Data Mining, Inferenz und Vorhersage, Zweite Auflage Trevor Hastie ist ein umfassendes Lehrbuch zum Data Mining und zu statistischen Vorhersagemethoden. Diese neue, überarbeitete Hauptauflage führt viele neue Themen ein, darunter grafische Modelle, Random Forests und Ensemble-Methoden. Das Buch eignet sich für Fachleute und Forschende, die sich mit Datenanalyse in verschiedenen Bereichen beschäftigen.
Inhalt
Dieses Nachschlagewerk bietet einen zusammenhängenden Überblick über viele Themen im Data Mining, von überwachten Lernverfahren bis zu unüberwachten Lernverfahren. Neben klassischen Methoden behandelt es unter anderem neuronale Netze, Support-Vector-Machines, Klassifikationsbäume und Boosting—der erste vollständige Überblick über Boosting in einer einzigen Publikation.
Die neue Hauptauflage wurde unter anderem ergänzt durch Least-Angle-Regression, Pfad-Algorithmen für die Lasso, nichtnegative Matrixfaktorisierung und Spektralclustering. Außerdem wird auf Methoden für „Wide“-Daten eingegangen, mit Fokus auf Multiple Testing und False-Discovery-Rates.
Produktspezifikationen
- Autor: Trevor Hastie
- Verlag: Springer-Verlag New York Inc.
- Erscheinungsdatum: 2009-02-09
- Anzahl Seiten: 745
- ISBN: 9780387848570
- Thema: Künstliche Intelligenz (KI)
Über den Autor
Trevor Hastie ist zusammen mit Robert Tibshirani und Jerome Friedman eine führende Expertin bzw. ein führender Experte für Statistik und Data Mining an der Stanford University. Ihre gemeinsame Arbeit umfasst wegweisende Methoden wie verallgemeinerte additive Modelle, die Lasso und verschiedene Data-Mining-Tools wie CART und Gradient Boosting.