上篇

目录

第一章:导言
第二章:监督学习的综述
第三章:回归的线性方法
第四章:分类的线性方法
第五章:基本的扩展和正则化
第六章:核光滑方法
第七章:模型评估与选择
第八章:模型推论与平均
第九章:补充的模型、树以及相关的方法
第十章:Boosting和Additive Trees
第十一章:神经网络
第十二章:支持向量机和灵活的判别式
第十三章:原型方法和邻近算法
第十四章:非监督学习
第十五章:随机森林
第十六章:实例学习
第十七章:无向图模型
第十八章:高维问题


第一章:导言

  • 统计学习的类别:
  1. 监督学习
  2. 非监督学习
  • 真实例子
  1. 垃圾电子邮件(分类问题)
  2. 前列腺癌(回归问题)
  3. 手写数字识别(分类问题)
  4. 基因表达微阵列(回归问题)
  • 本书的组织结构
    • 第二章:监督学习概要
    • 第三~四章:讨论回归和分类的线性方法
    • 第五章:描述对单个自变量的样条,小波和正则/惩罚方法
    • 第六章:描述核方法和局部回归(高维学习技术的基石)
    • 第七章:模型评估和选择,包括偏差和方差,过拟合和用于选择模型用的交叉验证
    • 第八章:讨论模型推断与平均,概要介绍极大似然法、贝叶斯推断、自助法、EM算法、吉布斯抽样和bagging
    • 第九~十一章:介绍回归
    • 第十二~十三章:介绍分类
    • 第十四章:非监督学习方法
    • 第十五章:随机森林
    • 第十六章:集成学习
    • 第十七章:无向图模型
    • 第十八章:高维问题学习

你可能感兴趣的:(上篇)