Eine Einführung in das statistische Lernen: mit Anwendungen in R (Springer-Texte in Statistik)

Eine Einführung in das statistische Lernen bietet einen leicht verständlichen Überblick über das Feld des statistischen Lernens, ein unverzichtbares Instrumentarium für das Verständnis der riesigen und komplexen Datensätze, die in den letzten zwanzig Jahren in Bereichen von der Biologie über Finanzen und Marketing bis hin zur Astrophysik entstanden sind.. Dieses Buch stellt einige der wichtigsten Modellierungs- und Vorhersagetechniken sowie relevante Anwendungen vor. Themen umfassen lineare Regression, Klassifikation, Resampling-Methoden, Shrinkage-Ansätze, baumbasierte Methoden, Support-Vektor-Maschinen, Clustering, Deep Learning, Überlebenszeitanalyse, multiples Testen und mehr. Farbige Grafiken und Beispiele aus der Praxis werden verwendet, um die vorgestellten Methoden zu veranschaulichen.. Da das Ziel dieses Lehrbuchs darin besteht, die Anwendung dieser statistischen Lerntechniken für Praktiker in Wissenschaft, Industrie und anderen Bereichen zu erleichtern, enthält jedes Kapitel eine Anleitung zur Implementierung der vorgestellten Analysen und Methoden in R, einer äußerst beliebten Open-Source-Statistiksoftwareplattform. Zwei der Autoren haben gemeinsam „The Elements of Statistical Learning“ verfasst. (Hastie, Tibshirani und Friedman, 2. Auflage 2009), ein beliebtes Nachschlagewerk für Statistik- und Machine-Learning-Forscher. Eine Einführung in das statistische Lernen behandelt viele der gleichen Themen, jedoch auf einem Niveau, das einem viel breiteren Publikum zugänglich ist.. Dieses Buch richtet sich sowohl an Statistiker als auch an Nicht-Statistiker, die hochmoderne statistische Lerntechniken zur Analyse ihrer Daten verwenden möchten.. Der Text setzt nur einen vorherigen Kurs in linearer Regression voraus und keine Kenntnisse der Matrixalgebra. Diese zweite Auflage enthält neue Kapitel über Deep Learning, Überlebenszeitanalyse und multiples Testen sowie erweiterte Darstellungen von Naive Bayes, generalisierten linearen Modellen, Bayesianischen additiven Regressionsbäumen und Matrixvervollständigung.. Der R-Code wurde durchgehend aktualisiert, um die Kompatibilität sicherzustellen.