【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