Протягом останнього десятиліття відбувся вибух обчислювальних та інформаційних технологій. Разом із ним прийшли величезні обсяги даних у різноманітних галузях, таких як медицина, біологія, фінанси та маркетинг. Проблема розуміння цих даних призвела до розробки нових інструментів у галузі статистики та породила нові сфери, такі як аналіз даних, машинне навчання та біоінформатика. Багато з цих інструментів мають спільну основу, але часто виражаються різними термінами. Ця книга описує важливі ідеї в цих сферах у загальній концептуальній системі. Хоча підхід є статистичним, акцент робиться на концепціях, а не на математиці. Наведено багато прикладів із широким використанням кольорової графіки. Це цінний ресурс для статистиків і всіх, хто цікавиться аналізом даних у науці чи промисловості. Охоплення книги широке, від навчання під контролем (прогнозування) до навчання без контролю. Багато тем включають нейронні мережі, опорні векторні машини, класифікаційні дерева та бустинг---перший комплексний розгляд цієї теми в будь-якій книзі.

Це велике нове видання містить багато тем, які не розглядалися в оригіналі, зокрема графічні моделі, випадкові ліси, ансамблеві методи, регресія найменшого кута та алгоритми траєкторії для ласо, невід’ємна матрична факторізація та спектральна кластеризація. Існує також розділ про методи для «широких» даних (p більше за n), включаючи багаторазове тестування та частоту помилкових відкриттів.

Тревор Хасті, Роберт Тібшірані та Джером Фрідман є професорами статистики в Стенфордський університет. Вони є видатними дослідниками в цій галузі: Хасті та Тібшірані розробили узагальнені адитивні моделі та написали популярну книгу з такою назвою. Hastie був співрозробником більшої частини програмного забезпечення статистичного моделювання та середовища в R/S-PLUS і винайшов головні криві та поверхні. Тібшірані запропонував ласо та є співавтором дуже успішної книги «Вступ до Bootstrap». Фрідман є одним із винахідників багатьох інструментів інтелектуального аналізу даних, зокрема CART, MARS, Projection Pursuit і Gradient Boost.