Bewertung:
Das Buch bietet einen modernen und umfassenden Ansatz für die multivariate Analyse und behandelt eine Vielzahl von Techniken und Methoden, wobei der Schwerpunkt auf der praktischen Anwendung und aktuellen Fragen der Statistik liegt. Es enthält zahlreiche Beispiele und ist visuell ansprechend gestaltet, was es zu einem nützlichen Nachschlagewerk für Studenten und Fachleute macht. Die Tiefe des Buches kann jedoch für Anfänger eine Herausforderung darstellen, und es kann sein, dass bestimmte Bayes'sche Methoden nicht eingehend behandelt werden.
Vorteile:⬤ Bietet eine neue Perspektive auf die multivariate Analyse und Datenexploration.
⬤ deckt ein breites Spektrum moderner Techniken ab, darunter nichtparametrische Methoden, maschinelles Lernen und Klassifikationsalgorithmen.
⬤ Enthält zahlreiche Beispiele aus der Praxis und Farbgrafiken, die das Verständnis verbessern.
⬤ Gut strukturiert als umfassendes Nachschlagewerk für Studenten und Fachleute.
⬤ Akademische Gründlichkeit mit umfangreicher Bibliographie und Übungen.
⬤ Nicht geeignet für Anfänger oder Personen, die mit der Materie noch nicht vertraut sind.
⬤ Es fehlt eine ausführliche Diskussion der Bayes'schen Methoden.
⬤ Einige Kapitel, wie das über Matrixalgebra, können den Lesefluss stören und weniger erfahrene Leser einschüchtern.
⬤ Gilt als schwieriges Nachschlagewerk für Erstlerner im Vergleich zu einführenden Texten.
(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: | 9781493938322 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2016 |
| Seitenzahl: | 733 |
Derzeit verfügbar, auf Lager.
