书籍介绍
计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础，但常常用不同的术语来表达。《统计学习基础(第2版)(英文)》介绍了这些领域的一些重要概念。尽管应用的是统计学方法，但强调的是概念，而不是数学。许多例子附以彩图。《统计学习基础(第2版)(英文)》内容广泛，从有指导的学习（预测）到无指导的学习，应有尽有。包括神经网络、支持向量机、分类树和提升等主题，是同类书籍中介绍得最全面的。
《统计学习基础(第2版)(英文)》可作为高等院校相关专业本科生和研究生的教材，对于统计学相关人员、科学界和业界关注数据挖掘的人，《统计学习基础(第2版)(英文)》值得一读。
AI导读
核心看点
- 强调统计概念而非复杂数学推导
- 涵盖神经网络、SVM等主流算法
- 从有监督学习延伸至无监督学习
适合谁读
- 统计学、计算机相关专业学生
- 从事数据挖掘与机器学习人员
- 希望深入理解模型原理的研究者
读前提醒
- 需具备线性代数与概率论基础
- 建议配合斯坦福官网免费电子版
- 可参考作者YouTube授课视频辅助
读者共识
- 统计视角解读机器学习的经典教材
- 深入剖析模型背后原理，不可替代
- 内容全面，适合反复阅读以获新知
本导读基于书籍简介、目录、原文摘录、短评和书评生成，不等同于全文精读。
精彩摘录
- "LAR uses least squares directions in the active set of variables. Lasso uses least square directions; if a variable crosses zero, it is removed from the active set. Boosting uses non-negative least squares directions in the active set."
- "the bias of the 1-nearest-neighbor estimate is often low, but the variance is high."
- "Monte Carlo is an extremely bad method; it should be used only when all alternative methods are worse"
- "有一个关于Metropolis算法的故事，非常流行：一晚，Edward、Metropolis和Marshall在派对上讨论这个问题，在鸡尾酒餐巾纸上写出了这个闻名的算法。他们最终的论文之所以写上妻子的名字，是为了安抚被整晚的技术性讨论所烦扰的女人Arianna和Augusta"
- "Bagging; or Bootstrap AGGregatING, is an extension of bootstrapping to classification and regression problems. The main idea is to sample with replacement from the training data so that we now have B training data sets, each having n′≤n observations. The machine-learning algorithm is trained on each"
- "还是觉得对这本书相见恨晚，研一写那么都web app有毛用啊，就应该踏踏实实的多读书啊~ 还好去实习了，还好发现原来啥都不知道，还好坚持把这本书啃完了，虽然理解的较为粗陋，要不要去读个博呢......真苦恼~"
- "Both k-nearest neighbors and least squares end up approximating conditional expectatios by averages."
- "However, with a 0 − 1 outcome, this computation simplifies. We order the predictor classes according to the proportion falling in outcome class 1. Then we split this predictor as if it were an ordered predictor."
作者简介
作者：（德国）T.黑斯蒂（Trevor Hastie）
收藏