Beschreibung
Eine Einführung in statistisches Lernen (ISL) dient als umfassender Leitfaden für das kritische Toolkit des statistischen Lernens, das für die Bewältigung des stetig wachsenden Umfangs und der Reichweite der Datenerfassung in verschiedenen Bereichen unerlässlich ist. Dieses Buch bietet eine breite, aber zugängliche Behandlung wichtiger Themen und eignet sich daher für alle, die zeitgemäße Werkzeuge zur Datenanalyse verstehen und nutzen möchten.
Weiterlesen
Die erste Auflage, ISLR, mit Anwendungen in R, wurde 2013 veröffentlicht, gefolgt von einer zweiten Auflage im Jahr 2021. Angesichts der wachsenden Bedeutung von Python in der Datenwissenschaft wurde 2023 die Python-Ausgabe (ISLP) veröffentlicht. Jede Ausgabe ist so strukturiert, dass sie das Lernen durch praktische Anwendung verstärkt und am Ende jedes Kapitels ein Lab enthält. Diese Labs demonstrieren die Konzepte des Kapitels entweder mit R oder Python und ermöglichen es den Lesern, praktische Erfahrungen zu sammeln.
Das Buch behandelt systematisch eine breite Palette grundlegender und fortgeschrittener Themen im statistischen Lernen. Dazu gehören eine Einführung in das statistische Lernen, Regressionstechniken, Klassifizierungsmethoden, Resampling-Strategien, die Auswahl und Regularisierung linearer Modelle sowie Ansätze jenseits linearer Modelle. Weitere Kapitel befassen sich mit baumbasierten Methoden, Support Vector Machines, Deep Learning, Überlebenszeitanalyse, unüberwachtem Lernen und multiplen Tests. Dieser strukturierte Ansatz gewährleistet ein gründliches Verständnis der Landschaft des statistischen Lernens.
ISL wurde von führenden Experten in Statistik und biomedizinischer Datenwissenschaft verfasst, darunter Gareth James, Daniela Witten, Trevor Hastie, Rob Tibshirani und Jonathan Taylor (für die Python-Ausgabe), und ist eine wertvolle Ressource für Studenten, Forscher und Praktiker. Die Verfügbarkeit von R- und Python-Ausgaben sowie übersetzte Versionen unterstreichen seine globale Reichweite und Relevanz. Das Buch ist ideal für Personen, die eine solide Grundlage in Datenanalyse- und maschinellen Lernmethoden aufbauen möchten, um Daten in ihren jeweiligen Bereichen effektiv interpretieren und nutzen zu können.
- KategorieWeitere KI-Tools
Buchdetails
Behandelt Regressions- und Klassifizierungstechniken
Erklärt Resampling-Methoden wie Kreuzvalidierung
Detailliert die Auswahl und Regularisierung linearer Modelle
Führt baumbasierte Methoden und Support Vector Machines ein
Enthält Kapitel zu Deep Learning und Überlebenszeitanalyse
Beinhaltet unüberwachtes Lernen und multiple Tests
Praktische Labs in R und Python verfügbar
Zweite Auflage von ISLR mit R veröffentlicht im Jahr 2021
ISLP-Ausgabe mit Python veröffentlicht im Jahr 2023
In mehrere Sprachen übersetzt
Autoren sind führende Persönlichkeiten in Statistik und Datenwissenschaft
Für wen dieses Buch ist
- Grundlagen der Datenanalyse
- Einführung in maschinelles Lernen
- R-Programmierung für Statistik
- Python für Data Science
- Akademisches Studium
- Berufliche Weiterentwicklung
- Modellauswahl und Regularisierung
- Erkundung unüberwachten Lernens
