出版社:电子工业出版社
出版日期:2004-1
ISBN:9787505393318
作者:Robert Tibshirani,Trevor Hastie,Jerome Friedman
页数:381页
前言
我们的书被范明教授、柴玉梅副教授和咎红英讲师翻译成中文,我们感到非常高兴。这意味我们的工作将有机会被更多人所了解——对于任何科学家,这都是令人期待和兴奋的。在斯坦福大学统计学系,我们有许多讲中文的研究生,他们使我们确信几位译者的翻译非.常出色。借此机会,我们向所有的中国同仁问好,并希望他们喜欢本书。热切期待我们的书在东方也能像在西方一样受到热烈欢迎。致以良好祝愿!
书籍目录
第一章 绪论
第二章 有指导学习概述
第三章 回归的线性方法
第四章 分类的线性方法
第五章 基展开与正则化
第六章 核方法
第七章 模型评估与选择
第八章 模型推理和平均
第九章 加法模型、树和相关方法
第十章 提升和加法树
第十一章 神经网络
第十二章 支持向量机和柔性判别
第十三章 原型方法和最近邻
第十四章 无指导学习
编辑推荐
随着计算机和信息时代的到来,统计问题的规模和复杂性都有了急剧增加。数据存储、组织和检索领域的挑战导致一个新领域“数据挖掘”的产生。数据挖掘是一个多学科交叉领域,涉及数据库技术、机器学习、统计学、神经网络、模式识别、知识库、信息提取、高性能计算等诸多领域,并在工业、商务、财经、通信、医疗卫生、生物工程、科学等众多行业得到了广泛的应用。 本书试图将学习领域中许多重要的新思想汇集在一起,并且在统计学的框架下解释它们。尽管有些数学细节是必要的,但本书强调的是方法和它们的概念基础,而不是理论性质。本书内容广泛,从有指导的学习(预测)到无指导的学习,应有尽有。包括神经网络、支持向量机、分类树和提升等主题,是同类书籍中介绍得最全面的,适合从事数据挖掘和机器学习研究的读者阅读。
作者简介
《统计学习基础:数据挖掘、推理与预测》介绍了这些领域的一些重要概念。尽管应用的是统计学方法,但强调的是概念,而不是数学。许多例子附以彩图。《统计学习基础:数据挖掘、推理与预测》内容广泛,从有指导的学习(预测)到无指导的学习,应有尽有。包括神经网络、支持向量机、分类树和提升等主题,是同类书籍中介绍得最全面的。计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战,这导致了统计学领域新工具的发展,并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础,但常常用不同的术语来表达。
图书封面