Statistical Learning Basics Data Mining, Inference and Prediction

\"Foundations of Statistical Learning: Data Mining, Inference, and Prediction\" introduces some of the important concepts in these fields. Although statistical methods are applied, the emphasis is on concepts rather than mathematics. Many examples are accompanied by color illustrations. \"Foundations of Statistical Learning: Data Mining, Inference, and Prediction\" covers a wide range of topics, from supervised learning (prediction) to unsupervised learning. It includes topics such as neural networks, support vector machines, classification trees, and boosting, making it the most comprehensive book of its kind. The rapid development of computing and information technology has brought about massive amounts of data in many fields such as medicine, biology, finance, and marketing. Understanding this data is a challenge, which has led to the development of new tools in the field of statistics and has extended to new fields such as data mining, machine learning, and bioinformatics. Many of the tools have a common foundation, but are often expressed in different terms. Chapter 1 Introduction Chapter 2 Overview of Supervised Learning Chapter 3 Linear Methods for Regression Chapter 4 Linear Methods for Classification Chapter 5 Basis Expansion and Regularization Chapter 6 Kernel Methods Chapter 7 Model Evaluation and Selection Chapter 8 Model Inference and Averaging Chapter 9 Additive Models, Trees, and Related Methods Chapter 10 Boosting and Additive Trees Chapter 11 Neural Networks Chapter 12 Support Vector Machines and Flexible Discriminants Chapter 13 Prototype Methods and Nearest Neighbors Chapter 14 Unsupervised Learning