Quadrat, und einige Rezensionen erwähnen eine Tendenz zu übermäßigem Text mit unzureichender grafischer Darstellung.
(basierend auf 48 Leserbewertungen)
Originaltitel:
An Introduction to Statistical Learning: With Applications in R
Inhalt des Buches:
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 von Biologie über Finanzen und Marketing bis hin zur 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. Zur Veranschaulichung der vorgestellten Methoden werden farbige Grafiken und Beispiele aus der Praxis verwendet. 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-Softwareplattform für Statistik.
Zwei der Autoren waren Mitverfasser von The Elements of Statistical Learning (Hastie, Tibshirani und Friedman, 2. Auflage 2009), einem beliebten Nachschlagewerk für Forscher im Bereich Statistik und maschinelles Lernen. An Introduction to Statistical Learning deckt viele der gleichen Themen ab, jedoch auf einem Niveau, das für ein viel breiteres Publikum zugänglich ist. Dieses Buch richtet sich sowohl an Statistiker als auch an Nicht-Statistiker, die modernste statistische Lerntechniken zur Analyse ihrer Daten nutzen möchten. Der Text setzt lediglich einen Vorkurs in linearer Regression und keine Kenntnisse der Matrixalgebra voraus.
Diese zweite Auflage enthält neue Kapitel über Deep Learning, Überlebensanalyse und multiples Testen sowie erweiterte Abhandlungen über na ve Bayes, verallgemeinerte lineare Modelle, Bayessche additive Regressionsbäume und Matrixvervollständigung. Der R-Code wurde durchgehend aktualisiert, um Kompatibilität zu gewährleisten.
Weitere Daten des Buches:
| ISBN: | 9781071614174 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 607 |
Kauf:
Derzeit verfügbar, auf Lager.
