| Título : |
An Introduction to Statistical Learning : with Applications in R |
| Tipo de documento: |
documento electrónico |
| Autores: |
James, Gareth, Autor ; Witten, Daniela, Autor ; Hastie, Trevor, Autor ; Tibshirani, Robert, Autor |
| Mención de edición: |
2 ed. |
| Editorial: |
Boston, MA [USA] : Springer |
| Fecha de publicación: |
2021 |
| Número de páginas: |
XV, 607 p. 191 ilustraciones, 182 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-1-07-161418-1 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Estadísticas Inteligencia artificial Teoría y métodos estadísticos Estadística y Computación |
| Índice Dewey: |
519.5 Matemáticas estadísticas |
| Resumen: |
Una introducción al aprendizaje estadístico proporciona una visión general accesible del campo del aprendizaje estadístico, un conjunto de herramientas esencial para dar sentido a los vastos y complejos conjuntos de datos que han surgido en campos que van desde la biología hasta las finanzas, el marketing y la astrofísica en los últimos veinte años. Este libro presenta algunas de las técnicas de modelado y predicción más importantes, junto con sus aplicaciones relevantes. Los temas incluyen regresión lineal, clasificación, métodos de remuestreo, enfoques de contracción, métodos basados en árboles, máquinas de vectores de soporte, agrupación, aprendizaje profundo, análisis de supervivencia, pruebas múltiples y más. Se utilizan gráficos en color y ejemplos del mundo real para ilustrar los métodos presentados. Dado que el objetivo de este libro de texto es facilitar el uso de estas técnicas de aprendizaje estadístico por parte de profesionales de la ciencia, la industria y otros campos, cada capítulo contiene un tutorial sobre la implementación de los análisis y métodos presentados en R, una plataforma de software estadístico de código abierto extremadamente popular. . Dos de los autores coescribieron The Elements of Statistical Learning (Hastie, Tibshirani y Friedman, segunda edición, 2009), un popular libro de referencia para investigadores de estadística y aprendizaje automático. Una Introducción al aprendizaje estadístico cubre muchos de los mismos temas, pero a un nivel accesible para una audiencia mucho más amplia. Este libro está dirigido tanto a estadísticos como a no estadísticos que deseen utilizar técnicas de aprendizaje estadístico de vanguardia para analizar sus datos. El texto asume sólo un curso previo de regresión lineal y ningún conocimiento de álgebra matricial. Esta segunda edición presenta nuevos capítulos sobre aprendizaje profundo, análisis de supervivencia y pruebas múltiples, así como tratamientos ampliados de Bayes ingenuo, modelos lineales generalizados, árboles de regresión aditiva bayesiana y finalización de matrices. El código R se ha actualizado para garantizar la compatibilidad. |
| Nota de contenido: |
Preface -- 1 Introduction -- 2 Statistical Learning -- 3 Linear Regression -- 4 Classification -- 5 Resampling Methods -- 6 Linear Model Selection and Regularization -- 7 Moving Beyond Linearity -- 8 Tree-Based Methods -- 9 Support Vector Machines -- 10 Deep Learning -- 11 Survival Analysis and Censored Data -- 12 Unsupervised Learning -- 13 Multiple Testing -- Index. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
An Introduction to Statistical Learning : with Applications in R [documento electrónico] / James, Gareth, Autor ; Witten, Daniela, Autor ; Hastie, Trevor, Autor ; Tibshirani, Robert, Autor . - 2 ed. . - Boston, MA [USA] : Springer, 2021 . - XV, 607 p. 191 ilustraciones, 182 ilustraciones en color. ISBN : 978-1-07-161418-1 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Estadísticas Inteligencia artificial Teoría y métodos estadísticos Estadística y Computación |
| Índice Dewey: |
519.5 Matemáticas estadísticas |
| Resumen: |
Una introducción al aprendizaje estadístico proporciona una visión general accesible del campo del aprendizaje estadístico, un conjunto de herramientas esencial para dar sentido a los vastos y complejos conjuntos de datos que han surgido en campos que van desde la biología hasta las finanzas, el marketing y la astrofísica en los últimos veinte años. Este libro presenta algunas de las técnicas de modelado y predicción más importantes, junto con sus aplicaciones relevantes. Los temas incluyen regresión lineal, clasificación, métodos de remuestreo, enfoques de contracción, métodos basados en árboles, máquinas de vectores de soporte, agrupación, aprendizaje profundo, análisis de supervivencia, pruebas múltiples y más. Se utilizan gráficos en color y ejemplos del mundo real para ilustrar los métodos presentados. Dado que el objetivo de este libro de texto es facilitar el uso de estas técnicas de aprendizaje estadístico por parte de profesionales de la ciencia, la industria y otros campos, cada capítulo contiene un tutorial sobre la implementación de los análisis y métodos presentados en R, una plataforma de software estadístico de código abierto extremadamente popular. . Dos de los autores coescribieron The Elements of Statistical Learning (Hastie, Tibshirani y Friedman, segunda edición, 2009), un popular libro de referencia para investigadores de estadística y aprendizaje automático. Una Introducción al aprendizaje estadístico cubre muchos de los mismos temas, pero a un nivel accesible para una audiencia mucho más amplia. Este libro está dirigido tanto a estadísticos como a no estadísticos que deseen utilizar técnicas de aprendizaje estadístico de vanguardia para analizar sus datos. El texto asume sólo un curso previo de regresión lineal y ningún conocimiento de álgebra matricial. Esta segunda edición presenta nuevos capítulos sobre aprendizaje profundo, análisis de supervivencia y pruebas múltiples, así como tratamientos ampliados de Bayes ingenuo, modelos lineales generalizados, árboles de regresión aditiva bayesiana y finalización de matrices. El código R se ha actualizado para garantizar la compatibilidad. |
| Nota de contenido: |
Preface -- 1 Introduction -- 2 Statistical Learning -- 3 Linear Regression -- 4 Classification -- 5 Resampling Methods -- 6 Linear Model Selection and Regularization -- 7 Moving Beyond Linearity -- 8 Tree-Based Methods -- 9 Support Vector Machines -- 10 Deep Learning -- 11 Survival Analysis and Censored Data -- 12 Unsupervised Learning -- 13 Multiple Testing -- Index. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Hacer una sugerencia Refinar búsqueda
