Negli ultimi dieci anni ca (TM)A] stata una (TM)ampia fase della (TM)innovazione tecnologica che ha portato alla diffusione di grandi quantitA di dati in diversi campi applicativi. Le aziende in primo luogo hanno a disposizione moltissimi elementi informativi riguardanti i loro clienti, ma anche nella medicina, nella genetica, nella biologia, e in molti altri ambienti applicativi sono ora a disposizioni grandi masse di dati. Tale realtA porta con sA(c) la necessitA di sviluppare e conoscere nuovi strumenti di analisi statistica.

In questo contesto molti strumenti e metodi di analisi hanno origini diverse, in particolare dalla statistica e dal machine learning, ma condividono molti aspetti. Questo libro descrive i concetti piA importanti di queste aree in una (TM)impostazione unificata. Seppure la (TM)approccio sia statistico, la (TM)enfasi A] sui concetti piuttosto che sulla formulazione matematica.

Vengono presentati molti esempi corredati da una (TM)ampia varietA di illustrazioni grafiche. Il libro dovrebbe quindi costituire un utile strumento per gli statistici e per chiunque altro A] interessato al data mining sia nel mondo aziendale che in quello scientifico.

Il concetto di verosimiglianza gioca un ruolo fondamentale nell'impostazione corrente della Statistica, sia per introdurre nozioni generali della teoria che per lo sviluppo di metodi specifici. Questo libro presenta un'esposizione della teoria statistica basata sulla verosimiglianza, osservata dal punto di vista della "teoria classica," e dimostra come il corpo principale delle tecniche statistiche attualmente in uso possano essere desunte da un numero limitato di concetti-chiave. L'attuale edizione integra la precedente con un capitolo sui modelli lineari generalizzati e con altri aggiornamenti quali numerose illustrazioni numeriche, basate su applicazioni reali, che facilitano la percezione della rilevanza operativa dei metodipresentati.