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