Los Elementos del Aprendizaje Estadístico: Minería de Datos, Inferencia y Predicción, Segunda Edición (Serie Springer en Estadística)

Este libro describe las ideas importantes en una variedad de campos como la medicina, la biología, las finanzas y el marketing en un marco conceptual común.. Si bien el enfoque es estadístico, el énfasis está en los conceptos más que en las matemáticas.. Se dan muchos ejemplos, con un uso liberal de gráficos a color.. Es un recurso valioso para estadísticos y cualquier persona interesada en la minería de datos en la ciencia o la industria.. La cobertura del libro es amplia, desde el aprendizaje supervisado (predicción) al aprendizaje no supervisado. Los muchos temas incluyen redes neuronales, máquinas de vectores de soporte, árboles de clasificación y boosting---el primer tratamiento exhaustivo de este tema en cualquier libro.

Esta importante nueva edición presenta muchos temas no cubiertos en la original, incluyendo modelos gráficos, bosques aleatorios, métodos de ensamblaje, regresión por ángulos mínimos y algoritmos de trayectoria para el lasso, factorización de matrices no negativas y clustering espectral. También hay un capítulo sobre métodos para datos "anchos" (p más grande que n), incluyendo pruebas múltiples y tasas de descubrimiento falso.

Sobre el Autor

Trevor Hastie, Robert Tibshirani y Jerome Friedman son profesores de estadística en la Universidad de Stanford. Son investigadores destacados en esta área: Hastie y Tibshirani desarrollaron modelos aditivos generalizados y escribieron un popular libro con ese título.. Hastie co-desarrolló gran parte del software y el entorno de modelado estadístico en R/S-PLUS e inventó curvas y superficies principales. Tibshirani propuso el lasso y es coautor de la muy exitosa An Introduction to the Bootstrap.