Modern többváltozós statisztikai technikák: Regresszió, osztályozás és sokrétű tanulás

Olvasói vélemények

A könyv frissítő és modern megközelítést kínál a többváltozós analízishez, a kortárs technikák és alkalmazások széles körét lefedve. Jól alkalmazható a statisztika és az adattudomány haladó hallgatói és szakemberei számára, mivel egyes területeken mélységet nyújt, miközben átfogó szélességű. A komplex anyag és az alapozó témák rövidsége miatt azonban kezdők számára nem feltétlenül ideális.

⬤ A modern többváltozós technikák átfogó lefedettsége.
⬤ Alkalmas a statisztika és az adattudomány haladó hallgatói és szakemberei számára.
⬤ A különböző alkalmazások (genetika, orvostudomány stb.) jó integrációja hasznos példákkal.
⬤ Gyönyörűen, színes grafikonokkal és jól strukturált elrendezéssel.
⬤ Olyan gyakorlati kérdésekbe is betekintést nyújt, mint az adatminőség és az adatfeltárás.

⬤ Feltételezi a mátrixalgebra és a többváltozós módszerek előzetes ismeretét, ami nem feltétlenül felel meg a kezdőknek.
⬤ Egyes témák, különösen a Bayes-módszerek, alulreprezentáltak.
⬤ A mátrix/lineáris algebrát áttekintő fejezet túl rövidnek tűnik, és a kevésbé magabiztos olvasók számára zavaró lehet.
⬤ Az anyagot nem ismerők számára kihívást jelenthet a tanulás, és esetleg kiegészítő forrásokat igényelhet.

(12 olvasói vélemény alapján)

Eredeti címe:

Modern Multivariate Statistical Techniques: Regression, Classification, and Manifold Learning

Könyv tartalma:

A számítás és az adattárolás terén elért figyelemre méltó fejlődés, valamint a hatalmas adathalmazok könnyű hozzáférhetősége volt a kulcsa az adatbányászat és a gépi tanulás új tudományágainak fejlődésének, míg a humán genomprojekt hatalmas sikere megnyitotta a bioinformatika területét.

Ezeket az izgalmas fejleményeket, amelyek számos innovatív statisztikai eszköz bevezetéséhez vezettek a nagydimenziós adatok elemzéséhez, itt részletesen ismertetjük. A szerző széles perspektívát vesz fel; a többváltozós elemzésről szóló könyvben először tárgyalja részletesen a nemlineáris módszereket éppúgy, mint a lineáris módszereket. A tárgyalt technikák a hagyományos többváltozós módszerektől, mint például a többszörös regresszió, a főkomponensek, a kanonikus változók, a lineáris diszkriminanciaanalízis, a faktorelemzés, a klaszterezés, a többdimenziós skálázás és a megfeleléselemzés, az újabb módszerekig terjednek, mint a sűrűségbecslés, a vetítési törekvés, a neurális hálózatok, a többváltozós redukált rangú regresszió, a nemlineáris sokrétű tanulás, a bagging, a boosting, a véletlen erdők, a független komponenselemzés, a támogató vektor gépek, valamint az osztályozási és regressziós fák. A könyv másik egyedülálló jellemzője az adatbázis-kezelő rendszerek tárgyalása.

Ez a könyv a statisztika, az informatika, a mesterséges intelligencia, a pszichológia, a kognitív tudományok, az üzleti élet, az orvostudomány, a bioinformatika és a mérnöki tudományok haladó egyetemi és főiskolai hallgatói, valamint kutatói számára készült. A többváltozós számtan, a lineáris algebra, valamint a valószínűségszámítás és statisztika ismerete szükséges. A könyv az elmélet és az alkalmazások, valamint a klasszikus és modern többváltozós statisztikai technikák, köztük a Bayes-módszerek gondosan integrált keverékét mutatja be. A könyvben több mint 60 érdekes, példaként használt adatsor, több mint 200 feladat, valamint számos színes illusztráció és fénykép található.