The Elements of Statistical Learning - Data Mining, Inference, and Prediction - Second Edition

Tijdens deze belangrijke nieuwe editie worden onderwerpen behandeld die niet aan bod kwamen in de oorspronkelijke uitgave, zoals grafische modellen, random forests en ensemble-methoden. Het boek biedt een gemeenschappelijk conceptueel kader voor statistische data in onze steeds sneller digitaliserende wereld. In de afgelopen decennia heeft de toename van rekenkracht en informatietechnologie geleid tot enorme hoeveelheden data in velden als geneeskunde, biologie, financiën en marketing. De uitdaging om deze data te begrijpen heeft geresulteerd in nieuwe hulpmiddelen binnen de statistiek en de opkomst van gebieden als data mining, machine learning en bioinformatica. Veel van deze tools delen grondslagen maar worden vaak met verschillende terminologie weergegeven. De nadruk ligt hier op concepten in plaats van wiskunde, en er worden veel voorbeelden gegeven met veel kleurige grafische weergaven. Dit boek is een waardevolle bron voor statistici en iedereen die geïnteresseerd is in data mining in wetenschap of industrie. De dekking loopt van supervised learning (voorspellen) tot unsupervised learning, met onderwerpen zoals neurale netwerken, support vector machines, classificatiebomen en boosting – de eerste uitgebreide behandeling van dit onderwerp in een boek.

De editie behandelt ook onderwerpen als grafische modellen, random forests en ensemble-methoden, least angle regression en pad-algoritmes voor de lasso, non-negatieve matrixfactorisatie en spectral clustering. Daarnaast is er een hoofdstuk over methoden voor brede data (p groter dan n), inclusief multiple testing en false discovery rates. De auteurs Hastie, Tibshirani en Friedman zijn toonaangevende statistici aan de Stanford Universiteit en hebben belangrijke bijdragen geleverd aan diverse statistische en data-mining-technieken.

• Grafische modellen, Random Forests en ensemble methoden onderzocht
• Lasso, least angle regression en pad-algoritmes behandeld
• Spectral clustering en non-negatieve matrixfactorisatie besproken
• Brede dekking van supervised tot unsupervised learning
• 'Wide' data (p groter dan n), multiple testing
• Auteurs Hastie, Tibshirani en Friedman staan centraal