Eine Einführung in das statistische Lernen bietet einen zugänglichen Überblick über das Gebiet des statistischen Lernens, ein unverzichtbares Werkzeug, um die umfangreichen und komplexen Datensätze zu verstehen, die in den letzten zwanzig Jahren in Bereichen von Biologie über Finanzen bis hin zu Marketing und Astrophysik entstanden sind. Dieses Buch stellt einige der wichtigsten Modellierungs- und Vorhersagetechniken vor, zusammen mit relevanten Anwendungen. Zu den Themen gehören lineare Regression, Klassifikation, Resampling-Methoden, Shrinkage-Ansätze, baumbasierte Methoden, Support-Vektor-Maschinen, Clustering, Deep Learning, Überlebensanalyse, multiple Tests und mehr. Farbige Grafiken und reale Beispiele werden verwendet, um die vorgestellten Methoden zu veranschaulichen. Da das Ziel dieses Lehrbuchs darin besteht, die Anwendung dieser statistischen Lerntechniken für Praktiker in Wissenschaft, Industrie und anderen Bereichen zu erleichtern, enthält jedes Kapitel ein Tutorial zur Implementierung der in R präsentierten Analysen und Methoden, einer äusserst beliebten Open-Source-Statistiksoftware. Zwei der Autoren haben gemeinsam "The Elements of Statistical Learning" verfasst, ein beliebtes Nachschlagewerk für Statistiker und Forscher im Bereich maschinelles Lernen. Eine Einführung in das statistische Lernen behandelt viele der gleichen Themen, jedoch auf einem Niveau, das für ein viel breiteres Publikum zugänglich ist. Dieses Buch richtet sich sowohl an Statistiker als auch an Nicht-Statistiker, die moderne statistische Lerntechniken zur Analyse ihrer Daten nutzen möchten. Der Text setzt lediglich einen vorherigen Kurs in linearer Regression voraus und keine Kenntnisse in Matrizenalgebra. Diese zweite Auflage enthält neue Kapitel über Deep Learning, Überlebensanalyse und multiple Tests sowie erweiterte Behandlungen von naïve Bayes, verallgemeinerten linearen Modellen, Bayesianischen additiven Regressionsbäumen und Matrixvollständigung. Der R-Code wurde aktualisiert, um die Kompatibilität sicherzustellen.