De Elementen van Statistische Leren: Data Mining, Inferentie en Voorspelling, Tweede Editie (Springer Series in Statistics)

Dit boek beschrijft de belangrijke ideeën op diverse gebieden, zoals geneeskunde, biologie, financiën en marketing, binnen een gemeenschappelijk conceptueel kader.. Hoewel de aanpak statistisch is, ligt de nadruk op concepten in plaats van op wiskunde.. Er worden veel voorbeelden gegeven, met royaal gebruik van kleurenafbeeldingen.. Het is een waardevolle bron voor statistici en iedereen die geïnteresseerd is in data mining in de wetenschap of industrie.. De dekking van het boek is breed, van gesuperviseerd leren (voorspelling) naar ongesuperviseerd leren. De vele onderwerpen omvatten neurale netwerken, support vector machines, classificatiebomen en boosting---de eerste uitgebreide behandeling van dit onderwerp in welk boek dan ook.

Deze grote nieuwe editie bevat veel onderwerpen die niet in het origineel aan bod kwamen, waaronder grafische modellen, random forests, ensemblemethoden, least angle regression & padalgoritmen voor de lasso, niet-negatieve matrixfactorisatie en spectrale clustering.. Er is ook een hoofdstuk over methoden voor 'brede' data (p groter dan n), inclusief meervoudig testen en false discovery rates.

Over de auteur

Trevor Hastie, Robert Tibshirani en Jerome Friedman zijn hoogleraren statistiek aan de Stanford University. Zij zijn vooraanstaande onderzoekers op dit gebied: Hastie en Tibshirani ontwikkelden gegeneraliseerde additieve modellen en schreven daar een populair boek over.. Hastie co-ontwikkelde veel van de statistische modelleringssoftware en omgeving in R/S-PLUS en vond principale curven en oppervlakken uit.. Tibshirani stelde de lasso voor en is medeauteur van het zeer succesvolle 'An Introduction to the Bootstrap'.