Statistical Learning with Sparsity

Autor Martin Wainwright, Trevor Hastie, Robert Tibshirani

Statistical Learning with Sparsity - Martin Wainwright,Trevor Hastie,Robert Tibshirani Nedostupné

Statistical Learning with Sparsity

Autor Martin Wainwright, Trevor Hastie, Robert Tibshirani

0.0 z 5 hvězdiček 0 hodnocení čtenářů

Kniha ( pevná vazba )

    • Produkt je nedostupný.
E-shopové listy

Při zaslání zboží balíčkem

K nákupu nad 99 Kč dárek zdarma v hodnotě 19 Kč

E-shopové listy

Magazín Knihkupec

Při zaslání zboží balíčkem

K nákupu nad 249 Kč dárek zdarma v hodnotě 69 Kč

Magazín Knihkupec

Discover New Methods for Dealing with High-Dimensional DataA sparse statistical model has only a small number of nonzero parameters or weights; therefore, it is much easier to estimate and interpret than a dense model. Statistical Learning with Sparsity: The Lasso and Generalizations presents methods that exploit sparsity to help recover the… Přejít na celý popis

Kodaňská kavárna: Podzim s vůní skořice Jonna nastoupí do kodaňské kavárny, jejíž majitel Mads jí brzy nabídne místo na svém hausbótu. Společně tráví stále víc času a Jonna zjišťuje, že mezi nimi vzniká něco víc než přátelství. Více informací

K tomuto produktu zákazníci kupují

Popis Hodnocení 0.0 z 5 hvězdiček 0 Vývoj ceny

Popis

Discover New Methods for Dealing with High-Dimensional Data

A sparse statistical model has only a small number of nonzero parameters or weights; therefore, it is much easier to estimate and interpret than a dense model. Statistical Learning with Sparsity: The Lasso and Generalizations presents methods that exploit sparsity to help recover the underlying signal in a set of data.

Top experts in this rapidly evolving field, the authors describe the lasso for linear regression and a simple coordinate descent algorithm for its computation. They discuss the application of â„“1 penalties to generalized linear models and support vector machines, cover generalized penalties such as the elastic net and group lasso, and review numerical methods for optimization. They also present statistical inference methods for fitted (lasso) models, including the bootstrap, Bayesian methods, and recently developed approaches. In addition, the book examines matrix decomposition, sparse multivariate analysis, graphical models, and compressed sensing. It concludes with a survey of theoretical results for the lasso.

In this age of big data, the number of features measured on a person or object can be large and might be larger than the number of observations. This book shows how the sparsity assumption allows us to tackle these problems and extract useful and reproducible patterns from big datasets. Data analysts, computer scientists, and theorists will appreciate this thorough and up-to-date treatment of sparse statistical modeling.

Sdílet

autoři
Martin Wainwright | Trevor Hastie | Robert Tibshirani
kategorie
Knihy » Cizojazyčná literatura » English literature
Témata
Nakladatel
Taylor & Francis
Rozměr
163 x 244 x 22
jazyk
angličtina
Vazba
pevná vazba
Hmotnost
742 g
isbn
978-1-4987-1216-3
Počet stran
367
datum vydání
7.05.2015
ean
9781498712163

Hodnocení a recenze čtenářů Nápověda

0.0 z 5 0 hodnocení čtenářů

0× 5 hvězdiček 0× 4 hvězdičky 0× 3 hvězdičky 0× 2 hvězdičky 0× 1 hvezdička

Přidejte své hodnocení knihy

Načíst další hodnocení

Zobrazit všechna hodnocení

Přidat hodnocení

Vývoj ceny

Vývoj ceny Nápověda

Získejte přehled o vývoji ceny za posledních 60 dní.

Maloobchodní cena Minimální prodejní cena: 0 Kč Nápověda

Články, které stojí za pozornost

Zobrazit blog

Články, které stojí za pozornost