Bewertung:
Das Buch wird als zugängliche und praktische Einführung in das statistische Lernen gelobt, die sich für angehende Datenwissenschaftler eignet. Es ist von anerkannten Autoren gut geschrieben und enthält wertvolle Übungen, obwohl einige Leser Probleme mit fehlenden Lösungen und der Bindungsqualität anmerken. Während viele die Klarheit und Tiefe des Buches schätzen, finden einige es für Anfänger zu komplex. Die Verfügbarkeit von kostenlosen Online-Ressourcen wird ebenfalls geschätzt.
Vorteile:⬤ Zugängliche und praktische Einführung in das statistische Lernen.
⬤ Gut geschrieben von angesehenen Autoren auf dem Gebiet.
⬤ Bietet wertvolle Übungen und klare Erklärungen von Schlüsselkonzepten.
⬤ Enthält sowohl R- als auch Python-Ausgaben.
⬤ Kostenlose Online-Version und begleitender MOOC verfügbar.
⬤ Gute Druckqualität und farbige Abbildungen.
⬤ Einige Leser finden die Komplexität des Buches für Programmieranfänger überwältigend.
⬤ Fehlende Lösungen für Übungen.
⬤ Probleme mit der Bindung gemeldet.
⬤ Kleine Schriftgröße im Druck.
⬤ Kritik an zu viel Text mit zu wenig visuellen Hilfen.
⬤ Fehlen bestimmter Erörterungen, wie z.B. bereinigtes R-Quadrat.
(basierend auf 48 Leserbewertungen)
An Introduction to Statistical Learning: with Applications in R
Vorwort. - 1 Einleitung.
- 2 Statistisches Lernen. - 3 Lineare Regression. - 4 Klassifikation.
- 5 Resampling-Methoden.
- 6 Lineare Modellauswahl und Regularisierung. - 7 Über die Linearität hinausgehen.
- 8 Baum-basierte Methoden. - 9 Support-Vektor-Maschinen. - 10 Tiefes Lernen.
- 11 Survival-Analyse und zensierte Daten. - 12 Unüberwachtes Lernen. - 13 Mehrfaches Testen.
- Index.
| ISBN: | 9781071614204 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
