《统计学习方法》学习笔记目录

置顶 2019-12-10 21:54:27 5779 收藏 38
分类专栏： 《统计学习方法》学习笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_21201267/article/details/103483760
版权

此篇为 李航老师著的《统计学习方法》的学习笔记汇总，准备学习并敲一敲代码，还请大家不吝赐教！updated on 2020.4.26

一些相关的实践：请查阅机器学习

1. 统计学习及监督学习概论

2. 感知机（Perceptron）

3. K 近邻法（K-Nearest Neighbor, K-NN）

4. 朴素贝叶斯法（Naive Bayes，NB）

5. 决策树（Decision Tree，DT）

6. 逻辑斯谛回归模型（ Logistic Regression，LR）& 最大熵模型（Max Entropy，ME）

7. 支持向量机（Support Vector Machines，SVM）

8. 提升方法（Boosting）

9. EM（期望极大化）算法及其推广

10. 隐马尔科夫模型（Hidden Markov Model，HMM）

11. 条件随机场（Conditional Random Field，CRF）

12. 监督学习方法总结

13. 无监督学习概论

14. 聚类方法（Clustering）

15. 奇异值分解（Singular Value Decomposition，SVD）

16. 主成分分析（Principal Component Analysis，PCA）

17. 潜在语义分析（Latent Semantic Analysis，LSA）

18. 概率潜在语义分析（Probabilistic Latent Semantic Analysis，PLSA）

19. 马尔可夫链蒙特卡罗法（Markov Chain Monte Carlo，MCMC）

20. 潜在狄利克雷分配（Latent Dirichlet Allocation，LDA）

21. PageRank 算法

22. 无监督学习方法总结

已标记关键词 清除标记
统计学习方法-李航-高清带目录书签版
11-06
李航高清版，带书签和目前的统计学习方法。《统计学习方法》全面系统地介绍了统计学习的主要方法，特别是监督学习方法，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等。
表情包
插入表情
还能输入1000个字符
相关推荐
《统计学习方法》学习笔记-统计学习方法概论
zswheart的博客
08-29 106
 
统计学习方法（目录大纲）
07-18
统计学习方法，目录图。根据李航的统计学习方法使用xmind做的目录图。
李航《统计学习方法》第二版学习笔记汇总（包括理论和技术部分，持续更新ing...）
城序猿
10-28 1246
目录[第一章 统计学习及监督学习概论](https://blog.csdn.net/promisejia/article/details/78701736) 第一章 统计学习及监督学习概论
《统计学习方法》学习笔记1——统计学习方法概论
jiaxing.Du的博客
06-18 185
一.基本概念 1.统计学习：统计学习是利用计算机并基于数据构建概论统计模型并利用模型对数据进行预测和分析的一门学科。又称为“统计机器学习（statistical machine learning）” 2.统计学习的特点：（1）统计学习以计算机和网络为平台（2）统计学习以数据为研究对象（3）统计学习的目的是利用模型对数据进行预测和分析。（4）统计学习以方法为中心，统计学习方法构建模型并利用模型对...
统计学习方法(李航) 高清版 带完整目录书签
12-07
《统计学习方法》是计算机及其应用领域的一门重要的学科。《统计学习方法》全面系统地介绍了统计学习的主要方法，特别是监督学习方法，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等。除第1章概论和最后一章总结外，每章介绍一种方法。叙述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。
目录-统计学习方法
qq_34356368的博客
08-15 883
第1章 统计学习方法概论 1.1 统计学习 1.2 监督学习 1.2.1 基本概念 1.2.2 问题的形式化 1.3 统计学习三要素 1.3.1 模型 1.3.2 策略 1.3.3 算法 1.4 模型评估与模型选择 1.4.1 训练误差与测试误差 1.4.2 过拟合与模型选择 1.5 正则化与交叉验证 1.5.1 正则化 1.5.2 交叉验证 1.6 泛化能力 1....
[图书推荐]李航《统计学习方法》（附带目录标签）
weixin_44560088的博客
05-13 451
因为接触到深度学习，所以学习了李航老师的统计学习方法，顿感醍醐灌顶，对李航老师的敬佩也如滔滔江水般连绵不绝。现在将目录分享一下，以供博友参考。（含页码）
统计学习方法_高清_完整书签目录
05-05
李航的统计学习方法，高清带完整书签+目录。 详细介绍支持向量机、Boosting、最大熵、条件随机场等十个统计学习方法。
统计学习方法(李航).pdf ，高清版 带完整目录书签
05-05
统计学习方法(李航).pdf ，高清版 带完整目录书签。统计学习方法(李航).pdf ，高清版 带完整目录书签
李航《统计学习方法》学习笔记
liuzuoping的博客
09-12 1332
文章目录统计学习方法概论监督学习知识点 统计学习方法概论 统计学习方法三要素：模型、策略和算法 统计学习的目的： 统计学习用于对数据进行预测与分析，特别是对未知算机的某些性能得到所数据进行预测与分析.对数据的预测可以使计算机更加智能化，或者说使计高:对数据的分析可以让人们获取新的知识，给人们带来新的发现. 对数据的预测与分析是通过构建概率统计模型实现的.统计学习总的目标是考虑学习什么样的模型和如何...
统计学习方法笔记之符号表与目录
qq_28286027的博客
09-06 104
目录：
《统计学习方法》学习笔记（1）—— 统计学习三要素
大羚羊的学习博客
06-18 1006
本文主要参考书籍为《统计学习方法》（李辉），第一章 统计学习方法概论。 目录 1.1 统计学习 1.3 统计学习三要素——模型、策略、算法 1.3.1 模型——所要学习的条件概率分布或决策函数 1.3.2 策略 1.3.2.1 损失函数（loss function）/ 代价函数（cost function） 1.3.2.2 风险函数（risk function）/ 期望损失（expe...
《统计学习方法》(李航)读书笔记(完结)
weixin_30765577的博客
03-26 2211
因为要准备面试,本文以李航的《统计学习方法》为主,结合西瓜书等其他资料对机器学习知识做一个整理. 知识点 进程和线程:进程和线程都是一个时间段的描述，是CPU工作时间段的描述，不过是颗粒大小不同.进程就是包换上下文切换的程序执行时间总和 = CPU加载上下文+CPU执行+CPU保存上下文.线程是共享了进程的上下文环境的更为细小的CPU时间段。 判别式模型和生成式模型: 判别式模...
《统计学习方法》学习笔记（第一章）
Hhhhuply的博客
03-07 241
第一章 统计学习方法概论 使用最小二乘法拟和曲线 原代码出处：https://github.com/fengdu78/lihang-code/blob/master/code/第1章 统计学习方法概论(LeastSquaresMethod)/least_sqaure_method.ipynb 对于数据(xi,yi)(i=1,2,3...,m)(x_i, y_i)(i=1, 2, 3...,m)(x...
统计学习方法笔记
Bingmous的博客
11-22 59
目录 1 统计学习方法概论 2 感知机 3 k近邻法 4 朴素贝叶斯法 5 决策树——ID3，C4.5，CART 6 逻辑回归与最大熵模型 7 支持向量机——序列最小化SMO算法 8 提升方法——AdaBoost，提升树（分类，回归），梯度提升树（GBDT） 1 统计学习方法概论 监督学习：分类、回归、标注；非监督：聚类 常用损失函数：0-1损失函数，平方损失函数，绝对损失函...
2012版李航《统计学习方法》，带有完整目录
07-02
2012版李航《统计学习方法》，带有完整目录 目录为个人制作，已经校对，无错误 需要注意，该版本的《统计机器学习》清晰度较高，但不是高清版本。阅读上不存在障碍，需要学习的请自行下载！
李航-统计学习方法-高清文字版
04-08
目录 前言 符号表 第1章 统计学习方法概论 1.1 统计学习 1.2 监督学习 1.2.1 基本概念 1.2.2 问题的形式化 1.3 统计学习三要素 1.3.1 模型 1.3.2 策略 1.3.3 算法 1.4 模型评估与模型选择 1.4.1 训练误差与测试误差 1.4.2 过拟合与模型选择 1.5 正则化与交叉验证 1.5.1 正则化 1.5.2 交叉验证 1.6 泛化能力 1.6.1 泛化误差 1.6.2 泛化误差上界 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 本章概要 继续阅读 习题 参考文献 第2章 感知机 2.1 感知机模型 2.2 感知机学习策略 2.2.1 数据集的线性可分性 2.2.2 感知机学习策略 2.3 感知机学习算法 2.3.1 感知机学习算法的原始形式 2.3.2 算法的收敛性 2.3.3 感知机学习算法的对偶形式 本章概要 继续阅读 习题 参考文献 第3章 k 近邻法 3.1 k 近邻算法 3.2 k 近邻模型 3.2.1 模型 3.2.2 距离度量 3.2.3 k 值的选择 3.2.4 分类决策规则 3.3 k 近邻法的实现： kd 树 3.3.1 构造kd 树 3.3.2 搜索kd 树 本章概要 继续阅读 习题 参考文献 第4章 朴素贝叶斯法 4.1 朴素贝叶斯法的学习与分类 4.1.1 基本方法 4.1.2 后验概率最大化的含义 4.2 朴素贝叶斯法的参数估计 4.2.1 极大似然估计 4.2.2 学习与分类算法 4.2.3 贝叶斯估计 本章概要 继续阅读 习题 参考文献 第5章 决策树 5.1 决策树模型与学习 5.1.1 决策树模型 5.1.2 决策树与 if-then 规则 5.1.3 决策树与条件概率分布 5.1.4 决策树学习 5.2 特征选择 5.2.1 特征选择问题 5.2.2 信息增益 5.2.3 信息增益比 5.3 决策树的生成 5.3.1 ID3算法 5.3.2 C4.5的生成算法 5.4 决策树的剪枝 5.5 CART算法 5.5.1 CART生成 5.5.2 CART剪枝 本章概要 继续阅读 习题 参考文献 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 6.1.1 逻辑斯谛分布 6.1.2 二项逻辑斯谛回归模型 6.1.3 模型参数估计 6.1.4 多项逻辑斯谛回归 6.2 最大熵模型 6.2.1 最大熵原理 6.2.2 最大熵模型的定义 6.2.3 最大熵模型的学习 6.2.4 极大似然估计 6.3 模型学习的最优化算法 6.3.1 改进的迭代尺度法 6.3.2 拟牛顿法 本章概要 继续阅读 习题 参考文献 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 7.1.1 线性可分支持向量机 7.1.2 函数间隔和几何间隔 7.1.3 间隔最大化 7.1.4 学习的对偶算法 7.2 线性支持向量机与软间隔最大化 7.2.1 线性支持向量机 7.2.2 学习的对偶算法 7.2.3 支持向量 7.2.4 合页损失函数 7.3 非线性支持向量机与核函数 7.3.1 核技巧 7.3.2 正定核 7.3.3 常用核函数 7.3.4 非线性支持向量分类机 7.4 序列最小最优化算法 7.4.1 两个变量二次规划的求解方法 7.4.2 变量的选择方法 7.4.3 SMO算法 本章概要 继续阅读 习题 参考文献 第8章 提升方法 8.1 提升方法AdaBoost算法 8.1.1 提升方法的基本思路 8.1.2 AdaBoost算法 8.1.3 AdaBoost的例子 8.2 AdaBoost 算法的训练误差分析 8.3 AdaBoost 算法的解释 8.3.1 前向分步算法 8.3.2 前向分步算法与AdaBoost 8.4 提升树 8.4.1 提升树模型 8.4.2 提升树算法 8.4.3 梯度提升 本章概要 继续阅读 习题 参考文献 第9章 EM算法及其推广 9.1 EM算法的引入 9.1.1 EM算法 9.1.2 EM 算法的导出 9.1.3 EM 算法在非监督学习中的应用 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 9.3.1 高斯混合模型 9.3.2 高斯混合模型参数估计的 EM算法 9.4 EM算法的推广 9.4.1 F函数的极大-极大算法 9.4.2 GEM算法 本章概要 继续阅读 习题 参考文献 第10章 隐马尔可夫模型 10.1 隐马尔可夫模型的基本概念 10.1.1 隐马尔可夫模型的定义 10.1.2 观测序列的生成过程 10.1.3 隐马尔可夫模型的 3 个基本问题 10.2 概率计算算法 10.2.1 直接计算法 10.2.2 前向算法 10.2.3 后向算法 10.2.4 一些概率与期望值的计算 10.3 学习算法 10.3.1 监督学习方法 10.3.2 Baum-Welch算法 10.3.3 Baum-Welch 模型参数估计公式 10.4 预测算法 10.4.1 近似算法 10.4.2 维特比算法 本章概要 继续阅读 习题 参考文献 第11章 条件随机场 11.1 概率无向图模型 11.1.1 模型定义 11.1.2 概率无向图模型的因子分解 11.2 条件随机场的定义与形式 11.2.1 条件随机场的定义 11.2.2 条件随机场的参数化形式 11.2.3 条件随机场的简化形式 11.2.4 条件随机场的矩阵形式 11.3 条件随机场的概率计算问题 11.3.1 前向-后向算法 11.3.2 概率计算 11.3.3 期望值的计算 11.4 条件随机场的学习算法 11.4.1 改进的迭代尺度法 11.4.2 拟牛顿法 11.5 条件随机场的预测算法 本章概要 继续阅读 习题 参考文献 第12章 统计学习方法总结 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 索引
©️2020 CSDN 皮肤主题: Age of Ai 设计师:meimeiellie 返回首页