Bewertung:
Das Buch bietet einen erfrischenden und modernen Ansatz für die multivariate Analyse und deckt ein breites Spektrum an aktuellen Techniken und Anwendungen ab. Es eignet sich gut für fortgeschrittene Studenten und Fachleute in den Bereichen Statistik und Datenwissenschaft, da es einige Bereiche vertieft und gleichzeitig eine umfassende Breite bietet. Aufgrund der Komplexität der Materie und der Kürze der grundlegenden Themen ist es jedoch nicht unbedingt für Anfänger geeignet.
Vorteile:⬤ Umfassende Abdeckung moderner multivariater Techniken.
⬤ Geeignet für fortgeschrittene Studenten und Fachleute in Statistik und Datenwissenschaft.
⬤ Gute Integration verschiedener Anwendungen (Genetik, Medizin, etc.) mit nützlichen Beispielen.
⬤ Schön präsentiert mit farbigen Grafiken und einem gut strukturierten Layout.
⬤ Enthält Einblicke in praktische Fragen wie Datenqualität und -exploration.
⬤ Setzt Vorkenntnisse in Matrixalgebra und multivariaten Methoden voraus, was für Anfänger nicht unbedingt geeignet ist.
⬤ Einige Themen, insbesondere Bayes'sche Methoden, sind unterrepräsentiert.
⬤ Das Kapitel, das sich mit Matrix/Linearer Algebra befasst, wird als zu kurz empfunden und könnte den Lesefluss für weniger erfahrene Leser stören.
⬤ Für diejenigen, die mit der Materie nicht vertraut sind, kann es eine Herausforderung sein, daraus zu lernen, was möglicherweise zusätzliche Ressourcen erfordert.
(basierend auf 12 Leserbewertungen)
Modern Multivariate Statistical Techniques: Regression, Classification, and Manifold Learning
Bemerkenswerte Fortschritte in der Datenverarbeitung und Datenspeicherung sowie die leichte Verfügbarkeit riesiger Datensätze waren der Schlüssel zum Wachstum der neuen Disziplinen Data Mining und maschinelles Lernen, während der enorme Erfolg des Humangenomprojekts das Feld der Bioinformatik eröffnet hat.
Diese spannenden Entwicklungen, die zur Einführung vieler innovativer statistischer Werkzeuge für die hochdimensionale Datenanalyse geführt haben, werden hier ausführlich beschrieben. Der Autor nimmt eine breite Perspektive ein; zum ersten Mal in einem Buch über multivariate Analyse werden neben linearen auch nichtlineare Methoden ausführlich diskutiert. Die behandelten Techniken reichen von den traditionellen multivariaten Methoden wie der multiplen Regression, den Hauptkomponenten, den kanonischen Variablen, der linearen Diskriminanzanalyse, der Faktorenanalyse, dem Clustering, der multidimensionalen Skalierung und der Korrespondenzanalyse bis hin zu den neueren Methoden der Dichteschätzung, des Projection Pursuit, der neuronalen Netze, der multivariaten Regression mit reduziertem Rang, des nichtlinearen Manifold Learning, des Bagging, des Boosting, der Random Forests, der unabhängigen Komponentenanalyse, der Support Vector Machines sowie der Klassifikations- und Regressionsbäume. Ein weiteres einzigartiges Merkmal dieses Buches ist die Diskussion von Datenbankmanagementsystemen.
Dieses Buch ist für fortgeschrittene Studenten, Doktoranden und Forscher in den Bereichen Statistik, Informatik, künstliche Intelligenz, Psychologie, Kognitionswissenschaften, Wirtschaft, Medizin, Bioinformatik und Ingenieurwesen geeignet. Vorausgesetzt werden Kenntnisse in Multivariablenrechnung, linearer Algebra, Wahrscheinlichkeitsrechnung und Statistik. Das Buch bietet eine sorgfältig integrierte Mischung aus Theorie und Anwendungen sowie klassischen und modernen multivariaten statistischen Techniken, einschließlich Bayesscher Methoden. Das Buch enthält über 60 interessante Datensätze, die als Beispiele verwendet werden, über 200 Übungen und viele farbige Abbildungen und Fotos.
| ISBN: | 9780387781884 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Hardcover |
Derzeit verfügbar, auf Lager.
