основы статистического обучения хасти тибширани фридман pdf
Основы статистического обучения, Интеллектуальный анализ данных, логический вывод и прогнозирование, Хасти Т., Тибширани Р., Фридман Д., 2020
Основы статистического обучения, Интеллектуальный анализ данных, логический вывод и прогнозирование, Хасти Т., Тибширани Р., Фридман Д., 2020.
Мы бьли удовлетворены популярностью первого издания книги Основы статистического обучения. Это обстоятельство, а также быстрые темпы развития исследований в области статистического обучения побудили нас обновить эту книгу и выпустить второе издание. Мы добавили четыре новые главы и переработали некоторые из существующих глав. Поскольку многие читатели знакомы с первым изданием, мы постарались изменить его как можно меньше.
Библиографические заметки.
Существует обширная литература по ядерным методам, которую мы не будем перечислять. Лучше мы укажем на несколько хороших ссьшок, которые сами по себе имеют обширную библиографию. Loader ( 1999) дает превосходный обзор моделей локальной регрессии и правдоподобия, а также описывает современное программное обеспечение для аппроксимации этих моделей. Fan and Gijbels (1996) рассматривают эти модели с более теоретической точки зрения. Hastie anf Tibshirani ( 1990) обсуждают локальную регрессию в контексте аддитивного моделирования. Silveпnan ( 1986) дает хороший обзор методов оценки плотности, как и Scott (1992).
Оглавление.
Предисловие ко второму изданию.
Предисловие к первому изданию.
Глава 1.Введение.
Глава 2.Обзор методов обучения с учителем.
Глава 3.Линейные методы регрессии.
Глава 4.Линейные методы классификации.
Глава 5.Разложение по базису и регуляризация.
Глава 6.Ядерные методы сглаживания.
Глава 7.Оценивание и выбор моделей.
Глава 8.Вывод моделей и усреднение.
Глава 9.Аддитивные модели, деревья и связанные с ними методы.
Глава 10.Бустинг и аддитивные деревья.
Глава 11.Нейронные сети.
Глава 12.Метод опорных векторов и гибкие дискриминанты.
Глава 13.Методы прототипов и ближайших соседей.
Глава 14.Обучение без учителя.
Глава 15.Случайные леса.
Глава 16.Ансамблевые методы обучения.
Глава 17.Неориентированные графовые модели.
Глава 18.Задачи высокой размерности: р >> N.
Библиография.
Предметный указатель.
Скачать pdf
Ниже можно купить эту книгу по лучшей цене со скидкой с доставкой по всей России. Купить эту книгу
Основы статистического обучения, Интеллектуальный анализ данных, логический вывод и прогнозирование, Хасти Т., Тибширани Р., Фридман Д., 2020
Основы статистического обучения, Интеллектуальный анализ данных, логический вывод и прогнозирование, Хасти Т., Тибширани Р., Фридман Д., 2020.
Мы бьли удовлетворены популярностью первого издания книги Основы статистического обучения. Это обстоятельство, а также быстрые темпы развития исследований в области статистического обучения побудили нас обновить эту книгу и выпустить второе издание. Мы добавили четыре новые главы и переработали некоторые из существующих глав. Поскольку многие читатели знакомы с первым изданием, мы постарались изменить его как можно меньше.
Библиографические заметки.
Существует обширная литература по ядерным методам, которую мы не будем перечислять. Лучше мы укажем на несколько хороших ссьшок, которые сами по себе имеют обширную библиографию. Loader ( 1999) дает превосходный обзор моделей локальной регрессии и правдоподобия, а также описывает современное программное обеспечение для аппроксимации этих моделей. Fan and Gijbels (1996) рассматривают эти модели с более теоретической точки зрения. Hastie anf Tibshirani ( 1990) обсуждают локальную регрессию в контексте аддитивного моделирования. Silveпnan ( 1986) дает хороший обзор методов оценки плотности, как и Scott (1992).
Оглавление.
Предисловие ко второму изданию.
Предисловие к первому изданию.
Глава 1.Введение.
Глава 2.Обзор методов обучения с учителем.
Глава 3.Линейные методы регрессии.
Глава 4.Линейные методы классификации.
Глава 5.Разложение по базису и регуляризация.
Глава 6.Ядерные методы сглаживания.
Глава 7.Оценивание и выбор моделей.
Глава 8.Вывод моделей и усреднение.
Глава 9.Аддитивные модели, деревья и связанные с ними методы.
Глава 10.Бустинг и аддитивные деревья.
Глава 11.Нейронные сети.
Глава 12.Метод опорных векторов и гибкие дискриминанты.
Глава 13.Методы прототипов и ближайших соседей.
Глава 14.Обучение без учителя.
Глава 15.Случайные леса.
Глава 16.Ансамблевые методы обучения.
Глава 17.Неориентированные графовые модели.
Глава 18.Задачи высокой размерности: р >> N.
Библиография.
Предметный указатель.
Скачать pdf
Ниже можно купить эту книгу по лучшей цене со скидкой с доставкой по всей России. Купить эту книгу
Основы статистического обучения: интеллектуальный анализ данных, логический вывод и прогнозирование
Тревор Хасти, Роберт Тибширани, Джером Фридман
The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition
Trevor Hastie, Robert Tibshirani, Jerome Friedman
Авторы книги являются выдающимися авторитетами в математической статистике и машинном обучении: Тревор Хасти — обладатель звания ISI Highly Cited Author in Mathematics по версии ISI Web of Knowledge, Роберт Тибширани — изобретатель метода LASSO и обладатель Золотой медали Статистического общества Канады, Джером Фридман — широко известный специалист по машинному обучению и автор многочисленных монографий.
Книга представляет огромный интерес для специалистов.
Многие из этих инструментов имеют общие научные основания, но часто описываются с помощью другой терминологии.
В настоящей книге описываются важные идеи в этих областях с единой теоретической точки зрения. Хотя этот подход является статистическим, упор делается на концепции, а не на математику. Приводится много примеров с широким использованием цветной графики. Книга представляет собой ценный источник информации для статистиков и всех, кто интересуется интеллектуальным анализом данных в науке или промышленности.
Охват книги широк: от обучения с учителем (прогнозирования) до обучения без учителя. В ней описаны нейронные сети, метод опорных векторов, деревья классификации и бустинг, который впервые всесторонне рассмотрен в книге, а не в отдельных публикациях.
В данном глубоко переработанном издании представлены многие темы, не охваченные в первом издании, включая графовые модели, случайные леса, ансамблевые методы, алгоритмы регрессии наименьших углов и алгоритмы построения траекторий для методов LASSO, неотрицательной факторизации матриц и спектральной кластеризации. В книге также есть глава о методах анализа «широких» данных (когда p больше, чем n), включая множественное тестирование и долю ложных отклонений гипотезы.
Книга обсуждается в отдельном сообщении в блоге Виктора Штонда.
Об авторах
Тревор Хасти, Роберт Тибширани и Джером Фридман — профессора статистики в Стэнфордском университете. Они являются выдающимися исследователями в этой области. В частности, Хасти и Тибширани разработали обобщенные аддитивные модели и написали популярную книгу с таким названием. Хасти в составе коллектива разработчиков разработал значительную часть программного обеспечения и среды для статистического моделирования на языках R и S-PLUS, а также изобрел метод главных кривых и поверхностей. Тибширани изобрел метод LASSO и является соавтором очень успешной книги An Introduction to the Bootstrap. Фридман является соавтором многих методов интеллектуального анализа данных, в том числе CART, MARS, поиска наилучшей проекции и градиентного бустинга.
Все иллюстрации к книге в цветном варианте доступны на сайте издательства по адресу: http://go.dialektika.com/elements
формат 70×100/16; 23.07.2020; Вильямс.
Понравилась книга? Порекомендуйте её друзьям и коллегам:
Оглавление
Предисловие ко второму изданию 18
Предисловие к первому изданию 21
Глава 1. Введение 23
Глава 2. Обзор методов обучения с учителем 31
Глава 3. Линейные методы регрессии 65
Глава 4. Линейные методы классификации 125
Глава 5. Разложение по базису и регуляризация 163
Глава 6. Ядерные методы сглаживания 213
Глава 7. Оценивание и выбор моделей 243
Глава 8. Вывод моделей и усреднение 285
Глава 9. Аддитивные модели, деревья и связанные с ними методы 319
Глава 10. Бустинг и аддитивные деревья 363
Глава 11. Нейронные сети 415
Глава 12. Метод опорных векторов и гибкие дискриминанты 445
Глава 13. Методы прототипов и ближайших соседей 487
Глава 14. Обучение без учителя 513
Глава 15. Случайные леса 617
Глава 16. Ансамблевые методы обучения 635
Глава 17. Неориентированные графовые модели 655
Глава 18. Задачи высокой размерности: p >> N 681
Библиография 733
Предметный указатель
Введение в статистическое обучение с примерами на языке R, Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р., 2017
По кнопке выше «Купить бумажную книгу» можно купить эту книгу с доставкой по всей России и похожие книги по самой лучшей цене в бумажном виде на сайтах официальных интернет магазинов Лабиринт, Озон, Буквоед, Читай-город, Литрес, My-shop, Book24, Books.ru.
По кнопке «Найти похожие материалы на других сайтах» можно искать похожие материалы на других сайтах.
On the buttons above you can buy the book in official online stores Labirint, Ozon and others. Also you can search related and similar materials on other sites.
Введение в статистическое обучение с примерами на языке R, Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р., 2017.
Данные по заработной плате.
В этом примере мы исследуем связь нескольких факторов с уровнем заработной платы у группы мужчин из центрально-атлантического региона США (в этой книге мы будем ссылаться на соответствующие данные как «набор данных Wage»). В частности, мы хотим выяснить зависимость между заработной платой работника (переменная wage) и его возрастом (age), уровнем образования (education), а также календарным годом (year). Посмотрите, например, на график, представленный слева на рис. 1.1, где показана связь между заработной платой и возрастом работников из этого набора данных. Имеется свидетельство в пользу того, что wage увеличивается по мере возрастания age, а затем снова снижается примерно после 60 лет. Синяя линия, которая соответствует оценке среднего уровня wage для заданного значения age, позволяет увидеть этот тренд более четко.
Зная возраст работника, мы можем предсказать его заработную плату по этой кривой. Однако на рис. 1.1 также хорошо виден значительный разброс относительно этого среднего значения, из чего следует, что сама по себе переменная age вряд ли позволит с большой точностью предсказать wage для конкретного человека.
Оглавление.
От переводчика.
Предисловие.
1. Введение.
2. Статистическое обучение.
2.1. Что такое статистическое обучение?.
2.1.1. Зачем оценивать f?.
2.1.2. Как мы оцениваем f?.
2.1.3. Компромисс между точностью предсказаний и интерпретируемостью модели.
2.1.4. Обучение с учителем и без учителя.
2.1.5. Различия между проблемами регрессии и классификации.
2.2. Описание точности модели.
2.2.1. Измерение качества модели.
2.2.2. Компромисс между смещением и дисперсией.
2.2.3. Задачи классификации.
2.3. Лабораторная работа: введение в R.
2.3.1. Основные команды.
2.3.2. Графики.
2.3.3. Индексирование данных.
2.3.4. Загрузка данных.
2.3.5. Дополнительные графические и количественные сводки.
2.4 Упражнения.
3. Линейная регрессия.
3.1. Простая линейная регрессия.
3.1.1. Оценивание коэффициентов.
3.1.2. Точность оценок коэффициентов.
3.1.3. Оценивание точности модели.
3.2. Множественная линейная регрессия.
3.2.1. Оценивание регрессионных коэффициентов.
3.2.2. Некоторые важные вопросы.
3.3. Другие аспекты регрессионной модели.
3.3.1. Качественные предикторы.
3.3.2. Расширения линейной модели.
3.3.3. Потенциальные проблемы.
3.4. Маркетинговый план.
3.5. Сравнение линейной регрессии с методом К ближайших соседей.
3.6. Лабораторная работа: линейная pei-рсссия.
3.6.1. Библиотеки.
3.6.2. Простая линейная регрессия.
3.6.3. Множественная линейная pегрессия.
3.6.4. Эффекты взаимодействия.
3.6.5. Нелинейные преобразования предикторов.
3.6.6. Качественные предикторы.
3.6.7. Написание функций.
3.7. Упражнения.
4. Классификация.
4.1. Общее представление о классификации.
4.2. Почему не линейная регрессия?.
4.3. Логистическая регрессия.
4.3.1. Логистическая модель.
4.3.2. Оценивание регрессионных коэффициентов.
4.3.3. Предсказания.
4.3.4. Множественная логистическая модель.
4.3.5. Логистическая регрессия для зависимых переменных с числом классов > 2.
4.4. Дискриминантный анализ.
4.4.1. Использование-теоремы Байеса для классификации.
4.4.2. Линейный дискриминантный анализ для р = 1.
4.4.3. Линейный дискриминантный анализ для р > 1.
4.4.4. Квадратичный дискриминантный анализ.
4.5. Сравнение методов классификации.
4.6. Лабораторная работа: логистическая регрессия, LDA, QDA и KNN.
4.6.1. Данные по цене акций.
4.6.2. Логистическая регрессия.
4.6.3. Линейный дискриминантный анализ.
4.6.4. Квадратичный дискриминантный анализ.
4.6.5. Метод К ближайших соседей.
4.6.6. Применение к данным но жилым прицепам.
4.7. Упражнения.
5. Методы создания повторных выборок.
5.1. Перекрестная проверка.
5.1.1. Метод проверочной выборки.
5.1.2. Перекрестная проверка по отдельным наблюдениям.
5.1.3. k-кратная перекрестная проверка.
5.1.4. Компромисс между смещением и дисперсией в контексте k-кратной перекрестной проверки.
5.1.5. Перекрестная проверка при решении задач классификации.
5.2. Бутстреп.
5.3. Лабораторная работа: перекрестная проверка и бутстреп.
5.3.1. Метод проверочной выборки.
5.3.2. Перекрестная проверка по отдельным наблюдениям.
5.3.3. k-кратная перекрестная проверка.
5.3.4. Бутстреп.
5.4. Упражнения.
6. Отбор и регуляризация линейных моделей.
6.1. Отбор подмножества переменных.
6.1.1. Отбор оптимального подмножества.
6.1.2. Пошаговый отбор.
6.1.3. Выбор оптимальной модели.
6.2. Методы сжатия.
6.2.1. Гребневая регрессия.
6.2.2. Лассо.
6.2.3. Выбор гиперпараметра.
6.3. Методы снижения размерности.
6.3.1. Регрессия на главные компоненты.
6.3.2. Метод частных наименьших квадратов.
6.4. Особенности работы с данными большой размерности.
6.4.1. Данные большой размерности.
6.4.2. Что не так с большими размерностями?.
6.4.3. Регрессия для данных большой размерности.
6.4.4. Интерпретация результатов в задачах большой размерности.
6.5. Лабораторная работа 1: методы отбора подмножеств переменных.
6.5.1. Отбор 01гтимального подмножества.
6.5.2. Отбор путем пошагового включения и исключения переменных.
6.5.3. Нахождение оптимальной модели при помощи методов проверочной выборки и перекрестной проверки.
6.6. Лабораторная работа 2: гребневая регрессия гг лассо.
6.6.1. Гребневая регрессия.
6.6.2. Лассо.
6.7. Лабораторная работа 3: регрессия при помощи методов PCR и PLS.
6.7.1. Регрессия на главные компоненты.
6.7.2. Регрессия по методу частных наименьших квадратов.
6.8. Упражнении.
7. Выходя за пределы линейности.
7.1. Полиномиальная регрессия.
7.2. Ступенчатые функции.
7.3. Базисные функции.
7.4. Регрессионные сплайны.
7.4.1. Кусочно полиномиальная регрессия.
7.4.2. Ограничения и сплайны.
7.4.3. Представление сплайнов с помощью базисных функций.
7.4.4. Выбор числа и расположении узлов сочленения.
7.4.5. Сравнение с полиномиальной pегрессией.
7.5. Сглаживающие сплайны.
7.5.1. Общее представление о сглаживающих сплайнах.
7.5.2. Нахождение параметра сглаживании л.
7.6. Локальная регрессия.
7.7. Обобщенные аддитивные модели.
7.7.1. GAM для регрессионных задач.
7.7.2. GAM для задач классификации.
7.8. Лабораторная работа: нелинейные модели.
7.8.1. Полиномиальная регрессия и ступенчатые функции.
7.8.2. Сплайны.
7.8.3. GAM.
7.9. Упражнения.
8. Методы, основанные на деревьях решений.
8.1. Деревья решении: основные понятии.
8.1.1. Регрессионные деревья.
8.1.2. Деревья классификации.
8.1.3. Сравнение деревьев с линейными моделями.
8.1.4. Преимущества и недостатки деревьев решений.
8.2. Бэггинг, случайные леса, бустинг.
8.2.1. Бэггинг.
8.2.2. Случайные леса.
8.2.3. Бустинг.
8.3. Лабораторная работа: деревья решений.
8.3.1. Построение деревьев классификации.
8.3.2. Построение регрессионных деревьев.
8.3.3. Бэггинг и случайные леса.
8.3.4. Бустинг.
8.4. Упражнения.
9. Машины опорных векторов.
9.1. Классификатор с максимальным зазором.
9.1.1. Что такое гиперплоскость?.
9.1.2. Классификация с использованием гиперплоскости.
9.1.3. Классификатор с максимальным зазором.
9.1.4. Построение классификатора с максимальным зазором.
9.1.5. Случай, когда разделяющая гиперплоскость не существует.
9.2. Классификаторы на опорных векторах.
9.2.1. Общие представления о классификаторах на опорных векторах.
9.2.2. Более подробное описание классификатора на опорных векторах.
9.3. Машины опорных векторов.
9.3.1. Классификация с использованием нелинейных решающих границ.
9.3.2. Машина опорных векторов.
9.3.3. Применение к данным по нарушению сердечной функции.
9.4. Машины опорных векторов для случаев с несколькими классами.
9.4.1. Классификация типа «один против одного».
9.4.2. Классификация типа «один против всех».
9.5. Связь с логистической регрессией.
9.6. Лабораторная работа: машины опорных векторов.
9.6.1. Классификатор на опорных векторах.
9.6.2. Машина опорных векторов.
9.6.3. ROC-кривые.
9.6.4. SVM с несколькими классами.
9.6.5. Применение к данным по экспрессии генов.
9.7. Упражнения.
10. Обучение без учителя.
10.1. Трудность обучения без учителя.
10.2. Анализ главных компонент.
10.2.1. Что представляют собой главные компоненты?.
10.2.2. Альтернативная интерпретация главных компонент.
10.2.3. Дополнительный материал по РСА.
10.2.4. Другие приложения РСА.
10.3. Методы кластеризации.
10.3.1. Кластеризация по методу К средних.
10.3.2. Иерархическая кластеризация.
10.3.3. Практические аспекты применения кластеризации.
10.4. Лабораторная работа 1: анализ главных компонент.
10.5. Лабораторная работа 2: кластерный анализ.
10.5.1. Кластеризация по методу К средних.
10.5.2. Иерархическая кластеризация.
10.6. Лабораторная работа 3: анализ данных NCI60.
10.6.1. Применение РСА к данным NCI60.
10.6.2. Кластеризация наблюдений из набора данных NCI60.
10.7. Упражнения.
Предметный указатель.
Купить книгу Введение в статистическое обучение с примерами на языке R, Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р., 2017
Бумажную книгу купить в России с доставкой по всей России
Ниже показаны результаты поиска поисковой системы Яндекс. В результатах могут быть показаны как эта книга, так и похожие на нее по названию или автору.
Канцтовары. Письменные принадлежности. Бумажные канцтовары. Ранцы, рюкзаки, сумки. Канцелярские мелочи. И многое другое.
Авторы приводят множество примеров и иллюстраций применения этих методов на практике. Авторы книги являются выдающимися авторитетами в математической статистике и машинном обучении : Тревор Хасти — обладатель звания ISI Highly Cited Author in Mathematics по версии ISI Web of Knowledge, Роберт Тибширани — изобретатель метода LASSO и обладатель Золотой медали.
Приводится много примеров с широким использованием цветной графики. Книга представляет собой ценный источник информации для статистиков и всех, кто интересуется интеллектуальным анализом данных в науке или промышленности. Охват книги широк: от обучения с учителем (прогнозирования) до.
Приводится много примеров с широким использованием цветной графики. Книга представляет собой ценный источник информации для статистиков и всех, кто интересуется интеллектуальным анализом данных в науке или промышленности. Охват книги широк: от обучения с учителем (прогнозирования) до обучения без учителя.
Сделать правильный выбор Вам помогут рецензии покупателей, а также дополнительные материалы: отрывки, фото и иллюстрации. книги » R в действии. Анализ и визуализация данных на языке R » (автор Кабаков Роберт И.)
Сделать правильный выбор Вам помогут рецензии покупателей, а также дополнительные материалы: отрывки, фото и иллюстрации. книги » Статистический анализ и визуализация данных с помощью R » (авторы Мастицкий Сергей Эдуардович, Владимир Шитиков).
Выполнено всё очень качественно, книга не развалилась после ежедневного чтения в общественном транспорте (даже при сгибании пополам). Да, и сам автор (Кент Бек) постарался на славу. Очень лёгкий язык изложения, как будто бы.
Мюллер, Гвидо: Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными.
Как и указано в предисловии, книга предназначена для активного погружения в машинное обучение с использованием Python. Замечу, что книга не для новичков в программировании. Если вы знаете один из языков программирования и хотите покорять Python вселенную Data Science, то для этого придётся научиться программировать на Python.
Саттон Р., Барто Э. Идея обучения с подкреплением возникла десятки лет назад, но этой дисциплине предстояло пройти долгий путь, прежде чем она стала одним из самых активных направлений исследований в области машинного обучения и нейронных сетей. Сегодня это предмет интереса ученых, занимающихся психологией, теорией управления, искусственным интеллектом и многими другими отраслями знаний. Подход, принятый авторами книги, ставит акцент на практическое использования обучения с подкреплением.
Несмотря на то что с момента выхода первого издания книги прошло уже более тридцати лет, в течение которых мир компьютерных технологий претерпел радикальные изменения, глубина и основательность изложенных в книге идей помогли ей успешно выдержать испытание временем. Обычно в книгах по тестированию программного обеспечения основное внимание уделяется конкретным методам разработки, языкам программирования или методикам тестирования, что приводит к быстрому устареванию материала.
Нильсен Э. Анализ временных рядов становится все более и более актуальным разделом науки о данных в связи с широким распространением Интернета вещей, переходом здравоохранения на исключительно цифровой учет данных и ростом умных городов. Непрерывный мониторинг и сбор самых разных данных становятся повседневной действительностью и предопределяют постоянно растущую потребность в эффективных инструментах анализа временных рядов, основанных как на статистических методах, так и на методах машинного обучения.
Годная книга, масса примеров (ВКонтакте, Твиттер, Фейсбук, Всемирный банк. ). На сайте автора (гуглим по названию книги) есть код и куча дополнений к тексту.
У нас Вы можете купить книгу дешевле, а получить быстрее, чем где бы то ни было. Сделать правильный выбор Вам помогут рецензии покупателей, а также дополнительные материалы: отрывки, фото и иллюстрации. книги «Сбор данных в Интернете на языке R » (автор Храмов Дмитрий Александрович).
Более стоящей книги на русском языке в плане вероятностного машинного.
Пример на фото:где зелёные яблоки и оранжевые апельсины.
Ещё 10 часов Введение в машинное обучение с помощью Python.
Электронные книги купить в России, СНГ и по всему миру
Ниже показаны результаты поиска поисковой системы Яндекс. В результатах могут быть показаны как эта книга, так и похожие на нее по названию или автору.
Введение в статистическое обучение с примерами на языке R читать книгу.
« Введение в статистическое обучение с примерами на языке R » — читать онлайн бесплатно фрагмент.
Читайте лучшие рецензии и отзывы читателей на книгу « Введение в статистическое обучение с примерами на языке R » «Даниэлы Уиттон ». Более 3 отзывов и рейтинг книги в электронной библиотеке ЛитРес.
В книге излагаются основы статистического обучения для решения практических задач, возникающих в медицине, биологии, финансах и многих других отраслях.
R – это мощный язык для статистических вычислений и графики, который может справиться поистине с любой задачей в области обработки данных.
В данной книге представлены полезные примеры статистической обработки данных и описаны изящные методы работы с
Роберт Тибширани Последние новинки книг автора 2020 года. Скачивайте или читайте онлайн на сайте ЛитРес.. Введение в статистическое обучение с примерами на языке R.
Если вы занимаетесь статистикой как наукой, то вам необходим удобный и мощный инструмент, позволяющий заставлять делать компьютер то, что он умеет лучше всего: «Выполнять тупую, неинтересную, но алгоритмизируюмую работу, оставляя самую сложную часть, а именно думать, человеку».
В электронной библиотеке ЛитРес можно читать онлайн бесплатно Прогнозное моделирование в IBM SPSS Statistics, R и Python. Метод деревьев решений и случайный лес от Артема Груздева! Оставляйте и читайте отзывы о книге на ЛитРес!
Инсайдерская информация для новичков. Включая язык R., в pdf или читать онлайн! Оставляйте и читайте отзывы о книге на ЛитРес! Инсайдерская информация для новичков. Включая язык R. PDF. Введение в статистическое обучение с примерами на языке R. 4,1.
На данной странице Вы можете найти лучшие предложения для покупки книги «Введение в статистическое обучение с примерами на языке R, Джеймс Г., Уиттон Д., Хасти Т., Тибширани Р., 2017» по лучшей цене в интернет магазинах Лабиринт, Буквоед, Читай-город, Литрес, My-shop, Book24, Books.ru, Литгид, Озон.
В этих официальных книжных интернет-магазинах вы можете купить недорого бумажную и электронную книгу по самой дешевой цене с доставкой по России и в другие страны. Также в этих магазинах можно купить книжные новинки и бестселлеры.
Официальные сайты интернет-магазинов по продаже книг в России и по всему миру:
Для формирования результатов поиска книг использован сервис Яндекс.XML. 
Нашлось 28 млн ответов. Показаны первые 43 результата(ов).