统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。《统计学习方法（第2版）》分为监督学习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。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，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和PageRank算法等。
《统计学习方法（第2版）》是统计机器学习及相关课程的教学参考书，适用于高等院校文本数据挖掘、信息检索及自然语言处理等专业的大学生、研究生，也可供计算机应用等专业的研发人员参考。
随着人工智能和大数据在社会各行各业的广泛应用，统计学习方法已经成为人们急需了解与掌握的热门知识与技术。本书为具有高等数学、线性代数和概率统计基础知识的人们提供了一本统计机器学习的基本读物。2012年的第一版叙述了一批重要和常用的主要是监督学习的方法，受到广大读者的欢迎，已加印十三万多册。第二版主要增加了无监督学习的内容，包括近十种统计学习方法，使读者能够更好地了解和掌握统计机器学习这门新兴学科。
第1篇 监督掌习
第1章 统计学习及监督学习概论
1．1 统计学习
1．2 统计学习的分类
1．2．1 基本分类
1．2．2 按模型分类
1．2．3 按算法分类
1．2．4 按技巧分类
1．3 统计学习方法三要素
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 监督学习应用
1．8．1 分类问题
1．8．2 标注问题
1．8．3 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
……
第2篇 无监督掌习
附录
索引
【内容简介】
暂无内容简介。。。。。。
