Kitaba PDF formatında ulaşmak için [tıklayınız](https://www.statlearning.com/).
##### Verinin Önemi
Ücret verileri, sürekli veya nicel bir çıktı değerinin tahmin edilmesini içerir. Bu genellikle bir regresyon problemi olarak adlandırılır. Ancak, bazı durumlarda bunun yerine *sayısal olmayan bir değeri, yani kategorik veya nitel bir çıktıyı* tahmin etmek isteyebiliriz.
*Piyasalar aşağı mı yoksa yukarı mı hareket edecek?* Bu bir sınıflandırma problemi olarak bilinir. Piyasanın hangi yönde hareket edeceğini doğru bir şekilde tahmin edebilecek bir model çok faydalı olacaktır.
##### Diğerleri
Bir diğer durum yalnızca girdi değişkenlerini gözlemlediğimiz ve buna karşılık gelen bir çıktının olmadığı durumlardır. Bireyleri gözlemlenen özelliklerine göre gruplandırarak hangi müşteri türlerinin birbirlerine benzediğini anlamak isteyebiliriz, bu durumda *clustering* karşımıza çıkar.
#### Notasyonlar ve Formüller
$ n \to \text{gözlem sayısı} $
$ p \to \text{değişken sayısı} $
$X_{ij} \to \text{i gözlemi için j değişkeninin değeri}$
**Matris Çarpımı**
$
c_{ij}= a_{i1} b_{1j} + a_{i2} b_{2j} +\cdots+ a_{in} + b_{nj} = \sum_{k=1}^n a_{ik}b_{kj} $
$
\begin{bmatrix}
a_{11} & a_{12} & \cdots & a_{1n}\\
a_{21} & a_{22} & \cdots & a_{2n}\\
\vdots & \vdots & \ddots & \vdots\\
a_{m1} & a_{m2} & \cdots & a_{mn}
\end{bmatrix}
\times
\begin{bmatrix}
b_{11} & b_{12} & \cdots & b_{1p}\\
b_{21} & b_{22} & \cdots & b_{2p}\\
\vdots & \vdots & \ddots & \vdots\\
b_{n1} & b_{n2} & \cdots & b_{np}
\end{bmatrix}
=
\begin{bmatrix}
c_{11} & c_{12} & \cdots & c_{1p}\\
c_{21} & c_{22} & \cdots & c_{2p}\\
\vdots & \vdots & \ddots & \vdots\\
c_{m1} & c_{m2} & \cdots & c_{mp}
\end{bmatrix}$
##### Bir Örnek
**Reklam** veri setinde bir ürünün *satış* verisi ve üç mecraya ait bilgiler olsun: *TV, radyo ve gazeteler*. Farklı reklam mecraları ile satışlar arasındaki ilişki ne ve satışlar nasıl artırılabilir? satışlar çıktı, diğerleri ise girdi değişkenler olmak üzere $X_1$ TV, $X_2$ radyo, $X_3$ gazeteler olsun.
Eğer Y ve $X=(X_1, X_2,X_3...X_p)$ arasında bir ilişki varsa aşağıdaki gibi ifade edilebilir:
$ Y = f(X) + ε $
f burada henüz bilinmese de $X_p