نبذة عن الكتاب:

الانحدار الإحصائي والتصنيف: من النماذج الخطية إلى التعلم الآلي يلقي نظرة مبتكرة على دورة الانحدار الإحصائي التقليدية ، ويقدم علاجًا معاصرًا يتماشى مع تطبيقات اليوم والمستخدمين. يأخذ النص نظرة حديثة على الانحدار:

* معالجة شاملة للنماذج الخطية الكلاسيكية والخطية المعممة ، مع استكمالها بمواد تمهيدية حول أساليب التعلم الآلي.

* بما أن التصنيف هو بؤرة اهتمام العديد من التطبيقات المعاصرة ، فإن الكتاب يغطي هذا الموضوع بالتفصيل ، لا سيما الحالة متعددة الطبقات.

* في ضوء الطبيعة الضخمة للعديد من مجموعات البيانات الحديثة ، يوجد فصل خاص بالبيانات الضخمة.

* يحتوي على أقسام خاصة بالرياضيات والحاسوب في نهاية الفصول ، ويتم تقسيم التمارين إلى مشاكل البيانات والرياضيات والمكملات.

* يمكن للمدرسين تخصيص تغطية لجماهير محددة مثل التخصصات في الإحصاء أو علوم الكمبيوتر أو الاقتصاد.

* أكثر من 75 مثالاً باستخدام بيانات حقيقية.

يعالج الكتاب طرق الانحدار الكلاسيكية بطريقة مبتكرة ومعاصرة. على الرغم من إدخال بعض طرق التعلم الإحصائي ، إلا أن المنهجية الأساسية المستخدمة هي نماذج معلمات خطية ومعممة ، تغطي كلاً من أهداف الوصف والتنبؤ لطرق الانحدار. يهتم المؤلف تمامًا بتطبيقات وصف الانحدار ، مثل قياس فجوة الأجور بين الجنسين في وادي السيليكون ، كما هو الحال في التنبؤ بالطلب المستقبلي لاستئجار الدراجات. تم تخصيص فصل كامل لقياس هذه التأثيرات ، بما في ذلك مناقشة مفارقة سيمبسون والاستدلال المتعدد وقضايا السببية. وبالمثل ، هناك فصل كامل من نموذج الملاءمة البارامترية ، باستخدام كل من التحليل المتبقي والتقييم عبر التحليل اللامعلمي.

Book Description

Statistical Regression and Classification: From Linear Models to Machine Learning takes an innovative look at the traditional statistical regression course, presenting a contemporary treatment in line with today's applications and users. The text takes a modern look at regression:

* A thorough treatment of classical linear and generalized linear models, supplemented with introductory material on machine learning methods.

* Since classification is the focus of many contemporary applications, the book covers this topic in detail, especially the multiclass case.

* In view of the voluminous nature of many modern datasets, there is a chapter on Big Data.

* Has special Mathematical and Computational Complements sections at ends of chapters, and exercises are partitioned into Data, Math and Complements problems.

* Instructors can tailor coverage for specific audiences such as majors in Statistics, Computer Science, or Economics.

* More than 75 examples using real data.

The book treats classical regression methods in an innovative, contemporary manner. Though some statistical learning methods are introduced, the primary methodology used is linear and generalized linear parametric models, covering both the Description and Prediction goals of regression methods. The author is just as interested in Description applications of regression, such as measuring the gender wage gap in Silicon Valley, as in forecasting tomorrow's demand for bike rentals. An entire chapter is devoted to measuring such effects, including discussion of Simpson's Paradox, multiple inference, and causation issues. Similarly, there is an entire chapter of parametric model fit, making use of both residual analysis and assessment via nonparametric analysis.