Statistics for High-Dimensional Data: Methods, Theory and Applications

آمار مدرن با مجموعه داده‌های بزرگ و پیچیده و در نتیجه با مدل‌هایی که تعداد زیادی پارامتر دارند سروکار دارد. این کتاب شرح مفصلی از رویکردهای اخیراً توسعه‌یافته، از جمله کمند و نسخه‌های آن برای مدل‌های مختلف، روش‌های تقویت، مدل‌سازی گرافیکی بدون جهت، و رویه‌های کنترل انتخاب‌های مثبت کاذب را ارائه می‌کند.
ویژگی ویژه کتاب این است که شامل جامع است. تئوری ریاضی در آمار با ابعاد بالا همراه با روش‌شناسی، الگوریتم‌ها و تصاویر با نمونه‌های داده واقعی. این رویکرد عمیق، پتانسیل عالی و کاربرد عملی روش ها را در تنظیمات مختلف برجسته می کند. به این ترتیب، منبع ارزشمندی برای محققان، دانشجویان تحصیلات تکمیلی و کارشناسان آمار، ریاضیات کاربردی و علوم کامپیوتر است.

Modern statistics deals with large and complex data sets, and consequently with models containing a large number of parameters. This book presents a detailed account of recently developed approaches, including the Lasso and versions of it for various models, boosting methods, undirected graphical modeling, and procedures controlling false positive selections.
A special characteristic of the book is that it contains comprehensive mathematical theory on high-dimensional statistics combined with methodology, algorithms and illustrations with real data examples. This in-depth approach highlights the methods’ great potential and practical applicability in a variety of settings. As such, it is a valuable resource for researchers, graduate students and experts in statistics, applied mathematics and computer science.