Tecniche statistiche multivariate moderne: Regressione, classificazione e apprendimento manifold

Recensioni dei lettori

Il libro offre un approccio fresco e moderno all'analisi multivariata, coprendo un'ampia gamma di tecniche e applicazioni contemporanee. È adatto a studenti avanzati e a professionisti della statistica e della scienza dei dati, in quanto approfondisce alcune aree pur mantenendo un'ampiezza completa. Tuttavia, potrebbe non essere ideale per i principianti a causa della complessità del materiale e della brevità degli argomenti fondamentali.

⬤ Copertura completa delle moderne tecniche multivariate.
⬤ Adatto a studenti avanzati e professionisti della statistica e della scienza dei dati.
⬤ Buona integrazione di varie applicazioni (genetica, medicina, ecc.) con esempi utili.
⬤ Splendidamente presentato con grafici a colori e un layout ben strutturato.
⬤ Include approfondimenti su questioni pratiche come la qualità dei dati e l'esplorazione.

⬤ Presuppone una conoscenza preliminare dell'algebra delle matrici e dei metodi multivariati, il che potrebbe non essere adatto ai principianti.
⬤ Alcuni argomenti, in particolare i metodi bayesiani, sono poco rappresentati.
⬤ Il capitolo che esamina l'algebra matriciale/lineare è considerato troppo breve e può disturbare il flusso per i lettori meno esperti.
⬤ Può essere difficile da imparare per chi non ha familiarità con il materiale, richiedendo potenzialmente risorse supplementari.

(basato su 12 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

I notevoli progressi nel calcolo e nell'archiviazione dei dati e la pronta disponibilità di enormi insiemi di dati sono stati la chiave per la crescita delle nuove discipline del data mining e del machine learning, mentre l'enorme successo del Progetto Genoma Umano ha aperto il campo della bioinformatica.

Questi entusiasmanti sviluppi, che hanno portato all'introduzione di molti strumenti statistici innovativi per l'analisi dei dati ad alta dimensionalità, sono qui descritti in dettaglio. L'autore adotta una prospettiva ampia; per la prima volta in un libro sull'analisi multivariata, vengono discussi in dettaglio i metodi non lineari e quelli lineari. Le tecniche trattate spaziano dai metodi multivariati tradizionali, come la regressione multipla, le componenti principali, le variabili canoniche, l'analisi discriminante lineare, l'analisi dei fattori, il clustering, lo scaling multidimensionale e l'analisi delle corrispondenze, ai metodi più recenti della stima della densità, del projection pursuit, delle reti neurali, della regressione multivariata a ranghi ridotti, del manifold learning non lineare, del bagging, del boosting, delle foreste casuali, dell'analisi delle componenti indipendenti, delle macchine a vettori di supporto e degli alberi di classificazione e regressione. Un'altra caratteristica unica di questo libro è la discussione dei sistemi di gestione dei database.

Questo libro è adatto a studenti universitari avanzati, laureati e ricercatori in statistica, informatica, intelligenza artificiale, psicologia, scienze cognitive, economia, medicina, bioinformatica e ingegneria. È richiesta una certa familiarità con il calcolo multivariabile, l'algebra lineare, la probabilità e la statistica. Il libro presenta una miscela accuratamente integrata di teoria e applicazioni e di tecniche statistiche multivariate classiche e moderne, compresi i metodi bayesiani. Il libro contiene oltre 60 interessanti serie di dati utilizzati come esempi, più di 200 esercizi e molte illustrazioni e fotografie a colori.