Introducción al aprendizaje estadístico: Con Aplicaciones en Python

Opiniones de los lectores

El libro ha recibido críticas mixtas, destacando su utilidad en la enseñanza de la estadística, en particular con el uso de Python. Mientras que muchos críticos alabaron la profundidad del contenido y las ideas prácticas, los problemas relacionados con la mala encuadernación y el control de calidad empañaron la experiencia de algunos lectores. Además, las críticas se dirigieron a la sección de Python, que algunos consideraron anticuada y dependiente de paquetes innecesarios.

⬤ Excelente profundidad de contenidos sobre estadística, lo que lo hace adecuado para el autoaprendizaje.
⬤ Tapa dura de alta calidad con visualizaciones en color (cuando se recibe en condiciones adecuadas).
⬤ Enfoque práctico con ejemplos usando Python, lo que lo hace ideal para la ciencia de datos y la analítica.
⬤ Buen material introductorio que evita las matemáticas abrumadoras, atractivo para principiantes.
⬤ Recursos de apoyo adicionales disponibles en línea.

⬤ Varios autores recibieron ejemplares del libro mal encuadernados o dañados.
⬤ Se critica que la sección de Python está anticuada y se basa en un paquete ISLP poco práctico en lugar de en prácticas comunes.
⬤ Algunos ejemplares llegaron en blanco y negro a pesar de que se esperaba una impresión en color, lo que provocó confusión y problemas de claridad visual.
⬤ Varios usuarios han señalado problemas de calidad con el papel y la encuadernación.

(basado en 19 opiniones de lectores)

Título original:

An Introduction to Statistical Learning: With Applications in Python

Contenido del libro:

An Introduction to Statistical Learning ofrece una visión general y accesible del campo del aprendizaje estadístico, un conjunto de herramientas esenciales para dar sentido a los vastos y complejos conjuntos de datos que han surgido en campos que van desde la biología a las finanzas, el marketing y la astrofísica en los últimos veinte años. Este libro presenta algunas de las técnicas de modelización y predicción más importantes, junto con las aplicaciones pertinentes.

Los temas incluyen regresión lineal, clasificación, métodos de remuestreo, enfoques de contracción, métodos basados en árboles, máquinas de vectores soporte, agrupación, aprendizaje profundo, análisis de supervivencia, pruebas múltiples y más. Se utilizan gráficos en color y ejemplos reales para ilustrar los métodos presentados. Este libro está dirigido tanto a estadísticos como a no estadísticos que deseen utilizar técnicas de aprendizaje estadístico de vanguardia para analizar sus datos.

Cuatro de los autores son coautores de An Introduction to Statistical Learning, With Applications in R (ISLR), que se ha convertido en un pilar de las aulas de grado y posgrado de todo el mundo, así como en un importante libro de referencia para los científicos de datos. Una de las claves de su éxito fue que cada capítulo contiene un tutorial sobre la implementación de los análisis y métodos presentados en el entorno de computación científica R.

Sin embargo, en los últimos años Python se ha convertido en un lenguaje popular para la ciencia de datos, y ha aumentado la demanda de una alternativa a ISLR basada en Python. De ahí que este libro (ISLP) cubra los mismos materiales que ISLR pero con laboratorios implementados en Python.

Estos laboratorios serán útiles tanto para los principiantes en Python como para los usuarios experimentados.