統計學習要素：機器學習中的數據挖掘、推斷與預測（第2版）

三位統計學家高屋建瓴，面向非統計專業的讀者介紹重要的統計學概念，而非純數學理論借助於一個通用概念框架，描述多個學科的重要思想，比如醫學、生物學、金融學和行銷。
 
《統計學習要素》（第2版）包含人工智慧中用到的許多代表性主題，比如圖模型、隨機森林、集成方法、Lasso最小角度回歸和路徑演算法、非負矩陣分解和頻譜聚類。此外，還用一章篇幅來介紹“寬”資料（p大於n）的方法，包括多次測試和誤檢率。
 
對統計領域、人工智慧領域及相關科學或行業領域內的讀者而言，本書是一個難得的寶庫，涉及面很廣，從監督學習（預測）到無監督學習，具體主題包括神經網路、支援向量機、分類樹和Boosting（率先對該主題進行綜合論述）。與此同時，書中還包含豐富的示例和大量彩色的圖表。

第1 章概述1

第2 章監督學習綜述7

第3 章回歸的線性方法7

第4 章分類的線性方法77

第5 章基展開與正則化方法105

第6 章核平滑方法143

第7 章模型的評估和選擇165

第8 章模型的推斷和平均197

第9 章加性模型、樹和相關方法223

第10 章Boosting 和加性樹255

第11 章神經網路293

第12 章支持向量機與柔性判別分析315

第13 章原型方法與最近鄰347

第14 章非監督學習365

第15 章隨機森林441

第16 章集成學習455

第17 章無向圖模型471

第18 章高維問題：p≫N 489

斯坦福大學統計學教授。三人是該領域的傑出研究人員。哈斯蒂在新澤西州的AT＆T貝爾實驗室以技術人員身份工作9年之後，於1994年8月加入斯坦福大學任教。哈斯蒂用S-PLUS寫了許多統計建模軟體，併發明瞭主要曲線和曲面。他和提佈施拉尼共同開發了廣義加性模型並寫了這一主題的熱門書。提佈施拉尼提出了Lasso，參與創作了《Bootstrap概論》，這本書取得了相當大的成功。弗雷曼是許多資料採擷工具的共同發明人，包括CART、MARS、投影追蹤和梯度Boosting。
 


譯者簡介


 
張軍平
復旦大學電腦科學技術學院教授，博導，主要研究方向是人工智慧、機器學習、生物認證和智慧交通。曾經主持多個國家級項目。他是人工智慧著名期刊 IEEE Intelligent Systems 編委，擔任《軟體學報》和《自動化學報》等國內權威期刊責任編輯。他是中國自動化學會混合智慧專業委員會副主任。他在人工智慧及相關專業領域發表了100餘篇論文，包括 IEEE TPAMI，TNNLS，ToC，TAC和TITS等期刊以及ICML, AAAI和 ECCV等國際會議上。他的人工智慧科普暢銷書《愛犯錯的智慧體》榮獲了2019年中國自動化學會科普獎。2020年中國科普作家協會第六屆優秀作品獎（中國科普創作領域最高獎）金獎以及2020年第十屆吳文俊人工智慧科技進步獎（科普專案）。