Una introducción al aprendizaje estadístico: con Aplicaciones en R (Inglés, Tapa dura)

Una introducción al aprendizaje estadístico proporciona una visión general accesible del campo del aprendizaje estadístico, un conjunto de herramientas esencial para dar sentido a los vastos y complejos conjuntos de datos que han surgido en campos que van desde la biología hasta las finanzas, el marketing y la astrofísica en los últimos veinte años.. Este libro presenta algunas de las técnicas de modelado y predicción más importantes, junto con aplicaciones relevantes.. Los temas incluyen regresión lineal, clasificación, métodos de remuestreo, enfoques de contracción, métodos basados en árboles, máquinas de vectores de soporte, agrupamiento, aprendizaje profundo, análisis de supervivencia, pruebas múltiples y más.. Se utilizan gráficos en color y ejemplos del mundo real para ilustrar los métodos presentados.. Dado que el objetivo de este libro de texto es facilitar el uso de estas técnicas de aprendizaje estadístico por parte de profesionales de la ciencia, la industria y otros campos, cada capítulo contiene un tutorial sobre la implementación de los análisis y métodos presentados en R, una plataforma de software estadístico de código abierto extremadamente popular. Dos de los autores coescribieron Los elementos del aprendizaje estadístico. (Hastie, Tibshirani y Friedman, 2.ª edición 2009), un libro de referencia popular para investigadores de estadística y aprendizaje automático. Una introducción al aprendizaje estadístico cubre muchos de los mismos temas, pero a un nivel accesible para una audiencia mucho más amplia.. Este libro está dirigido tanto a estadísticos como a no estadísticos que deseen utilizar técnicas de aprendizaje estadístico de vanguardia para analizar sus datos.. El texto asume solo un curso previo de regresión lineal y ningún conocimiento de álgebra matricial. Esta segunda edición incluye nuevos capítulos sobre aprendizaje profundo, análisis de supervivencia y pruebas múltiples, así como tratamientos ampliados de Bayes ingenuo, modelos lineales generalizados, árboles de regresión aditiva bayesiana y finalización de matrices.. El código R se ha actualizado en su totalidad para garantizar la compatibilidad. Sobre el Autor:

Gareth James es profesor de ciencias de datos y operaciones, y la E. Cátedra Morgan Stanley en Administración de Empresas, en la Universidad del Sur de California. Ha publicado un extenso cuerpo de trabajo metodológico en el dominio del aprendizaje estadístico con especial énfasis en datos de alta dimensionalidad y funcionales.. El marco conceptual para este libro surgió de sus cursos electivos de MBA en esta área.. Daniela Witten es profesora de estadística y bioestadística, y la Cátedra Dotada Dorothy Gilford, en la Universidad de Washington. Su investigación se centra en gran medida en técnicas de aprendizaje automático estadístico para el análisis de datos complejos, desordenados y a gran escala, con énfasis en el aprendizaje no supervisado. Trevor Hastie y Robert Tibshirani son profesores de estadística en la Universidad de Stanford y son coautores del exitoso libro de texto Elements of Statistical Learning. 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.