- 1、矩陣和向量空間
- 2、概率基礎
- 3、隨機變量及其分布
- 4、多維隨機變量及其分布
- 5、隨機變量的數字特征
- 6、中心極限定理
- 7、樣本及抽樣分布
- 8、極大似然估計和貝葉斯估計
- 9、統(tǒng)計學習導論
- 10、統(tǒng)計學習分類
- 11、統(tǒng)計學習方法的三要素
- 12、模型評估與模型選擇
- 13、正則化與交叉驗證
- 14、泛化能力
- 15、生成模型與判別模型
- 16、評估分類模型效果
- 17、感知機模型
- 18、感知機學習算法的原始形式
- 19、原始形式的算法收斂性
- 20、感知機學習算法的對偶形式
- 21、k近鄰算法
- 22、k近鄰模型
- 23、k近鄰法的實現(xiàn)：kd樹
- 24、貝葉斯框架引言部分
- 25、貝葉斯框架概述
- 26、樸素貝葉斯法的學習與分類
- 27、樸素貝葉斯法的參數估計
- 28、決策樹模型與學習
- 29、特征選擇
- 30、決策樹的生成
- 31、決策樹的剪枝
- 32、CART算法
- 33、線性回歸
- 34、機器學習中的線性回歸
- 35、統(tǒng)計學習的線性回歸
- 36、邏輯回歸模型
- 37、數學補充：拉格朗日函數
- 38、數學補充：拉個朗日對偶
- 39、最大熵模型
- 40、數學補充：梯度下降法(GD)
- 41、數學補充：牛頓法
- 43、模型學習的最優(yōu)化算法
- 44、線性可分支持向量機與硬間隔最大化
- 45、硬間隔最大化學習的對偶算法
- 46、線性支持向量機與軟間隔最大化
- 47、核技巧
- 48、正定核
- 49、常用核函數
- 50、非線性支持向量分類機
- 51、序列最小最優(yōu)化算法
- 52、SMO算法
- 53、提升方法AdaBoost算法
- 54、AdaBoost算法的訓練誤差分析
- 55、AdaBoost算法的解釋
- 56、提升樹
《統(tǒng)計學習方法》是一本經典的機器學習教材，由李航教授編著。這本書系統(tǒng)地介紹了統(tǒng)計學習的基本概念、方法和應用。以下是該書涵蓋的主要內容：
統(tǒng)計學習方法概論：介紹統(tǒng)計學習的基本概念、范式和主要任務，包括監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習和強化學習等。
模型評估與選擇：介紹模型評估的準則，如經驗風險最小化、結構風險最小化等，以及交叉驗證等方法。
線性模型：包括線性回歸、邏輯回歸等線性模型的原理、方法和應用。
支持向量機：介紹支持向量機的原理、核方法以及軟間隔最大化等內容。
決策樹：介紹決策樹的生成、剪枝以及集成學習中的隨機森林、Adaboost等內容。
神經網絡：介紹神經網絡的基本結構、反向傳播算法以及深度學習中的卷積神經網絡、循環(huán)神經網絡等內容。
聚類方法：介紹聚類方法的原理和常用算法，如K均值聚類、層次聚類等。
《統(tǒng)計學習方法》這本書系統(tǒng)地介紹了統(tǒng)計學習的基本理論和方法，適合作為機器學習領域的入門教材，對于想深入了解機器學習的同學來說是一本不可多得的好書。
