Введение в статистическое обучение с примерами на языке R

Джеймс Гарет, Уиттон Даниела, Тибширани Роберт, Хасти Тревор

Код товара: 2345474
(0 оценок)Оценить
ОтзывНаписать отзыв
ВопросЗадать вопрос
1 / 3
PDF
2 427
3 852
Доставим в
г. Москва
Планируемая дата
23 апреля (Вт)
Курьером
Л-Пост
бесплатно от 3 500 ₽
В пункт выдачи
от 77 ₽
бесплатно от 2 000 ₽
Точная стоимость доставки рассчитывается при оформлении заказа
Издательство:
Оригинальное название:
An Introduction to Statistical Learning with Applications in R
Год издания:
2017 г.
Может быть отгружен товар указанного или более позднего года
Редактор:
Переводчик:

Описание

Характеристики

Книга представляет собой доступно изложенное введение в статистическое обучение - незаменимый набор инструментов, позволяющих извлечь полезную информацию из больших и сложных наборов данных, которые начали возникать в последние 20 лет в таких областях, как биология, экономика, маркетинг, физика и др. В этой книге описаны одни из наиболее важных методов моделирования и прогнозирования, а также примеры их практического применения. Рассмотренные темы включают линейную регрессию, классификацию, создание повторных выборок, регуляризацию, деревья решений, машины опорных векторов, кластеризацию и др. Описание этих методов сопровождается многочисленными иллюстрациями и практическими примерами. Поскольку цель этого учебника заключается в продвижении методов статистического обучения среди практикующих академических исследователей и промышленных аналитиков, каждая глава включает примеры практической реализации соответствующих методов с помощью R - чрезвычайно популярной среды статистических вычислений с открытым кодом.
Издание рассчитано на неспециалистов, которые хотели бы применять современные методы статистического обучения для анализа своих данных. Предполагается, что читатели ранее прослушали лишь курс по линейной регрессии и не обладают знаниями матричной алгебры.
количество томов
1
количество страниц
456 стр.
переплет
Твёрдый переплёт
размеры
242x172x28 мм
страна изготовления
Россия
цвет
Жёлтый
тип бумаги
офсетная (60-220 г/м2)
наличие иллюстраций
рисунки
тип иллюстраций
цветные
формат
70x100/16 (170x240 мм)
ISBN
978-5-97060-293-5, 978-5-97060-495-3
тираж
200 экз.
стандарт
возрастная категория
18+ (нет данных)
вес
код в Майшоп
2345474
язык
русский

Содержание

От переводчика
Предисловие
1 Введение
2 Статистическое обучение
2.1 Что такое статистическое обучение?
2.1.1 Зачем оценивать
2.1.2 Как мы оцениваем
2.1.3 Компромисс между точностью предсказаний
и интерпретируемостью модели
2.1.4 Обучение с учителем и без учителя
2.1.5 Различия между проблемами регрессии
и классификации
2.2 Описание точности модели
2.2.1 Измерение качества модели
2.2.2 Компромисс между смещением и дисперсией
2.2.3 Задачи классификации
2.3 Лабораторная работа: введение в R
2.3.1 Основные команды
2.3.2 Графики
2.3.3 Индексирование данных
2.3.4 Загрузка данных
2.3.5 Дополнительные графические и
количественные сводки
2.4 Упражнения
3 Линейная регрессия
3.1 Простая линейная регрессия
3.1.1 Оценивание коэффициентов
3.1.2 Точность оценок коэффициентов
3.1.3 Оценивание точности модели
3.2 Множественная линейная регрессия
3.2.1 Оценивание регрессионных коэффициентов
3.2.2 Некоторые важные вопросы
3.3 Другие аспекты регрессионной модели
3.3.1 Качественные предикторы
3.3.2 Потенциальные проблемы
3.4 Маркетинговый план
3.5 Сравнение линейной регрессии с методом К
ближайших соседей
3.6 Лабораторная работа: линейная регрессия
3.6.1 Библиотеки
3.6.2 Простая линейная регрессия
3.6.3 Множественная линейная регрессия
3.6.4 Эффекты взаимодействия
3.6.5 Нелинейные преобразования предикторов
3.6.6 Качественные предикторы
3.6.7 Написание функций
3.7 Упражнения
4 Классификация
4.1 Общее представление о классификации
4.2 Почему не линейная регрессия?
4.3 Логистическая регрессия
4.3.1 Логистическая модель
4.3.2 Оценивание регрессионных коэффициентов
4.3.3 Предсказания
4.3.4 Множественная логистическая модель
4.3.5 Логистическая регрессия для зависимых
переменных с числом классов > 2
4.4 Дискриминантный анализ
4.4.1 Использование теоремы Байеса для
классификации
4.4.2 Линейный дискриминантый анализ для.
4.4.3 Линейный дискриминантный анализ для
4.4.4 Квадратичный дискриминантный анализ
4.5 Сравнение методов классификации
4.6 Лабораторная работа: логистическая
регрессия, LDA, QDA и KNN
4.6.1 Данные по цене акций
4.6.2 Логистическая регрессия
4.6.3 Линейный дискриминантный анализ
4.6.4 Квадратичный дискриминантный анализ
4.6.5 Метод ближайших соседей
4.6.6 Применение к данным по жилым прицепам
4.7 Упражнения
5 Методы создания повторных выборок
5.1 Перекрестная проверка
5.1.1 Метод проверочной выборки .
5.1.2 Перекрестная проверка по отдельным
наблюдениям
5.1.3. К-кратная перекрестная проверка
5.1.4 Компромисс между смещением и дисперсией
в контексте К-кратной перекрестной проверки
5.1.5 Перекрестная проверка при решении задач
классификации
5.2 Бутстреп
5.3 Лабораторная работа: перекрестная проверка
и
бутстреп
5.3.1 Метод проверочной выборки
5.3.2 Перекрестная проверка по отдельным
наблюдениям
5.3.3 К-кратная перекрестная проверка
5.3.4 Бутстреп
5.4 Упражнения
6 Отбор и регуляризация линейных моделей
6.1 Отбор подмножества переменных
6.1.1 Отбор оптимального подмножества
6.1.2 Пошаговый отбор
6.1.3 Выбор оптимальной модели
6.2 Методы сжатия
6.2.1 Гребневая регрессия
6.2.2 Лассо
6.2.3 Выбор гиперпараметра
6.3 Методы снижения размерности
6.3.1 Регрессия на главные компоненты
6.3.2 Метод частных наименьших квадратов
6.4 Особенности работы с данными большой
размерности
6.4.1 Данные большой размерности
6.4.2 Что не так с большими размерностями?
6.4.3 Регрессия для данных большой размерности
6.4.4 Интерпретация результатов в задачах
большой
размерности
6.5 Лабораторная работа 1: методы отбора
подмножеств переменных
6.5.1 Отбор оптимального подмножества
6.5.2 Отбор путем пошагового включения и
исключения переменных
6.5.3 Нахождение оптимальной модели при помощи
методов проверочной выборки и перекрестной
проверки
6.6 Лабораторная работа 2: гребневая регрессия и
лассо
6.6.1 Гребневая регрессия
6.6.2 Лассо
6.7 Лабораторная работа 3: регрессия при помощи
методов PCR и PLS
6.7.1 Регрессия на главные компоненты
6.7.2 Регрессия по методу частных наименьших
квадратов
6.8 Упражнения
7 Выходя за пределы линейности
7.1 Полиномиальная регрессия
7.2 Ступенчатые функции
7.3 Базисные функции
7.4 Регрессионные сплайны
7.4.1 Кусочно-полиномиальная регрессия
7.4.2 Ограничения и сплайны
7.4.3 Представление сплайнов с помощью базисных
функций
7.4.4 Выбор числа и расположения узлов
7.4.5 Сравнение с полиномиальной регрессией
7.5 Сглаживающие сплайны
7.5.1 Общее представление о сглаживающих
сплайнах
7.5.2 Нахождение параметра сглаживания
7.6 Локальная регрессия
7.7 Обобщенные аддитивные модели
7.7.1 GAM для регрессионных задач
7.7.2 GAM для задач классификации
7.8 Лабораторная работа: нелинейные модели
7.8.1 Полиномиальная регрессия и ступенчатые
функции
7.8.2 Сплайны
7.8.3 GAM
7.9 Упражнения
8 Методы, основанные на деревьях решений
8.1 Деревья решений: основные понятия
8.1.1 Регрессионные деревья
8.1.2 Деревья классификации
8.1.3 Сравнение деревьев с линейными моделями
8.1.4 Преимущества и недостатки деревьев
решений
8.2 Бэггинг, случайные леса, бустинг
8.2.1 Бэггинг
8.2.2 Случайные леса
8.2.3 Бустинг
8.3 Лабораторная работа: деревья решений
8.3.1 Построение деревьев классификации
8.3.2 Построение регрессионных деревьев
8.3.3 Бэггинг и случайные леса
8.3.4 Бустинг
8.4 Упражнения
9 Машины опорных векторов
9.1 Классификатор с максимальным зазором
9.1.1 Что такое гиперплоскость?
9.1.2 Классификация с использованием
гиперплоскости
9.1.3 Классификатор с максимальным зазором
9.1.4 Построение классификатора с максимальным
зазором
9.1.5 Случай, когда разделяющая гиперплоскость
не существует
9.2 Классификаторы на опорных векторов
9.2.1 Общие представления о классификаторах
на опорных векторах
9.2.2 Более подробное описание классификатора
на опорных векторах
9.3 Машины опорных векторов
9.3.1 Классификация с использованием нелинейных
решающих границ
9.3.2 Машина опорных векторов
9.3.3 Применение к данным по нарушению
сердечной функции
9.4 Машины опорных векторов для случаев с
несколькими классами
9.4.1 Классификация типа "один против одного"
9.4.2 Классификация типа "один против всех"
9.5 Связь с логистической регрессией
9.6 Лабораторная работа: машины опорных
векторов
9.6.1 Классификатор на опорных векторах
9.6.2 Машина опорных векторов
9.6.3 ROC-кривые
9.6.4 SVM с несколькими классами
9.6.5 Применение к данным по экспрессии генов
9.7 Упражнения
10 Обучение без учителя
10.1 Трудность обучения без учителя
10.2 Анализ главных компонент
10.2.1 Что представляют собой главные
компоненты?
10.2.2 Альтернативная интерпретация главных
компонент
10.2.3 Дополнительный материал по PCA
10.2.4 Другие приложения PCA
10.3 Методы кластеризации
10.3.1 Кластеризация по методу К средних
10.3.2 Иерархическая кластеризация .
10.3.3 Практические аспекты применения
кластеризации
10.4 Лабораторная работа 1: анализ главных
компонент
10.5 Лабораторная работа 2: кластерный анализ
10.5.1 Кластеризация по методу K средних
10.5.2 Иерархическая кластеризация
10.6 Лабораторная работа 3: анализ данных NCI60
10.6.1 Применение PCA к данным NCI60
10.6.2 Кластеризация наблюдений из набора
данных NCI60
10.7 Упражнения

Отзывы

Вопросы

Поделитесь своим мнением об этом товаре с другими покупателями — будьте первыми!

Дарим бонусы за отзывы!

За какие отзывы можно получить бонусы?
  • За уникальные, информативные отзывы, прошедшие модерацию
Как получить больше бонусов за отзыв?
  • Публикуйте фото или видео к отзыву
  • Пишите отзывы на товары с меткой "Бонусы за отзыв"
Правила начисления бонусов
Задайте вопрос, чтобы узнать больше о товаре
Если вы обнаружили ошибку в описании товара «Введение в статистическое обучение с примерами на языке R» (авторы: Джеймс Гарет, Уиттон Даниела, Тибширани Роберт, Хасти Тревор), то выделите её мышкой и нажмите Ctrl+Enter. Спасибо, что помогаете нам стать лучше!
Ваш населённый пункт:
г. Москва
Выбор населённого пункта