- 1、矩阵和向量空间
- 2、概率基础
- 3、随机变量及其分布
- 4、多维随机变量及其分布
- 5、随机变量的数字特征
- 6、中心极限定理
- 7、样本及抽样分布
- 8、极大似然估计和贝叶斯估计
- 9、统计学习导论
- 10、统计学习分类
- 11、统计学习方法的三要素
- 12、模型评估与模型选择
- 13、正则化与交叉验证
- 14、泛化能力
- 15、生成模型与判别模型
- 16、评估分类模型效果
- 17、感知机模型
- 18、感知机学习算法的原始形式
- 19、原始形式的算法收敛性
- 20、感知机学习算法的对偶形式
- 21、k近邻算法
- 22、k近邻模型
- 23、k近邻法的实现:kd树
- 24、贝叶斯框架引言部分
- 25、贝叶斯框架概述
- 26、朴素贝叶斯法的学习与分类
- 27、朴素贝叶斯法的参数估计
- 28、决策树模型与学习
- 29、特征选择
- 30、决策树的生成
- 31、决策树的剪枝
- 32、CART算法
- 33、线性回归
- 34、机器学习中的线性回归
- 35、统计学习的线性回归
- 36、逻辑回归模型
- 37、数学补充:拉格朗日函数
- 38、数学补充:拉个朗日对偶
- 39、最大熵模型
- 40、数学补充:梯度下降法(GD)
- 41、数学补充:牛顿法
- 43、模型学习的最优化算法
- 44、线性可分支持向量机与硬间隔最大化
- 45、硬间隔最大化学习的对偶算法
- 46、线性支持向量机与软间隔最大化
- 47、核技巧
- 48、正定核
- 49、常用核函数
- 50、非线性支持向量分类机
- 51、序列最小最优化算法
- 52、SMO算法
- 53、提升方法AdaBoost算法
- 54、AdaBoost算法的训练误差分析
- 55、AdaBoost算法的解释
- 56、提升树
《统计学习方法》是一本经典的机器学习教材,由李航教授编著。这本书系统地介绍了统计学习的基本概念、方法和应用。以下是该书涵盖的主要内容:
统计学习方法概论:介绍统计学习的基本概念、范式和主要任务,包括监督学习、无监督学习、半监督学习和强化学习等。
模型评估与选择:介绍模型评估的准则,如经验风险最小化、结构风险最小化等,以及交叉验证等方法。
线性模型:包括线性回归、逻辑回归等线性模型的原理、方法和应用。
支持向量机:介绍支持向量机的原理、核方法以及软间隔最大化等内容。
决策树:介绍决策树的生成、剪枝以及集成学习中的随机森林、Adaboost等内容。
神经网络:介绍神经网络的基本结构、反向传播算法以及深度学习中的卷积神经网络、循环神经网络等内容。
聚类方法:介绍聚类方法的原理和常用算法,如K均值聚类、层次聚类等。
《统计学习方法》这本书系统地介绍了统计学习的基本理论和方法,适合作为机器学习领域的入门教材,对于想深入了解机器学习的同学来说是一本不可多得的好书。