李航老师《统计学习方法》(第2版）课件分享，附下载

参考：AI派

李航博士的《统计学习方法》可以说是机器学习的入门宝典。现如今，统计学习方法（第2版）于今年5月份出版，在第一版监督学习的基础上，增加了无监督学习内容，更加丰富，是非常值得学习材料。最近清华大学深圳研究院的袁春教授为《统计学习方法（第2版）》制作了课件方便学习观看。李航博士特此在微博上公开。

李航，男，毕业于日本京都大学电气电子工程系，日本东京大学获得计算机科学博士学位。北京大学、南京大学兼职教授。曾任日本NEC公司中央研究所研究员，微软亚洲研究院高级研究员与主任研究员、华为技术有限公司诺亚方舟实验室主任。现任字节跳动科技有限公司人工智能实验室总监，主要研究方向为自然语言处理、信息检索、机器学习等。

《统计学习方法》(第2版）

内容简介：

统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。本书分为监督学 习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM 算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和 PageRank 算法等。除有关统计学习、监督学习和无监督学习的概论和总结的四章外，每章介绍一种方法。叙述力求从具体问题或实例入手， 由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。 为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。 本书是统计机器学习及相关课程的教学参考书，适用于高等院校文本数据挖掘、信息检索及自然语言处理等专业的大学生、研究生，也可供从事计算机应用相关专业的研发人员参考。

课件

获得方式：

1. 关注下方公众号，后台回复 李航PPT 即可。

JAVA大数据架构师

目录

《统计学习方法》第二版主要分为两部分，目前在京东和淘宝等平台上已经可以预订了。第一部分的监督学习在内容主题上和第一版基本一致，这里就只展示了大章节标题。第二部分的无监督学习是全新的内容，因此这里展示了更多的细节。

第一篇监督学习

• 第 1 章统计学习及监督学习概论

  

• 第 2 章感知机

  

• 第 3 章近邻法

  

• 第 4 章朴素贝叶斯法

  

• 第 5 章决策树

  

• 第 6 章逻辑斯谛回归与最大熵模型

  

• 第 7 章支持向量机

  

• 第 8 章提升方法

  

• 第 9 章 EM 算法及其推广

  

• 第 10 章隐马尔可夫模型

  

• 第 11 章条件随机场

  

• 第 12 章监督学习方法总结

第二篇无监督学习

第 13 章无监督学习概论

• 13.1.1 无监督学习基本原理

• 13.1.2 基本问题

• 13.1.3 机器学习三要素

• 13.1.4 无监督学习方法

第 14 章聚类方法

• 14.1 聚类的基本概念

• 14.1.1 相似度或距离

• 14.1.2 类或簇

• 14.1.3 类与类之间的距离

• 14.2 层次聚类

• 14.3 k 均值聚类

• 14.3.1 模型

• 14.3.2 策略

• 14.3.3 算法

• 14.3.4 算法特点

• 本章概要

• 继续阅读

• 习题

• 参考文献

第 15 章奇异值分解

• 15.1 奇异值分解的定义与性质

• 15.1.1 定义与定理

• 15.1.2 紧奇异值分解与截断奇异值分解

• 15.1.3 几何解释

• 15.1.4 主要性质

• 15.2 奇异值分解的计算

• 15.3 奇异值分解与矩阵近似

• 15.3.1 弗罗贝尼乌斯范数

• 15.3.2 矩阵的优近似

• 15.3.3 矩阵的外积展开式

• 本章概要

• 继续阅读

• 习题

• 参考文献

第 16 章主成分分析

• 16.1 总体主成分分析

• 16.1.1 基本想法

• 16.1.2 定义和导出

• 16.1.3 主要性质

• 16.1.4 主成分的个数

• 16.1.5 规范化变量的总体主成分

• 16.2 样本主成分分析

• 16.2.1 样本主成分的定义和性质

• 16.2.2 相关矩阵的特征值分解算法

• 16.2.3 数据局正的奇异值分解算法

• 本章概要

• 继续阅读

• 习题

• 参考文献

第 17 章潜在语义分析

• 17.1 单词向量空间与话题向量空间

• 17.1.1 单词向量空间

• 17.1.2 话题向量空间

• 17.2 潜在语义分析算法

• 17.2.1 矩阵奇异值分解算法

• 17.2.2 例子

• 17.3 非负矩阵分解算法

• 17.3.1 非负矩阵分解

• 17.3.2 潜在语义分析模型

• 17.3.3 非负矩阵分解的形式化

• 17.3.4 算法

• 本章概要

• 继续阅读

• 习题

• 参考文献

第 18 章概率潜在语义分析

• 18.1 概率潜在语义分析模型

• 18.1.1 基本想法

• 18.1.2 生成模型

• 18.1.3 共现模型

• 18.1.4 模型性质

• 18.2 概率潜在语义分析的算法

• 本章概要

• 继续阅读

• 习题

• 参考文献

第 19 章马尔可夫链蒙特卡罗法

• 19.1 蒙特卡罗法

• 19.1.1 随机抽样

• 19.1.2 数学期望估计

• 19.1.3 积分计算

• 19.2 马尔可夫链

• 19.2.1 基本定义

• 19.2.2 离散状态马尔可夫链

• 19.2.3 连续状态马尔可夫链

• 19.2.4 马尔可夫链的性质

• 19.3 马尔可夫链蒙特卡罗法

• 19.3.1 基本想法

• 19.3.2 基本步骤

• 19.3.3 马尔可夫链蒙特卡罗法与统计学习

• 19.4 Metropolis-Hastings 算法

• 19.4.1 基本原理

• 19.4.2 Metropolis-Hastings 算法

• 19.4.3 单分量 Metropolis-Hastings 算法

• 19.5 吉布斯抽样

• 19.5.1 基本原理

• 19.5.2 吉布斯抽样算法

• 19.5.3 抽样计算

• 本章概要

• 继续阅读

• 习题

• 参考文献

第 20 章潜在狄利克雷分配

• 20.1 狄利克雷分布

• 20.1.1 分布定义

• 20.1.2 共轭先验

• 20.2 潜在狄利克雷分配模型

• 20.2.1 基本想法

• 20.2.2 模型定义

• 20.2.3 概率图模型

• 20.2.4 随机变量序列的可交换性

• 20.2.5 概率公式

• 20.3 LDA 的吉布斯抽样算法

• 20.3.1 基本想法

• 20.3.2 算法的主要部分

• 20.3.3 算法的后处理

• 20.3.4 算法

• 20.4 LDA 的变分 EM 算法

• 20.4.1 变分推理

• 20.4.2 变分 EM 算法

• 20.4.3 算法推导

• 20.4.4 算法总结

• 本章概要

• 继续阅读

• 习题

• 参考文献

第 21 章 PageRank 算法

• 21.1 PageRank 的定义

• 21.1.1 基本想法

• 21.1.2 有向图和随机游走模型

• 21.1.3 PageRank 的基本定义

• 21.1.4 PageRank 的一般定义

• 21.2 PageRank 的计算

• 21.2.1 迭代算法

• 21.2.2 幂法

• 21.3.3 代数算法

• 本章概要

• 继续阅读

• 习题

• 参考文献

第 22 章无监督学习方法总结

• 22.1 无监督学习方法的关系和特点

• 22.1.1 各种方法之间的关系

• 22.1.2 无监督学习方法

• 22.1.3 基础及其学习方法

• 22.2 话题模型之间的关系和特点

• 参考文献

附录 A 梯度下降法

附录 B 牛顿法和拟牛顿法

附录 C 拉格朗日对偶性

附录 D 矩阵的基本子空间

附录 E KL 散度的定义和狄利克雷分布的性质

索引 

另外分享一份60页的《Python数据分析入门PPT》，可以下载学习

PPT领取方式：

扫描下方公众号回复：PPT，可获取下载链接

程序员大佬

最后推荐一本对Python感兴趣的书籍《Python进阶》，是《Intermediate Python》的中文译本，IntermediatePython这本书具有如下几个优点：简单、易读、易译。这些都不是重点，重点是：它是一本开脑洞的书。无论你是Python初学者，还是Python高手，它显现给你的永远是Python里最美好的事物。

Python量化算法