统计学习基础（ESL）中文版

译者：szcf-weiya

ESL 指的是 The Elements of Statistical Learning。因为（译者）自己也是统计学专业，所以想研读这本书，同时实现书中的算法及其例子，并尝试解决习题。

说明

参考文献保留原书的写法，如 “Efron and Tibshirani (1993)” 指的是 “Efron, B. and Tibshirani, R. (1993). An Introduction to the Bootstrap, Chapman and Hall, London.”；并且为了查阅方便，特别在每章的 “Bibliographic Notes” 中用脚注列出了相应的参考文献，查阅过的文献，还附上了下载链接。
该项目不仅仅是单纯地翻译原书，也在实现书中的一些算法或者例子。这些代码都可以在这里找到，也可以在 Issues 中找到部分习题的解答。
限于（译者）本人英语水平以及统计知识，很多地方可能翻译不到位，欢迎大家指出来，Issue 或者评论均可，错别字以及数学公式解析错误的也可以指出。

主页
序言
- 第二版序言
- 第一版序言
1 简介
- 1.1 导言
2 监督学习概要
- 2.1 导言
- 2.2 变量类型和术语
- 2.3 两种预测的简单方法
- 2.4 统计判别理论
- 2.5 高维问题的局部方法
- 2.6 统计模型，监督学习和函数逼近
- 2.7 结构化的回归模型
- 2.8 限制性估计的种类
- 2.9 模型选择和偏差-方差的权衡
- 文献笔记
3 回归的线性方法
- 3.1 导言
- 3.2 线性回归模型和最小二乘法
- 3.3 子集的选择
- 3.4 收缩的方法
- 3.5 运用派生输入方向的方法
- 3.6 选择和收缩方法的比较
- 3.7 多重输出的收缩和选择
- 3.8 Lasso 和相关路径算法的补充
- 3.9 计算上的考虑
- 文献笔记
4 分类的线性方法
- 4.1 导言
- 4.2 指示矩阵的线性回归
- 4.3 线性判别分析
- 4.4 逻辑斯蒂回归
- 4.5 分离超平面
- 文献笔记
5 基展开和正规化
- 5.1 导言
- 5.2 分段多项式和样条
- 5.3 滤波和特征提取
- 5.4 光滑样条
- 5.5 光滑参数的自动选择
- 5.6 非参逻辑斯蒂回归
- 5.7 多维样条
- 5.8 正则化和再生核希尔伯特空间理论
- 5.9 小波光滑
- 文献笔记
- 附录-B 样条的计算
6 核光滑方法
- 6.0 导言
- 6.1 一维核光滑器
- 6.2 选择核的宽度
- 6.3IRpIRp中的局部回归
- 6.4IRpIRp中的结构化局部回归模型
- 6.5 局部似然和其他模型
- 6.6 核密度估计和分类
- 6.7 径向基函数和核
- 6.8 混合模型的密度估计和分类
- 6.9 计算上的考虑
- 文献笔记
7 模型评估及选择
- 7.1 导言
- 7.2 偏差，方差和模型复杂度
- 7.3 偏差-方差分解
- 7.4 测试误差率的 optimism
- 7.5 样本内预测误差的估计
- 7.6 参数的有效个数
- 7.7 贝叶斯方法和 BIC
- 7.8 最小描述长度
- 7.9 VC 维
- 7.10 交叉验证
- 7.11 自助法
- 7.12 条件测试误差或期望测试误差
- 文献笔记
8 模型推断和平均
- 8.1 导言
- 8.2 自助法和最大似然法
- 8.3 贝叶斯方法
- 8.4 自助法和贝叶斯推断之间的关系
- 8.5 EM 算法
- 8.6 从后验分布采样的 MCMC
- 8.7 袋装法
- 8.8 模型平均和堆栈
- 8.9 随机搜索
- 文献笔记
9 增广模型，树，以及相关方法
- 9.0 导言
- 9.1 广义可加模型
- 9.2 基于树的方法
- 9.3 PRIM
- 9.4 多变量自适应回归样条
- 9.5 专家的分层混合
- 9.6 缺失数据
- 9.7 计算上的考虑
- 文献笔记
10 增强和可加树
- 10.1 boosting 方法
- 10.2 boosting 拟合可加模型
- 10.3 向前逐步加性建模
- 10.4 指数损失和 AdaBoost
- 10.5 为什么是指数损失
- 10.6 损失函数和鲁棒性
- 10.7 数据挖掘的现货方法
- 10.8 垃圾邮件的例子
- 10.9 boosting 树
- 10.10 Gradient Boosting 的数值优化
- 10.11 大小合适的 boosting 树
- 10.12 正则化
- 文献笔记
11 神经网络
- 11.1 导言
- 11.2 投影寻踪回归
- 11.3 神经网络
- 11.4 拟合神经网络
- 11.5 训练神经网络的一些问题
- 11.6 模拟数据的例子
- 11.7 邮编数字的例子
- 文献笔记
12 支持向量机和灵活的判别方法
- 12.1 导言
- 12.2 支持向量分类器
- 12.3 支持向量机和核
- 12.4 广义线性判别分析
- 12.5 FDA
- 12.6 PDA
- 12.7 混合判别分析
- 计算上的考虑
- 文献笔记
13 原型方法和最近邻
- 13.1 导言
- 13.2 原型方法
- 13.3 k 最近邻分类器
- 13.4 自适应的最近邻方法
- 13.5 计算上的考虑
- 文献笔记
14 非监督学习
- 14.1 导言
- 14.2 关联规则
- 14.3 聚类分析
- 14.4 自组织图
- 14.5 主成分，主曲线以及主曲面
- 14.6 非负矩阵分解
- 14.7 独立成分分析和探索投影寻踪
- 14.8 多维缩放
- 14.9 非线性降维和局部多维缩放
- 14.10 谷歌的 PageRank 算法
- 文献笔记
15 随机森林
- 15.1 导言
- 15.2 随机森林的定义
- 15.3 随机森林的细节
- 15.4 随机森林的分析
- 文献笔记
16 集成学习
- 16.1 导言
- 16.2 增强和正则路径
- 16.3 学习集成
- 文献笔记
17 无向图模型
- 17.1 导言
- 17.2 马尔科夫图及其性质
- 17.3 连续变量的无向图模型
- 17.4 离散变量的无向图模型
- 文献笔记
18 高维问题
- 18.1 当 p 大于 N
- 18.2 对角线性判别分析和最近收缩重心
- 18.3 二次正则的线性分类器
- 18.4 一次正则的线性分类器
- 18.5 当特征不可用时的分类
- 18.6 有监督的主成分
- 18.7 特征评估和多重检验问题
- 文献笔记

统计学习基础（ESL）中文版

说明

目录

你可能感兴趣的:(统计学习基础（ESL）中文版)