Tecniche statistiche multivariate moderne: Regressione, classificazione e apprendimento manifold

Recensioni dei lettori

Il libro fornisce un approccio moderno e completo all'analisi multivariata, discutendo una varietà di tecniche e metodi con un'enfasi sull'applicazione pratica e sulle questioni contemporanee della statistica. Include numerosi esempi ed è visivamente accattivante, rendendolo un utile riferimento per studenti laureati e professionisti. Tuttavia, la sua profondità può risultare ostica per i principianti e può mancare una copertura approfondita di alcuni metodi bayesiani.

⬤ Offre una nuova prospettiva sull'analisi multivariata e sull'esplorazione dei dati.
⬤ Copre un'ampia gamma di tecniche moderne, compresi i metodi non parametrici, l'apprendimento automatico e gli algoritmi di classificazione.
⬤ Include numerosi esempi reali e grafici a colori che migliorano la comprensione.
⬤ Ben strutturato come riferimento completo per studenti e professionisti.
⬤ Completezza accademica con un'ampia bibliografia ed esercizi.

⬤ Potrebbe non essere adatto ai principianti o a chi non ha già familiarità con la materia.
⬤ Manca una discussione approfondita dei metodi bayesiani.
⬤ Alcuni capitoli, come quello sull'algebra delle matrici, possono disturbare il flusso e intimidire i lettori meno sicuri.
⬤ Considerato un riferimento difficile per chi studia per la prima volta rispetto a testi più introduttivi.

(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.