书籍描述
这本书在一个通用的概念框架中描述了这些领域的重要思想。虽然方法是统计的,但重点是概念而不是数学。文中给出了许多示例,并大量使用了彩色图形。对于统计学家和任何对科学或工业中的数据挖掘感兴趣的人来说,它都是一个宝贵的资源。这本书的覆盖面很广,从有监督的学习(预测)到无监督的学习。许多主题包括神经网络、支持向量机、分类树和boosting,这是任何一本书中第一次对这个主题进行全面的处理。
关于作者
- 特雷弗·哈斯蒂(Trevor Hastie)、罗伯特·蒂比西拉尼(Robert Tibshirani)和杰罗姆·弗里德曼(Jerome Friedman)是斯坦福大学的统计学教授。他们是这方面的杰出研究人员。
审查、评级和建议:
相关图书类别:
阅读和下载链接:
类似书籍:
-
-
概率机器学习:简介(凯文·墨菲)
这本书全面介绍了使用概率模型和推理作为统一方法的机器学习。它是以一种非正式的、可访问的风格编写的,并为最重要的算法提供了伪代码。
-
统计学习与序列预测
本书着重于统计学习和序列预测的理论方面,这是一种分析两种场景中学习的统一方法,汇集了概率和统计、博弈论、算法和优化的思想。
-
机器学习的统计基础:手册
本书旨在介绍机器学习的统计基础,旨在作为处理从数据中自动设计模型的学科。所有示例都是用统计编程语言R实现的。
-
-
-
-