Författare
Trevor Hastie
Trevor Hastie är en uppskattad författare inom Naturvetenskap och teknik med totalt 2 böcker tillgängliga på Bokkollen, utgivna hos Taylor & Francis Inc, Springer-Verlag New York Inc..
Bland verken finns Statistical Learning with Sparsity, som toppar listan över Trevor Hasties populäraste böcker. Verken spänner över naturvetenskap & teknik och tilltalar läsare som uppskattar genren.
Letar du efter något nytt att läsa? Prova Elements of Statistical Learning – ett annat uppskattat verk av Trevor Hastie.
På Bokkollen gör vi det enkelt att navigera i Trevor Hasties författarskap. Vår databas uppdateras ständigt med nya släpp och format, så oavsett om du söker efter en lättläst pocket för semestern, en lyxig inbunden presentutgåva eller en digital ljudbok för pendlingen, har vi rätt utgåva för dig.
Jämför snabbt och smidigt priser på alla böcker av Trevor Hastie hos Sveriges ledande bokhandlare – som Adlibris, Bokus och Akademibokhandeln – och hitta alltid det bästa erbjudandet utan att betala för mycket.
Statistical Learning with Sparsity
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 l1 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.
Hela bibliografin
Utforska alla Trevor Hasties publicerade verk sorterade efter popularitet.
Upptäck liknande författare
Om du gillar Trevor Hastie kommer du förmodligen att uppskatta även dessa författare inom naturvetenskap & teknik.