Trevor Hastie, Robert Tibshirani, and Jerome Friedman are professors of statistics at Stanford University. They are prominent researchers in this area: Hastie and Tibshirani developed generalized additive models and wrote a popular book of that title. Hastie co-developed much of the statistical modeling software and environment in R/S-PLUS and invented principal curves and surfaces. Tibshirani proposed the lasso and is co-author of the very successful An Introduction to the Bootstrap. Friedman is the co-inventor of many data-mining tools including CART, MARS, projection pursuit and gradient boosting.
读了一个月,还在前四章深耕,在此说明一下,网上的 solution,笔记啊,我见到的,只有一个份做的最详细,准确度最高,其余的都是滥竽充数,过程推导乱来,想当然,因为该书的符号有点混乱,所以建议阅读该书的人把前面的 Notation 读清楚,比如书中 X 出现的有好几种形式,每...
評分对于新手来说,这本书和PRML比起来差太远,新手强烈建议去读PRML,接下来再看这本书。。我就举个最简单的例子吧,这本书的第二章overview of supervised learning和PRML的introduction差太远了。。。。读这本书的overview如果读者没有基础几乎不知所云。。但是PRML通过一个例子...
評分个人觉得“机器学习 -- 从入门到精通”可以作为这本书的副标题。 机器学习、数据挖掘或者模式识别领域有几本非常流行的教材,比如Duda的模式分类,Bishop的PRML。Duda的书第一版是模式识别的奠基之作,现在大家谈论得是第二版,因为内容相对简单,非常流行,但对近20年取得统...
評分[https://web.stanford.edu/~hastie/ElemStatLearn/] ==========================================================================================================================================================
評分一直覺得這個學科大概不存在入門教材這個概念。
评分我來說下,本書麵嚮的讀者對象為精通概率統計的人,即你差不多是個統計學博士就可以瞭,不然很多結論直接就來,也不推導。本書重概率統計直覺,我覺得此書很尷尬,厲害的人覺得就是個提綱,水平差的人又覺得太跳躍。最後,統計機器學習入門慎看此書。
评分Good Introduction with detailed explanation in spite of tediousness.
评分其實這本書有個姐妹篇,叫 An Introduction to Statistical Learning: with Applications in R ,是Hastie 和Tibshirani 和另外兩個作者閤寫的,更加適閤入門,是非常經典的教材。
评分統計學習,模式識彆領域,最愛的一本書。推導過程清晰,還有各種感悟和總結,很好。但是講的內容比機器學習少瞭一些,好像是沒有hmm,crf的。
本站所有內容均為互聯網搜索引擎提供的公開搜索信息,本站不存儲任何數據與內容,任何內容與數據均與本站無關,如有需要請聯繫相關搜索引擎包括但不限於百度,google,bing,sogou 等
© 2025 qciss.net All Rights Reserved. 小哈圖書下載中心 版权所有