统计学习基础 The Elements of Statistical Learning

官方网站 https://github.com/szcf-weiya/ESL-CN The Elements of Statistical Learning (ESL) 的中文翻译。 序言 - 第二版序言 - 第一版序言 上篇 - 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 - 6.3 $\IR^p$中的局部回归 - 6.4 $\IR^p$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 中篇 - 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 - 10.13 解释性 - 10.14 例子 - 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 下篇 - 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