Oppdag nye metoder for å håndtere høy-dimensjonale data. En sparsom statistisk modell har kun et begrenset antall ikke-null parametere eller vekter, noe som gjør den betydelig enklere å estimere og tolke sammenlignet med en tett modell. Boken 'Statistical Learning with Sparsity: The Lasso and Generalizations' presenterer metoder som utnytter sparsitet for å hjelpe til med å gjenvinne det underliggende signalet i et datagrunnlag. Topp eksperter innen dette raskt utviklende feltet beskriver lasso for lineær regresjon og en enkel koordinatnedstigningsalgoritme for beregningen. Forfatterne diskuterer bruken av l1-straffer i generaliserte lineære modeller og støttevektor-maskiner, dekker generaliserte straffer som elastisk nett og gruppe-lasso, samt vurderer numeriske metoder for optimalisering. I tillegg presenterer boken statistiske inferensmetoder for tilpassede (lasso) modeller, inkludert bootstrap, bayesianske metoder og nylig utviklede tilnærminger. Videre undersøker boken matrise-dekomponering og sparsom multivariat analyse.
