Trevor Hastie, Professor an der Stanford University, ist einer der herausragenden Statistiker unserer Zeit. Seine Forschungsbeiträge liegen in der angewandten Statistik und im Bereich des statistischen Lernens und machen ihn zu einem der Wegbereiter der Analyse von Big Data. Seine Forschung konzentriert sich auf Modellierungs- und Vorhersageprobleme in Biologie und Genforschung, Medizin und Industrie. Er hat mehr als 200 Artikel veröffentlicht und sechs viel beachtete Monographien geschrieben. Dazu zählt das zusammen mit Rob Tibshirani und Jerome Friedman publizierte Standardlehrbuch „Elements of Statistical Learning“. Wie in vielen anderen Universitäten sind seine Werke auch im Leuphana Data Science Programm ein unverzichtbarer Bestandteil des Literaturkanons.
Zwei grundlegende Felder seiner Arbeit sind insbesondere zu erwähnen. Erstens: Realweltliche Phänomene werden häufig mit Hilfe von nicht-linearen Modellen beschrieben. Sogenannte Generalized Additive Models, zu deren Entwicklung er entscheidend beigetragen hat, bieten einen Ansatz, der einen hohen Grad an Flexibilität in der Modellierung mit den vielen Vorteilen linearer Modelle kombiniert. In diesem Zusammenhang sind seine frühen Arbeiten zu parameterfreien Modellen besonders hervorzuheben. Zweitens: In Zeiten von Big Data ist die Anzahl der möglichen Prädiktoren oft größer als die Anzahl der Beobachtungen. Trevor Hastie und seine Kollegen haben eine Reihe von Methoden entwickelt, um angesichts dieser Situation relevante Prädiktoren auszuwählen.
Zur Person:
Trevor Hastie wurde 1953 in Südafrika geboren. Er studierte an der Rhodes University und der Capetown University. 1984 wurde er an der Stanford University promoviert. Ab 1986 arbeitete er für AT&T Bell Laboratories und kehrte 1994 als Professor für Statistik und Biostatistik an die Stanford University zurück. 2013 wurde er dort zum John A. Overdeck Professor für Mathematik ernannt.