The Elements of Statistical Learning: Data Mining, Inference, and Prediction
Promo
Terlaris
Judul: The Elements of Statistical Learning: Data Mining, Inference, and Prediction
Penulis: Trevor Hastie, Robert Tibshirani, Jerome Friedman
Penerbit: Springer, 2009
Bahasa: Inggris
Ukuran: 9 MB (764 Halaman)
Format: Ebook PDF
Buku ini menguraikan ide-ide penting dalam berbagai bidang seperti kedokteran, biologi, keuangan, dan pemasaran dalam kerangka konseptual yang umum. Meskipun pendekatannya bersifat statistik, penekanannya lebih pada konsep daripada matematika. Banyak contoh diberikan, dengan penggunaan grafis berwarna yang bebas. Buku ini merupakan sumber yang berharga bagi para ahli statistik dan siapa pun yang tertarik pada penambangan data dalam sains atau industri. Cakupan buku ini luas, dari pembelajaran terbimbing (prediksi) hingga pembelajaran tanpa pengawasan. Banyak topik yang mencakup jaringan saraf, mesin vektor pendukung, pohon klasifikasi, dan peningkatan---pembahasan komprehensif pertama tentang topik ini dalam buku mana pun.
Edisi baru utama ini menampilkan banyak topik yang tidak tercakup dalam buku aslinya, termasuk model grafis, hutan acak, metode ansambel, regresi sudut terkecil & algoritma jalur untuk laso, faktorisasi matriks non-negatif, dan pengelompokan spektral. Ada juga bab tentang metode untuk data "lebar'' (p lebih besar dari n), termasuk pengujian berganda dan tingkat penemuan palsu.
Penulis: Trevor Hastie, Robert Tibshirani, Jerome Friedman
Penerbit: Springer, 2009
Bahasa: Inggris
Ukuran: 9 MB (764 Halaman)
Format: Ebook PDF
Buku ini menguraikan ide-ide penting dalam berbagai bidang seperti kedokteran, biologi, keuangan, dan pemasaran dalam kerangka konseptual yang umum. Meskipun pendekatannya bersifat statistik, penekanannya lebih pada konsep daripada matematika. Banyak contoh diberikan, dengan penggunaan grafis berwarna yang bebas. Buku ini merupakan sumber yang berharga bagi para ahli statistik dan siapa pun yang tertarik pada penambangan data dalam sains atau industri. Cakupan buku ini luas, dari pembelajaran terbimbing (prediksi) hingga pembelajaran tanpa pengawasan. Banyak topik yang mencakup jaringan saraf, mesin vektor pendukung, pohon klasifikasi, dan peningkatan---pembahasan komprehensif pertama tentang topik ini dalam buku mana pun.
Edisi baru utama ini menampilkan banyak topik yang tidak tercakup dalam buku aslinya, termasuk model grafis, hutan acak, metode ansambel, regresi sudut terkecil & algoritma jalur untuk laso, faktorisasi matriks non-negatif, dan pengelompokan spektral. Ada juga bab tentang metode untuk data "lebar'' (p lebih besar dari n), termasuk pengujian berganda dan tingkat penemuan palsu.