Хасті, Тібшірані, Фрідман: Основи статистичного навчання (2-е видання)

У книзі викладаються основи статистичного навчання для вирішення практичних завдань, що виникають в медицині, біології, фінансах і багатьох інших галузях науки і промисловості. Зокрема, розглядаються основні поняття і методи статистичного навчання: лінійна регресія, нелінійна регресія, лінійні методи класифікації, регуляризація, ядерне згладжування, оцінювання та вибір моделей, адитивні моделі, дерева класифікації, нейронні мережі, випадкові ліси і багато іншого. Автори наводять безліч прикладів і ілюстрацій застосування цих методів на практиці.

Автори книги є видатними авторитетами в математичній статистиці і машинному навчанні: Тревор Хасті - володар звання ISI Highly Cited Author in Mathematics за версією ISI Web of Knowledge, Роберт Тібширані - винахідник методу LASSO і володар Золотої медалі Статистичного товариства Канади, Джером Фрідман - широко відомий фахівець з машинного навчання і автор численних монографій.

Протягом останнього десятиліття стався вибух в галузі обчислень та інформаційних технологій. Разом з ним з'явилися величезні обсяги даних в різних галузях, таких як медицина, біологія, фінанси і маркетинг. Проблема розуміння цих даних призвела до розробки нових статистичних інструментів і породила нові наукові дисципліни, такі як інтелектуальний аналіз даних, машинне навчання і біоінформатика.

Багато з цих інструментів мають спільні наукові підстави, але часто описуються за допомогою іншої термінології.

У цій книзі описуються важливі ідеї в цих галузях з єдиної теоретичної точки зору. Хоча цей підхід є статистичним, упор робиться на концепції, а не на математику. Наводиться багато прикладів з широким використанням кольорової графіки. Книга являє собою цінне джерело інформації для статистиків і всіх, хто цікавиться інтелектуальним аналізом даних в науці або промисловості.

Охоплення книги широке: від навчання з учителем (прогнозування) до навчання без учителя. У ній описано нейронні мережі, метод опорних векторів, дерева класифікації та бустінг, який вперше всебічно розглянуто в книзі, а не в окремих публікаціях.

В даному глибоко переробленому виданні представлено багато тем, не охоплених в першому виданні, включаючи графові моделі, випадкові ліси, ансамблеві методи, алгоритми регресії найменших кутів і алгоритми побудови траєкторій для методів LASSO, невід’ємної факторизації матриць і спектральної кластеризації. У книзі також є розділ про методи аналізу широких даних (коли p більше, ніж n), включаючи множинне тестування і частку помилкових відхилень гіпотези.