Wprowadzenie do uczenia się statystycznego zapewnia przystępny przegląd dziedziny uczenia się statystycznego, niezbędny zestaw narzędzi do zrozumienia rozległych i złożonych zbiorów danych, które pojawiły się w różnych dziedzinach, od biologii, przez finanse, marketing i astrofizykę, w ciągu ostatnich dwudziestu lat. W tej książce przedstawiono niektóre z najważniejszych technik modelowania i przewidywania, wraz z odpowiednimi zastosowaniami. Tematy obejmują regresję liniową, klasyfikację, metody resamplingowe, podejścia regularyzacyjne, metody drzewiaste, maszyny wektorów nośnych, klasteryzację, uczenie głębokie, analizę przeżycia, testowanie wielokrotne i inne. Grafika kolorowa i przykłady z życia wzięte służą do zilustrowania przedstawionych metod. Ponieważ celem tego podręcznika jest ułatwienie stosowania tych technik uczenia statystycznego przez praktyków w nauce, przemyśle i innych dziedzinach, każdy rozdział zawiera samouczek dotyczący implementacji analiz i metod przedstawionych w R, niezwykle popularnej platformie statystycznego oprogramowania open source. Dwóch z autorów jest współautorami książki The Elements of Statistical Learning (Hastie, Tibshirani i Friedman, wydanie drugie 2009), popularny podręcznik dla badaczy statystyki i uczenia maszynowego. Wprowadzenie do uczenia się statystycznego obejmuje wiele takich samych tematów, ale na poziomie dostępnym dla znacznie szerszego grona odbiorców. Ta książka jest skierowana zarówno do statystyków, jak i osób niebędących statystykami, które chcą wykorzystać najnowocześniejsze techniki uczenia statystycznego do analizy swoich danych.. Tekst zakłada jedynie wcześniejszy kurs regresji liniowej i brak znajomości algebry macierzy. Ta druga edycja zawiera nowe rozdziały poświęcone uczeniu głębokiemu, analizie przeżycia i testowaniu wielokrotnemu, a także rozszerzone omówienia naiwnego Bayesa, uogólnionych modeli liniowych, drzew regresji addytywnej Bayesa oraz uzupełniania macierzy.. Kod R został zaktualizowany w celu zapewnienia kompatybilności.