A Computational Approach to Statistical Learning donne une nouvelle introduction à la modélisation prédictive en se concentrant sur les motivations algorithmiques et numériques qui sous-tendent les méthodes statistiques populaires. Le texte contient du code annoté pour plus de 80 fonctions de référence originales. Ces fonctions fournissent des implémentations fonctionnelles minimales d’algorithmes d’apprentissage statistique courants. Chaque chapitre se termine par une application entièrement élaborée qui illustre les tâches de modélisation prédictive à l’aide d’un ensemble de données du monde réel. Le texte commence par une analyse détaillée des modèles linéaires et des moindres carrés ordinaires. Les chapitres suivants explorent des extensions telles que la régression de crête, les modèles linéaires généralisés et les modèles additifs. La seconde moitié se concentre sur l’utilisation d’algorithmes à usage général pour l’optimisation convexe et leur application à des tâches d’apprentissage statistique. Les modèles couverts comprennent les réseaux neuronaux denses en réseau élastique, les réseaux neuronaux convolutifs (CNN) et le clustering spectral. Un thème unificateur tout au long du texte est l’utilisation de la théorie de l’optimisation dans la description des modèles prédictifs, avec un accent particulier sur la décomposition en valeurs singulières (SVD). À travers ce thème, l’approche computationnelle motive et clarifie les relations entre divers modèles prédictifs. . Langue : Anglais