Les Éléments de l'Apprentissage Statistique: Data Mining, Inférence et Prédiction, Deuxième édition (Série Springer en Statistique)

Ce livre décrit les idées importantes dans divers domaines tels que la médecine, la biologie, la finance et le marketing dans un cadre conceptuel commun.. Bien que l'approche soit statistique, l'accent est mis sur les concepts plutôt que sur les mathématiques.. De nombreux exemples sont donnés, avec un usage généreux de graphiques en couleur.. C'est une ressource précieuse pour les statisticiens et toute personne intéressée par le data mining en science ou dans l'industrie.. La couverture du livre est large, allant de l'apprentissage supervisé (prédiction) à l'apprentissage non supervisé. Les nombreux sujets incluent les réseaux de neurones, les machines à vecteurs de support, les arbres de classification et le boosting---le premier traitement complet de ce sujet dans n'importe quel livre.

Cette nouvelle édition majeure présente de nombreux sujets non couverts dans l'original, notamment les modèles graphiques, les forêts aléatoires, les méthodes d'ensemble, la régression du moindre angle et les algorithmes de chemin pour le lasso, la factorisation matricielle non négative et le clustering spectral.. Il y a aussi un chapitre sur les méthodes pour les données « larges » (p plus grand que n), y compris les tests multiples et les taux de fausses découvertes.

A propos de l'auteur

Trevor Hastie, Robert Tibshirani et Jerome Friedman sont professeurs de statistique à l'université Stanford.. Ce sont des chercheurs éminents dans ce domaine: Hastie et Tibshirani ont développé les modèles additifs généralisés et écrit un livre populaire de ce titre.. Hastie a co-développé une grande partie du logiciel et de l'environnement de modélisation statistique dans R/S-PLUS et a inventé les courbes et surfaces principales.. Tibshirani a proposé le lasso et est co-auteur du très réussi An Introduction to the Bootstrap.