统计学习方法 第2版pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
下载压缩包 [复制下载地址] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页

统计学习方法 第2版PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1篇 监督学习 3

第1章 统计学习及监督学习概论 3

1.1统计学习 3

1.2统计学习的分类 5

1.2.1基本分类 6

1.2.2按模型分类 11

1.2.3按算法分类 13

1.2.4按技巧分类 13

1.3统计学习方法三要素 15

1.3.1模型 15

1.3.2策略 16

1.3.3算法 19

1.4模型评估与模型选择 19

1.4.1训练误差与测试误差 19

1.4.2过拟合与模型选择 20

1.5正则化与交叉验证 23

1.5.1正则化 23

1.5.2交叉验证 24

1.6泛化能力 24

1.6.1泛化误差 24

1.6.2泛化误差上界 25

1.7生成模型与判别模型 27

1.8监督学习应用 28

1.8.1分类问题 28

1.8.2标注问题 30

1.8.3回归问题 32

本章概要 33

继续阅读 33

习题 33

参考文献 34

第2章 感知机 35

2.1感知机模型 35

2.2感知机学习策略 36

2.2.1数据集的线性可分性 36

2.2.2感知机学习策略 37

2.3感知机学习算法 38

2.3.1感知机学习算法的原始形式 38

2.3.2算法的收敛性 41

2.3.3感知机学习算法的对偶形式 43

本章概要 46

继续阅读 46

习题 46

参考文献 47

第3章 k近邻法 49

3.1 k近邻算法 49

3.2 k近邻模型 50

3.2.1模型 50

3.2.2距离度量 50

3.2.3 k值的选择 52

3.2.4分类决策规则 52

3.3 k近邻法的实现：kd树 53

3.3.1构造kd树 53

3.3.2搜索kd树 55

本章概要 57

继续阅读 57

习题 58

参考文献 58

第4章 朴素贝叶斯法 59

4.1朴素贝叶斯法的学习与分类 59

4.1.1基本方法 59

4.1.2后验概率最大化的含义 61

4.2朴素贝叶斯法的参数估计 62

4.2.1极大似然估计 62

4.2.2学习与分类算法 62

4.2.3贝叶斯估计 64

本章概要 65

继续阅读 66

习题 66

参考文献 66

第5章 决策树 67

5.1决策树模型与学习 67

5.1.1决策树模型 67

5.1.2决策树与if-then规则 68

5.1.3决策树与条件概率分布 68

5.1.4决策树学习 69

5.2特征选择 71

5.2.1特征选择问题 71

5.2.2信息增益 72

5.2.3信息增益比 76

5.3决策树的生成 76

5.3.1 ID3算法 76

5.3.2 C4.5的生成算法 78

5.4决策树的剪枝 78

5.5 CART算法 80

5.5.1 CART生成 81

5.5.2 CART剪枝 85

本章概要 87

继续阅读 88

习题 89

参考文献 89

第6章 逻辑斯谛回归与最大熵模型 91

6.1逻辑斯谛回归模型 91

6.1.1逻辑斯谛分布 91

6.1.2二项逻辑斯谛回归模型 92

6.1.3模型参数估计 93

6.1.4多项逻辑斯谛回归 94

6.2最大熵模型 94

6.2.1最大熵原理 94

6.2.2最大熵模型的定义 96

6.2.3最大熵模型的学习 98

6.2.4极大似然估计 102

6.3模型学习的最优化算法 103

6.3.1改进的迭代尺度法 103

6.3.2拟牛顿法 107

本章概要 108

继续阅读 109

习题 109

参考文献 109

第7章 支持向量机 111

7.1线性可分支持向量机与硬间隔最大化 112

7.1.1线性可分支持向量机 112

7.1.2函数间隔和几何间隔 113

7.1.3间隔最大化 115

7.1.4学习的对偶算法 120

7.2线性支持向量机与软间隔最大化 125

7.2.1线性支持向量机 125

7.2.2学习的对偶算法 127

7.2.3支持向量 130

7.2.4合页损失函数 131

7.3非线性支持向量机与核函数 133

7.3.1核技巧 133

7.3.2正定核 136

7.3.3常用核函数 140

7.3.4非线性支持向量分类机 141

7.4序列最小最优化算法 142

7.4.1两个变量二次规划的求解方法 143

7.4.2变量的选择方法 147

7.4.3 SMO算法 149

本章概要 149

继续阅读 152

习题 152

参考文献 153

第8章 提升方法 155

8.1提升方法AdaBoost算法 155

8.1.1提升方法的基本思路 155

8.1.2 AdaBoost算法 156

8.1.3 AdaBoost的例子 158

8.2 AdaBoost算法的训练误差分析 160

8.3 AdaBoost算法的解释 162

8.3.1前向分步算法 162

8.3.2前向分步算法与AdaBoost 164

8.4提升树 166

8.4.1提升树模型 166

8.4.2提升树算法 166

8.4.3梯度提升 170

本章概要 172

继续阅读 172

习题 173

参考文献 173

第9章 EM算法及其推广 175

9.1 EM算法的引入 175

9.1.1 EM算法 175

9.1.2 EM算法的导出 179

9.1.3 EM算法在无监督学习中的应用 181

9.2 EM算法的收敛性 181

9.3 EM算法在高斯混合模型学习中的应用 183

9.3.1高斯混合模型 183

9.3.2高斯混合模型参数估计的EM算法 183

9.4 EM算法的推广 187

9.4.1 F函数的极大-极大算法 187

9.4.2 GEM算法 189

本章概要 191

继续阅读 192

习题 192

参考文献 192

第10章 隐马尔可夫模型 193

10.1隐马尔可夫模型的基本概念 193

10.1.1隐马尔可夫模型的定义 193

10.1.2观测序列的生成过程 196

10.1.3隐马尔可夫模型的3个基本问题 196

10.2概率计算算法 197

10.2.1直接计算法 197

10.2.2前向算法 198

10.2.3后向算法 201

10.2.4一些概率与期望值的计算 202

10.3学习算法 203

10.3.1监督学习方法 203

10.3.2 Baum-Welch算法 204

10.3.3 Baum-Welch模型参数估计公式 206

10.4预测算法 207

10.4.1近似算法 208

10.4.2维特比算法 208

本章概要 212

继续阅读 212

习题 213

参考文献 213

第11章 条件随机场 215

11.1概率无向图模型 215

11.1.1模型定义 215

11.1.2概率无向图模型的因子分解 217

11.2条件随机场的定义与形式 218

11.2.1条件随机场的定义 218

11.2.2条件随机场的参数化形式 220

11.2.3条件随机场的简化形式 221

11.2.4条件随机场的矩阵形式 223

11.3条件随机场的概率计算问题 224

11.3.1前向-后向算法 225

11.3.2概率计算 225

11.3.3期望值的计算 226

11.4条件随机场的学习算法 227

11.4.1改进的迭代尺度法 227

11.4.2拟牛顿法 230

11.5条件随机场的预测算法 231

本章概要 235

继续阅读 235

习题 236

参考文献 236

第12章 监督学习方法总结 237

第2篇 无监督学习 245

第13章 无监督学习概论 245

13.1无监督学习基本原理 245

13.2基本问题 246

13.3机器学习三要素 249

13.4无监督学习方法 249

本章概要 253

继续阅读 254

参考文献 254

第14章 聚类方法 255

14.1聚类的基本概念 255

14.1.1相似度或距离 255

14.1.2类或簇 258

14.1.3类与类之间的距离 260

14.2层次聚类 261

14.3 k均值聚类 263

14.3.1模型 263

14.3.2策略 263

14.3.3算法 264

14.3.4算法特性 266

本章概要 267

继续阅读 268

习题 269

参考文献 269

第15章 奇异值分解 271

15.1奇异值分解的定义与性质 271

15.1.1定义与定理 271

15.1.2紧奇异值分解与截断奇异值分解 276

15.1.3几何解释 279

15.1.4主要性质 280

15.2奇异值分解的计算 282

15.3奇异值分解与矩阵近似 286

15.3.1弗罗贝尼乌斯范数 286

15.3.2矩阵的最优近似 287

15.3.3矩阵的外积展开式 290

本章概要 292

继续阅读 294

习题 294

参考文献 295

第16章 主成分分析 297

16.1总体主成分分析 297

16.1.1基本想法 297

16.1.2定义和导出 299

16.1.3主要性质 301

16.1.4主成分的个数 306

16.1.5规范化变量的总体主成分 309

16.2样本主成分分析 310

16.2.1样本主成分的定义和性质 310

16.2.2相关矩阵的特征值分解算法 312

16.2.3数据矩阵的奇异值分解算法 315

本章概要 317

继续阅读 319

习题 320

参考文献 320

第17章 潜在语义分析 321

17.1单词向量空间与话题向量空间 321

17.1.1单词向量空间 321

17.1.2话题向量空间 324

17.2潜在语义分析算法 327

17.2.1矩阵奇异值分解算法 327

17.2.2例子 329

17.3非负矩阵分解算法 331

17.3.1非负矩阵分解 331

17.3.2潜在语义分析模型 332

17.3.3非负矩阵分解的形式化 332

17.3.4算法 333

本章概要 335

继续阅读 337

习题 337

参考文献 337

第18章 概率潜在语义分析 339

18.1概率潜在语义分析模型 339

18.1.1基本想法 339

18.1.2生成模型 340

18.1.3共现模型 341

18.1.4模型性质 342

18.2概率潜在语义分析的算法 345

本章概要 347

继续阅读 348

习题 348

参考文献 349

第19章 马尔可夫链蒙特卡罗法 351

19.1蒙特卡罗法 351

19.1.1随机抽样 351

19.1.2数学期望估计 353

19.1.3积分计算 353

19.2马尔可夫链 355

19.2.1基本定义 355

19.2.2离散状态马尔可夫链 356

19.2.3连续状态马尔可夫链 362

19.2.4马尔可夫链的性质 363

19.3马尔可夫链蒙特卡罗法 367

19.3.1基本想法 367

19.3.2基本步骤 369

19.3.3马尔可夫链蒙特卡罗法与统计学习 369

19.4 Metropolis-Hastings算法 370

19.4.1基本原理 370

19.4.2 Metropolis-Hastings算法 373

19.4.3单分量Metropolis-Hastings算法 374

19.5吉布斯抽样 375

19.5.1基本原理 376

19.5.2吉布斯抽样算法 377

19.5.3抽样计算 378

本章概要 379

继续阅读 381

习题 381

参考文献 383

第20章 潜在狄利克雷分配 385

20.1狄利克雷分布 385

20.1.1分布定义 385

20.1.2共轭先验 389

20.2潜在狄利克雷分配模型 390

20.2.1基本想法 390

20.2.2模型定义 391

20.2.3概率图模型 393

20.2.4随机变量序列的可交换性 394

20.2.5概率公式 395

20.3 LDA的吉布斯抽样算法 396

20.3.1基本想法 396

20.3.2算法的主要部分 397

20.3.3算法的后处理 399

20.3.4算法 399

20.4 LDA的变分EM算法 401

20.4.1变分推理 401

20.4.2变分EM算法 403

20.4.3算法推导 404

20.4.4算法总结 411

本章概要 411

继续阅读 413

习题 413

参考文献 413

第21章 PageRank算法 415

21.1 PageRank的定义 415

21.1.1基本想法 415

21.1.2有向图和随机游走模型 416

21.1.3 PageRank的基本定义 418

21.1.4 PageRank的一般定义 421

21.2 PageRank的计算 423

21.2.1迭代算法 423

21.2.2幂法 425

21.2.3代数算法 430

本章概要 430

继续阅读 432

习题 432

参考文献 432

第22章 无监督学习方法总结 435

22.1无监督学习方法的关系和特点 435

22.1.1各种方法之间的关系 435

22.1.2无监督学习方法 436

22.1.3基础机器学习方法 437

22.2话题模型之间的关系和特点 437

参考文献 438

附录A梯度下降法 439

附录B牛顿法和拟牛顿法 441

附录C拉格朗日对偶性 447

附录D矩阵的基本子空间 451

附录E KL散度的定义和狄利克雷分布的性质 455

索引 457