ここ１０年ほど、
統計的学習理論の分野では
Lasso推定などの正則化推定が非常に流行しています。

これは
近年の計算機技術の発展に伴う
新しいタイプのデータ解析の際に
非常に重要となるものであり、
私も勉強・研究しています。

この本の著者３人、
Hastie, Tibshirani, Friedman
はこの分野のフロンティアであり、

本の内容としても
統計的学習理論の内容を広くカバーしたものとなっており、
非常に有益な本です。


まぁ
確かに広範囲をカバーしているために
一つひとつのトピックは浅くなってしまってますが、

そもそも
この分野全体をカバーした上で
詳しい理論展開を載せるなんて
明らかに不可能。

それに
この本が読める人は
原著論文も読める人のハズ。

そして
深い理論が知りたいのであれば
論文を読むに越したことはありません。


というわけで
この本の使い方としましては
「トピックと概要を抑える」
というのをオススメします。

そして
もしこの本に興味を持たれた方は
この本を基に
原著論文を読まれることを期待します。

ブースティング、サポートベクタマシンなどの機械学習の最近のトピックに加え、データマイニングの世界で標準的な道具である相関ルールまでカバーできていて、説明も丁度良いくらいの数学で、これから機械学習の分野を勉強し、研究したいと思っている方にはよい入門書であると思います。

少し深めの話題もあって、ある程度この分野を知っている方でも、結構学べるところがあると思います。

内容を詰め込みすぎたため、全般的に説明不足の感が否めません。
図面を多用しており一見とっつきやすく見えますが、必ずしも理解に
役に立っているとは言いがたいと思います。
また、各種学習手法の説明に取り上げられている実データも、結果が
良いのか悪いのか直感的に判断しがたいものが多い感じがします。

全体として、初学者には薦められず、他の文献への索引として用いるのが
適切かと思います。

これ一冊を手元に置くと、2001年の統計的学習理論の全体を俯瞰することができ、
とても重宝しています。理論的に難しい議論は、原著論文あるいはその後の最新の論文
へのポインタを表示するにとどめ、全体を読者に理解させることにとても注意が払われてい
ます。この本に紹介されている手法のアルゴリズムをユーザとして実装できれば良い読者に

も、これから統計的学習理論を計算機科学あるいは統計学の立場から研究しようとする
初学者にもお勧めできると思います。各章は独立して書かれており、必ずしも最初から読
む必要もなさそうです。