統計學習基礎:數據挖掘、推理與預測介紹了這些領域的一些重要概念。盡管應用的是統計學方法，但強調的是概念，而不是數學。許多例子附以彩圖。《統計學習基礎:數據挖掘、推理與預測》內容廣泛，從有指導的學習（預測）到無指導的學習，應有盡有。包括神經網絡、支持向量機、分類樹和提升等主題，是同類書籍中介紹得最全面的。計算和信息技術的飛速發展帶來了醫學、生物學、財經和營銷等諸多領域的海量數據。理解這些數據是一種挑戰，這導致了統計學領域新工具的發展，并延伸到諸如數據挖掘、機器學習和生物信息學等新領域。許多工具都具有共同的基礎，但常常用不同的術語來表達。【內容推薦】《統計學習基礎:數據挖掘、推理與預測》試圖將學習領域中許多重要的新思想匯集在一起，并且在統計學的框架下解釋它們。隨著計算機和信息時代的到來，統計問題的規模和復雜性都有了急劇增加。數據存儲、組織和檢索領域的挑戰導致一個新領域“數據挖掘”的產生。數據挖掘是一個多學科交叉領域，涉及數據庫技術、機器學習、統計學、神經網絡、模式識別、知識庫、信息提取、高性能計算等諸多領域，并在工業、商務、財經、通信、醫療衛生、生物工程、科學等眾多行業得到了廣泛的應用。【作者簡介】Trevor Hastie,Robert Tibshirani和Jerome Friedman都是斯坦福大學統計學教授，并在這個領域做出了杰出的貢獻。Hastie和Tibshirani提出了廣義和加法模型，并出版專著“Generalized Additive Models”。Hastie的主要研究領域為：非參數回歸和分類、統計計算以及生物信息學、醫學和工業的特殊數據挖掘問題。他提出主曲線和主曲面的概念，并用S-PLUS編寫了大量統計建模軟件。Tibshirani的主要研究領域為：應用統計學、生物統計學和機器學習。他提出了套索的概念，還是“An Introduction to the Bootstrap”一書的作者之一。Friedman是CART、MARS和投影尋蹤等數據挖掘工具的發明人之一。他不僅是位統計學家，而且是物理學家和計算機科學家，先后在物理學、計算機科學和統計學的一流雜志上表發論文80余篇。
