【推荐】统计机器学习

1

第1章 统计学习方法概论
1.1 统计学习
1.2 监督学习
1.3 统计学习三要素
1.4 模型评估与模型选择
1.5 正则化与交叉验证
1.6 泛化能力
1.7 生成模型与判别模型
1.8 分类问题
1.9 标注问题
1.10 回归问题

4

2

第2章 感知机
2.1 感知机模型
2.2 感知机学习策略
2.3 感知机学习算法

2

3

第3章 众近邻法
3.1 k近邻算法
3.2 k近邻模型
3.3 k近邻法的实现：kd树

2

4

第4章 朴素贝叶斯法
4.1 朴素贝叶斯法的学习与分类
4.2 朴素贝叶斯法的参数估计

2

5

第5章 决策树
5.1 决策树模型与学习
5.2 特征选择
5.3 决策树的生成
5.4 决策树的剪枝
5.5 cart算法

4

6

第6章 逻辑斯谛回归与最大熵模型
6.1 逻辑斯谛回归模型
6.2 最大熵模型
6.3 模型学习的最优化算法

4

7

第7章 支持向量机
7.1 线性可分支持向量机与硬间隔最大化
7.2 线性支持向量机与软间隔最大化
7.3 非线性支持向量机与核函数
7.4 序列最小最优化算法

4

8

第8章 提升方法
8.1 提升方法Adaboost算法
8.2 Adaboost算法的训练误差分析
8.3 Adaboost算法的解释
8.4 提升树

2

9

第9章 EM算法及其推广
9.1 EM算法的引入
9.2 EM算法的收敛性
9.3 EM算法在高斯混合模型学习中的应用
9.4 EM算法的推广

2

10

第10章 隐马尔可夫模型
10.1 隐马尔可夫模型的基本概念
10.2 概率计算算法
10.3 学习算法
10.4 预测算法

4

11

第11章 条件随机场
11.1 概率无向图模型
11.2 条件随机场的定义与形式
11.3 条件随机场的概率计算问题
11.4 条件随机场的学习算法
11.5 条件随机场的预测算法

2

合计

32