The Elements of Statistical Learning

El texto avanzado y matemáticamente riguroso que define el machine learning estadístico como disciplina.

ÁreaMachine Learning General
TemaMachine Learning
NivelAvanzado
Publicación2001 (2ª ED. 2009)

Autor(es): Trevor Hastie, Robert Tibshirani, Jerome Friedman

Versión gratuita disponible

¿Qué puedes lograr leyendo este libro?

  • Entender la derivación matemática completa detrás de los algoritmos de ML más usados
  • Comparar formalmente distintos métodos en términos de sesgo, varianza y complejidad
  • Leer y entender papers de investigación en machine learning con mayor soltura

Descripción

ESL es el texto de referencia académica del machine learning estadístico: cubre con rigor matemático completo desde la regresión lineal hasta boosting, SVM y redes neuronales, siendo la base teórica que cita prácticamente todo paper y libro posterior sobre el tema.

Para quién es ideal

  • Quien ya completó ISL y quiere profundizar en el rigor matemático completo
  • Investigadores o estudiantes de posgrado en estadística/ML
  • Referencia teórica definitiva para entender por qué funcionan los algoritmos
  • Lectura de acompañamiento mientras se leen papers de investigación

Contenido destacado

  • Teoría de la decisión estadística y bias-variance
  • Métodos lineales de regresión y clasificación
  • Métodos basados en kernels y funciones base
  • Árboles, boosting y métodos de ensamble
  • Introducción a redes neuronales y aprendizaje no supervisado

Ventajas y limitaciones

Ventajas

  • Gratuito y legal en PDF, disponible desde hace más de una década
  • Rigor matemático definitivo, citado en prácticamente toda la literatura de ML
  • Escrito por tres de los estadísticos más influyentes en machine learning

Limitaciones

  • Denso y matemáticamente exigente; no es un buen primer libro de ML
  • Los capítulos de deep learning están desactualizados frente al estado del arte actual

Libros relacionados