这里学习的教材采用《统计学习方法(第2版)》,做者为李航,出版社为清华大学出版社。
如下附上该书的目录:
目录
第1篇 监督学习
第1章 统计学习及监督学习概论 3
1.1 统计学习 3
1.2 统计学习的分类 5
1.3 统计学习方法三要素 15
1.4 模型评估与模型选择 19
1.5 正则化与交叉验证 23
1.6 泛化能力 24
1.7 生成模型与判别模型 27
1.8 监督学习应用 28
本章概要 33
继续阅读33
习题 33
参考文献 34
第2章 感知机 35
2.1 感知机模型 35
2.2 感知机学习策略 36
2.3 感知机学习算法 38
本章概要 46
继续阅读 46
习题 46
参考文献 47
第3章 k近邻法 49
3.1 k近邻算法 49
3.2 k近邻模型 50
3.3 k近邻法的实现:kd树 53
本章概要 57
继续阅读 57
习题 58
参考文献 58
第4章朴素贝叶斯法 59
4.1 朴素贝叶斯法的学习与分类 59
4.2 朴素贝叶斯法的参数估计 62
本章概要 65
继续阅读 66
习题 66
参考文献 66
第5章 决策树 67
5.1 决策树模型与学习 67
5.2 特征选择 71
5.3 决策树的生成 76
5.4 决策树的剪枝 78
5.5 CART算法 80
本章概要 87
继续阅读 88
习题 89
参考文献 89
第6章 逻辑斯谛回归与优选熵模型 91
6.1 逻辑斯谛回归模型 91
6.2 优选熵模型 94
6.3 模型学习的化算法 103
本章概要 108
继续阅读 109
习题 109
参考文献 109
第7章 支持向量机 111
7.1 线性可分支持向量机与硬间隔优选化 112
7.2 线性支持向量机与软间隔优选化 125
7.3 非线性支持向量机与核函数 133
7.4 序列小化算法 142
本章概要 149
继续阅读 152
习题 152
参考文献 153
第8章 提高方法 155
8.1 提高方法AdaBoost算法 155
8.2 AdaBoost算法的训练偏差分析 160
8.3 AdaBoost算法的解释 162
8.4 提高树 166
本章概要 172
继续阅读 172
习题 173
参考文献 173
第9章 EM算法及其推广 175
9.1 EM算法的引入 175
9.2 EM算法的收敛性 181
9.3 EM算法在高斯混合模型学习中的应用 183
9.4 EM算法的推广 187
本章概要 191
继续阅读 192
习题 192
参考文献 192
第10章 隐马尔可夫模型 193
10.1 隐马尔可夫模型的基本概念 193
10.2 几率计算算法 197
10.3 学习算法 203
10.4 预测算法 207
本章概要 212
继续阅读 212
习题 213
参考文献 213
第11章 条件随机场 215
11.1 几率无向图模型 215
11.2 条件随机场的定义与形式 218
11.3 条件随机场的几率计算问题 224
11.4 条件随机场的学习算法 227
11.5 条件随机场的预测算法 231
本章概要 235
继续阅读 235
习题 236
参考文献 236
第12章 监督学习方法总结 237web
第2篇 无监督学习
第13章 无监督学习概论 245
13.1 无监督学习基本原理 245
13.2 基本问题 246
13.3 机器学习三要素 249
13.4 无监督学习方法 249
本章概要 253
继续阅读 254
参考文献 254
第14章 聚类方法 255
14.1 聚类的基本概念 255
14.2 层次聚类 261
14.3 k均值聚类 263
本章概要 267
继续阅读 268
习题 269
参考文献 269
第15章 奇异值分解 271
15.1 奇异值分解的定义与性质 271
15.2 奇异值分解的计算 282
15.3 奇异值分解与矩阵近似 286
本章概要 292
继续阅读 294
习题 294
参考文献 295
第16章 主成分分析 297
16.1 整体主成分分析 297
16.2 样本主成分分析 310
本章概要 317
继续阅读 319
习题 320
参考文献 320
第17章 潜在语义分析 321
17.1 单词向量空间与话题向量空间 321
17.2 潜在语义分析算法 327
17.3 非负矩阵分解算法 331
本章概要 335
继续阅读 337
习题 337
参考文献 337
第18章 几率潜在语义分析 339
18.1 几率潜在语义分析模型 339
18.2 几率潜在语义分析的算法 345
本章概要 347
继续阅读 348
习题 348
参考文献 349
第19章 马尔可夫链蒙特卡罗法 351
19.1 蒙特卡罗法 351
19.2 马尔可夫链 355
19.3 马尔可夫链蒙特卡罗法 367
19.4 Metropolis-Hastings算法 370
19.5 吉布斯抽样 375
本章概要 379
继续阅读 381
习题 381
参考文献 383
第20章 潜在狄利克雷分配 385
20.1 狄利克雷分布 385
20.2 潜在狄利克雷分配模型 390
20.3 LDA的吉布斯抽样算法 396
20.4 LDA的变分EM算法 401
本章概要 411
继续阅读 413
习题 413
参考文献 413
第21章 PageRank算法 415
21.1 PageRank的定义 415
21.2 PageRank的计算 423
本章概要 430
继续阅读 432
习题 432
参考文献 432
第22章 无监督学习方法总结 435
22.1 无监督学习方法的关系和特色 435
22.2 话题模型之间的关系和特色 437
参考文献 438
附录A 梯度降低法 439
附录B 牛顿法和拟牛顿法 441
附录C 拉格朗日对偶性 447
附录D 矩阵的基本子空间 451
附录E KL散度的定义和狄利克雷分布的性质 455
索引 457算法
(学完了再回来补)
大概进度:(√表明已更新基础知识,删除线 表明已完结)机器学习