Introduction à l'apprentissage statistique : Avec des applications en R

Avis des lecteurs

Résumé:

Ce livre est largement considéré comme une introduction complète et accessible à l'apprentissage statistique, offrant des applications pratiques et des explications claires. Son contenu est bien structuré pour les débutants et les apprenants avancés, ce qui en fait une ressource précieuse pour les scientifiques des données et les statisticiens. Cependant, certains utilisateurs ont noté des problèmes de qualité de reliure et ont estimé que certaines discussions manquaient ou que le texte pouvait être trop dense par endroits.

Avantages:

Contenu accessible et adapté à un large public, explications claires des concepts clés, applications pratiques avec des exemples de code en R et Python, chapitres mis à jour, impression de bonne qualité, rédaction attrayante par des auteurs renommés, version en ligne gratuite disponible, bon équilibre entre théorie et pratique.

Inconvénients:

Des problèmes ont été signalés en ce qui concerne la qualité de la reliure, certains concepts peuvent être trop complexes pour des débutants complets, il manque certaines discussions telles que le R-carré ajusté, et certaines critiques mentionnent une tendance à l'excès de texte avec une représentation graphique insuffisante.

(basé sur 48 avis de lecteurs)

Titre original :

An Introduction to Statistical Learning: With Applications in R

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 en passant par le marketing et 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. L'objectif de ce manuel étant de faciliter l'utilisation de ces techniques d'apprentissage statistique par les praticiens de la science, de l'industrie et d'autres domaines, chaque chapitre contient un tutoriel sur l'implémentation des analyses et des méthodes présentées dans R, une plateforme logicielle statistique open source extrêmement populaire.

Deux des auteurs ont coécrit The Elements of Statistical Learning (Hastie, Tibshirani et Friedman, 2e édition 2009), un ouvrage de référence populaire pour les chercheurs en statistiques et en apprentissage automatique. An Introduction to Statistical Learning couvre un grand nombre des mêmes sujets, mais à un niveau accessible à un public beaucoup plus large. 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. Le texte ne suppose qu'un cours préalable de régression linéaire et aucune connaissance de l'algèbre matricielle.

Cette deuxième édition comporte de nouveaux chapitres sur l'apprentissage profond, l'analyse de survie et les tests multiples, ainsi que des traitements étendus de Bayes na ve, des modèles linéaires généralisés, des arbres de régression additifs bayésiens et de l'achèvement des matrices. Le code R a été mis à jour tout au long de l'ouvrage pour en assurer la compatibilité.

Autres informations sur le livre :

• ISBN : 9781071614174
• Auteur : Gareth James
• Éditeur : Springer Nature
• Reliure : Relié
• Année de publication : 2021
• Nombre de pages : 607