Avis des lecteurs
Résumé:Le livre a reçu des critiques mitigées, soulignant son utilité dans l'enseignement des statistiques, en particulier avec l'utilisation de Python. Alors que de nombreux critiques ont loué la profondeur du contenu et les idées pratiques, des problèmes liés à une mauvaise reliure et au contrôle de la qualité ont entaché l'expérience de certains lecteurs. En outre, des critiques ont été formulées à l'encontre de la section Python, que certains ont jugée obsolète et reposant sur des paquets inutiles.
Avantages:⬤ Excellent contenu sur les statistiques, ce qui le rend adapté à l'auto-apprentissage.
⬤ Couverture rigide de haute qualité avec visualisations en couleur (lorsque l'ouvrage est reçu en bon état).
⬤ Approche pratique avec des exemples utilisant Python, ce qui le rend idéal pour la science des données et l'analyse.
⬤ Un bon matériel d'introduction qui évite les mathématiques trop lourdes et qui s'adresse aux débutants.
⬤ Des ressources complémentaires sont disponibles en ligne.
⬤ Plusieurs évaluateurs ont reçu des copies mal reliées ou endommagées du livre.
⬤ La section sur Python a été critiquée parce qu'elle était dépassée et qu'elle s'appuyait sur un paquetage ISLP peu pratique plutôt que sur des pratiques courantes.
⬤ Certains exemplaires sont arrivés en noir et blanc alors que l'on s'attendait à une impression en couleur, ce qui a entraîné une certaine confusion et des problèmes de clarté visuelle.
⬤ Des problèmes de cohérence de la qualité du papier et de la reliure ont été signalés par plusieurs utilisateurs.
(basé sur 19 avis de lecteurs)
Titre original :
An Introduction to Statistical Learning: With Applications in Python
Contenu du livre :
Une introduction à l'apprentissage statistique offre une vue d'ensemble accessible du domaine de l'apprentissage statistique, un ensemble d'outils essentiels pour donner un sens aux ensembles de données vastes et complexes qui ont émergé dans des domaines allant de la biologie à la finance, au marketing et à l'astrophysique au cours des vingt dernières années. Ce livre présente certaines des techniques de modélisation et de prédiction les plus importantes, ainsi que des applications pertinentes.
Les sujets abordés comprennent la régression linéaire, la classification, les méthodes de rééchantillonnage, les approches de réduction, les méthodes basées sur les arbres, les machines à vecteurs de support, le clustering, l'apprentissage profond, l'analyse de survie, les tests multiples, et bien plus encore. Des graphiques en couleur et des exemples du monde réel sont utilisés pour illustrer les méthodes présentées. Ce livre s'adresse aussi bien aux statisticiens qu'aux non-statisticiens qui souhaitent utiliser des techniques d'apprentissage statistique de pointe pour analyser leurs données.
Quatre des auteurs ont coécrit An Introduction to Statistical Learning, With Applications in R (ISLR), qui est devenu un pilier des cours de premier et deuxième cycles dans le monde entier, ainsi qu'un ouvrage de référence important pour les scientifiques des données. L'une des clés de son succès est que chaque chapitre contient un tutoriel sur la mise en œuvre des analyses et des méthodes présentées dans l'environnement informatique scientifique R.
Cependant, ces dernières années, Python est devenu un langage populaire pour la science des données, et il y a eu une demande croissante pour une alternative à ISLR basée sur Python. C'est pourquoi ce livre (ISLP) couvre les mêmes sujets que ISLR, mais avec des travaux pratiques mis en œuvre en Python.
Ces travaux pratiques seront utiles aussi bien aux novices en Python qu'aux utilisateurs expérimentés.
Autres informations sur le livre :
| ISBN : | 9783031387463 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Relié |
Achat:
Actuellement disponible, en stock.
