Uma introdução à aprendizagem estatística fornece uma visão geral acessível do campo da aprendizagem estatística, um conjunto de ferramentas essencial para compreender os vastos e complexos conjuntos de dados que surgiram em campos que vão da biologia às finanças, ao marketing e à astrofísica nos últimos vinte anos.. Este livro apresenta algumas das mais importantes técnicas de modelagem e previsão, juntamente com aplicações relevantes. Os tópicos incluem regressão linear, classificação, métodos de reamostragem, abordagens de encolhimento, métodos baseados em árvores, máquinas de vetores de suporte, agrupamento, aprendizado profundo, análise de sobrevivência, testes múltiplos e muito mais. Gráficos coloridos e exemplos do mundo real são usados para ilustrar os métodos apresentados. Como o objetivo deste livro didático é facilitar o uso dessas técnicas de aprendizagem estatística por praticantes em ciência, indústria e outros campos, cada capítulo contém um tutorial sobre como implementar as análises e métodos apresentados em R, uma plataforma de software estatístico de código aberto extremamente popular.. Dois dos autores co-escreveram The Elements of Statistical Learning (Hastie, Tibshirani e Friedman, 2ª edição 2009), um livro de referência popular para pesquisadores de estatística e aprendizado de máquina. Uma introdução à aprendizagem estatística cobre muitos dos mesmos tópicos, mas em um nível acessível a um público muito mais amplo. Este livro é direcionado a estatísticos e não estatísticos que desejam usar técnicas de aprendizagem estatística de ponta para analisar seus dados.. O texto pressupõe apenas um curso prévio de regressão linear e nenhum conhecimento de álgebra matricial.. Esta Segunda Edição apresenta novos capítulos sobre aprendizagem profunda, análise de sobrevivência e testes múltiplos, bem como tratamentos expandidos de Naive Bayes, modelos lineares generalizados, árvores de regressão aditivas Bayesianas e preenchimento de matrizes.. O código R foi atualizado em todo o seu conteúdo para garantir a compatibilidade. Sobre o autor:
Gareth James é professor de ciências de dados e operações, e o E. Cátedra Morgan Stanley em Administração de Empresas, na Universidade do Sul da Califórnia. Publicou um extenso corpo de trabalho metodológico no domínio da aprendizagem estatística com particular ênfase em dados de alta dimensão e funcionais. A estrutura conceitual para este livro surgiu de seus cursos eletivos de MBA nesta área.. Daniela Witten é professora de estatística e bioestatística, e Cadeira Dotada Dorothy Gilford, na Universidade de Washington.. Sua pesquisa se concentra amplamente em técnicas de aprendizado estatístico de máquina para a análise de dados complexos, confusos e em larga escala, com ênfase no aprendizado não supervisionado.. Trevor Hastie e Robert Tibshirani são professores de estatística na Universidade de Stanford e são coautores do livro de sucesso Elements of Statistical Learning. Hastie e Tibshirani desenvolveram modelos aditivos generalizados e escreveram um livro popular com esse título.. Hastie codesenvolveu grande parte do software e ambiente de modelagem estatística em R/S-PLUS e inventou curvas e superfícies principais.. Tibshirani propôs o lasso e é coautor do muito bem-sucedido An Introduction to the Bootstrap.
Reembolso por não entrega
