«Введение в статистическое обучение» представляет собой доступный обзор области статистического обучения, важный набор инструментов для понимания огромных и сложных наборов данных, которые появились в самых разных областях: от биологии до финансов, от маркетинга до астрофизики за последние двадцать лет.. В этой книге представлены некоторые из наиболее важных методов моделирования и прогнозирования, а также соответствующие приложения.. Темы включают линейную регрессию, классификацию, методы повторной выборки, методы сжатия, древовидные методы, машины опорных векторов, кластеризацию, глубокое обучение, анализ выживаемости, множественное тестирование и многое другое.. Цветная графика и примеры из реальной жизни используются для иллюстрации представленных методов.. Поскольку цель этого учебника — облегчить использование этих методов статистического обучения специалистами в науке, промышленности и других областях, каждая глава содержит руководство по реализации представленных анализов и методов в R, чрезвычайно популярной платформе статистического программного обеспечения с открытым исходным кодом. Двое из авторов совместно написали The Elements of Statistical Learning (Хасти, Тибширани и Фридман, 2-е издание, 2009 г.), популярный справочник для исследователей статистики и машинного обучения. «Введение в статистическое обучение» охватывает многие из тех же тем, но на уровне, доступном для гораздо более широкой аудитории.. Эта книга предназначена как для статистиков, так и для неспециалистов, желающих использовать передовые методы статистического обучения для анализа своих данных.. В тексте предполагается только предыдущий курс по линейной регрессии и отсутствие знаний в области матричной алгебры. В этом втором издании представлены новые главы по глубокому обучению, анализу выживаемости и множественному тестированию, а также расширенные разделы по наивному Байесу, обобщенным линейным моделям, аддитивным регрессионным деревьям Байеса и матричному дополнению.. Код R был полностью обновлен для обеспечения совместимости.