Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 4 votes.
Titre original :
A Computational Approach to Statistical Learning
Contenu du livre :
L'ouvrage A Computational Approach to Statistical Learning propose une nouvelle introduction à la modélisation prédictive en se concentrant sur les motivations algorithmiques et numériques qui sous-tendent les méthodes statistiques les plus répandues. Le texte contient le code annoté de plus de 80 fonctions de référence originales. Ces fonctions fournissent des implémentations fonctionnelles minimales d'algorithmes d'apprentissage statistique courants. Chaque chapitre se termine par une application complète qui illustre les tâches de modélisation prédictive à l'aide d'un ensemble de données réelles.
Le texte commence par une analyse détaillée des modèles linéaires et des moindres carrés ordinaires. Les chapitres suivants explorent les extensions telles que la régression ridge, les modèles linéaires généralisés et les modèles additifs. La seconde moitié se concentre sur l'utilisation d'algorithmes généraux pour l'optimisation convexe et leur application à des tâches d'apprentissage statistique. Les modèles couverts comprennent le réseau élastique, les réseaux neuronaux denses, les réseaux neuronaux convolutifs (CNN) et le regroupement spectral. Un thème unificateur tout au long du texte est l'utilisation de la théorie de l'optimisation dans la description des modèles prédictifs, avec un accent particulier sur la décomposition en valeurs singulières (SVD). A travers ce thème, l'approche computationnelle motive et clarifie les relations entre les différents modèles prédictifs.
Taylor Arnold est professeur adjoint de statistiques à l'université de Richmond. Son travail à l'intersection de la vision par ordinateur, du traitement du langage naturel et des humanités numériques a été soutenu par de nombreuses subventions du National Endowment for the Humanities (NEH) et de l'American Council of Learned Societies (ACLS). Son premier livre, Humanities Data in R, a été publié en 2015.
Michael Kane est professeur adjoint de biostatistique à l'université de Yale. Il a reçu des subventions des National Institutes of Health (NIH), de la DARPA et de la Fondation Bill et Melinda Gates. Son package R bigmemory a remporté le prix Chamber's pour les logiciels statistiques en 2010.
Bryan Lewisest un mathématicien appliqué et l'auteur de nombreux paquets R populaires, dont irlba, doRedis et threejs.
Autres informations sur le livre :
| ISBN : | 9781138046375 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Relié |
| Année de publication : | 2019 |
| Nombre de pages : | 362 |
Achat:
Actuellement disponible, en stock.
