Introduzione all’apprendimento statistico con applicazioni in R

PREFAZIONE

L’apprendimento statistico (statistical learning) si riferisce a una serie di strumenti per modellizzare e comprendere set di dati complessi. Si tratta di un’area sviluppata di recente nella statistica e si fonde con sviluppi paralleli nell’informatica e, in particolare, nel machine learning. Il campo comprende molti metodi come il lasso e la regressione sparsa, la classificazione e gli alberi di regressione, il boosting e le support vector machines. 

Con l’esplosione dei problemi legati ai “Big Data”, l’apprendimento statistico è diventato un campo di forte interesse in molte aree scientifiche, nonché nel marketing, finanza e altre discipline aziendali. Le persone con capacità relative allo statistical learning sono
molto richieste. 

Uno dei primi libri in quest’area - The Elements of Statistical Learning (ESL) (Hastie, Tibshirani e Friedman) - è stato pubblicato nel 2001, con una seconda edizione nel 2009. L’ESL è diventato un testo popolare non solo in statistica ma anche in campi correlati.
Uno dei motivi della popolarità di ESL è il suo stile relativamente accessibile. Ma ESL è destinato a persone con una formazione avanzata nelle scienze matematiche. An Introduction to Statistical Learning (ISL) è nato dalla percepita necessità di un trattamento più ampio e meno tecnico di questi argomenti. In questo nuovo libro, trattiamo molti degli stessi argomenti di ESL, ma ci concentriamo maggiormente sulle applicazioni dei metodi e meno sui dettagli matematici. Abbiamo creato esercitazioni che illustrano come implementare ciascuno dei metodi di apprendimento statistico utilizzando il diffuso pacchetto software statistico R. Queste esercitazioni forniscono al lettore una preziosa esperienza pratica. 

Questo libro è adatto a studenti universitari avanzati o studenti di corsi magistrali in statistica o campi quantitativi correlati o per persone di altre discipline che desiderano utilizzare strumenti di apprendimento statistico per analizzare i propri dati. Può essere
usato come libro di testo per un corso che copre uno o due semestri.

Vorremmo ringraziare diversi lettori per i preziosi commenti sulle bozze preliminari di questo libro: Pallavi Basu, Alexandra Chouldechova, Patrick Danaher, Will Fithian, Luella Fu, Sam Gross, Max Grazier G’Sell, Courtney Paulson, Xinghao Qiao, Elisa Sheng, Noah Simon, Kean Ming Tan, e Xin Lu Tan. 

It’s tough to make predictions, especially about the future.