An Introduction to Statistical Learning / James, Gareth  

Público ISBD Ningún comentario para este registro. Título : An Introduction to Statistical Learning : with Applications in R Tipo de documento: documento electrónico Autores: James, Gareth, ; Witten, Daniela, ; Hastie, Trevor, ; Tibshirani, Robert, Mención de edición: 2 ed. Editorial: Boston [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. Idioma : Inglés (eng) Palabras clave: Estadísticas  Inteligencia artificial  Teoría y métodos estadísticos.  Estadística y Computación Clasificación: 519.5 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. Tipo de medio : Computadora Summary : An Introduction to Statistical Learning provides an accessible overview of the field of statistical learning, an essential toolset for making sense of the vast and complex data sets that have emerged in fields ranging from biology to finance to marketing to astrophysics in the past twenty years. This book presents some of the most important modeling and prediction techniques, along with relevant applications. Topics include linear regression, classification, resampling methods, shrinkage approaches, tree-based methods, support vector machines, clustering, deep learning, survival analysis, multiple testing, and more. Color graphics and real-world examples are used to illustrate the methods presented. Since the goal of this textbook is to facilitate the use of these statistical learning techniques by practitioners in science, industry, and other fields, each chapter contains a tutorial on implementing the analyses and methods presented in R, an extremely popular open source statistical software platform. Two of the authors co-wrote The Elements of Statistical Learning (Hastie, Tibshirani and Friedman, 2nd edition 2009), a popular reference book for statistics and machine learning researchers. An Introduction to Statistical Learning covers many of the same topics, but at a level accessible to a much broader audience. This book is targeted at statisticians and non-statisticians alike who wish to use cutting-edge statistical learning techniques to analyze their data. The text assumes only a previous course in linear regression and no knowledge of matrix algebra. This Second Edition features new chapters on deep learning, survival analysis, and multiple testing, as well as expanded treatments of naïve Bayes, generalized linear models, Bayesian additive regression trees, and matrix completion. R code has been updated throughout to ensure compatibility. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] An Introduction to Statistical Learning : with Applications in R [documento electrónico] / James, Gareth, ; Witten, Daniela, ; Hastie, Trevor, ; Tibshirani, Robert,  . -  2 ed.  . - Boston [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. Idioma : Inglés (eng) Palabras clave: Estadísticas  Inteligencia artificial  Teoría y métodos estadísticos.  Estadística y Computación Clasificación: 519.5 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. Tipo de medio : Computadora Summary : An Introduction to Statistical Learning provides an accessible overview of the field of statistical learning, an essential toolset for making sense of the vast and complex data sets that have emerged in fields ranging from biology to finance to marketing to astrophysics in the past twenty years. This book presents some of the most important modeling and prediction techniques, along with relevant applications. Topics include linear regression, classification, resampling methods, shrinkage approaches, tree-based methods, support vector machines, clustering, deep learning, survival analysis, multiple testing, and more. Color graphics and real-world examples are used to illustrate the methods presented. Since the goal of this textbook is to facilitate the use of these statistical learning techniques by practitioners in science, industry, and other fields, each chapter contains a tutorial on implementing the analyses and methods presented in R, an extremely popular open source statistical software platform. Two of the authors co-wrote The Elements of Statistical Learning (Hastie, Tibshirani and Friedman, 2nd edition 2009), a popular reference book for statistics and machine learning researchers. An Introduction to Statistical Learning covers many of the same topics, but at a level accessible to a much broader audience. This book is targeted at statisticians and non-statisticians alike who wish to use cutting-edge statistical learning techniques to analyze their data. The text assumes only a previous course in linear regression and no knowledge of matrix algebra. This Second Edition features new chapters on deep learning, survival analysis, and multiple testing, as well as expanded treatments of naïve Bayes, generalized linear models, Bayesian additive regression trees, and matrix completion. R code has been updated throughout to ensure compatibility. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200