A Computational Approach to Statistical Learning offre una nuova introduzione alla modellazione predittiva concentrandosi sulle motivazioni algoritmiche e numeriche alla base dei metodi statistici più diffusi. Il testo contiene codice annotato per oltre 80 funzioni di riferimento originali. Queste funzioni forniscono implementazioni funzionanti minime dei comuni algoritmi di apprendimento statistico. Ogni capitolo si conclude con un'applicazione completamente elaborata che illustra le attività di modellazione predittiva utilizzando un set di dati del mondo reale. Il testo inizia con un'analisi dettagliata dei modelli lineari e dei minimi quadrati ordinari. I capitoli successivi esplorano estensioni come la regressione di cresta, i modelli lineari generalizzati e i modelli additivi. La seconda metà si concentra sull'uso di algoritmi generici per l'ottimizzazione convessa e la loro applicazione a compiti di apprendimento statistico. I modelli trattati includono la rete elastica, le reti neurali dense, le reti neurali convoluzionali (CNN) e il clustering spettrale. Un tema unificante in tutto il testo è l'uso della teoria dell'ottimizzazione nella descrizione di modelli predittivi con particolare attenzione alla decomposizione ai valori singolari (SVD). Attraverso questo tema, l'approccio computazionale motiva e chiarisce le relazioni tra i vari modelli predittivi. . Lingua: Inglese