名著《统计学习要素》的中文翻译、代码实现和练习答案，附带下载

https://mp.weixin.qq.com/s/kfsjsKVqtvi4UD6qTM8Lww

• 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（新：LAR算法和lasso的一般化）

• 第四章：分类的线性方法（新：逻辑斯蒂回归的lasso轨迹）

• 第五章：基本的扩展和正则化（新：RKHS的补充说明）RKHS（再生核希尔伯特空间）

• 第六章：核光滑方法

• 第七章：模型评估与选择（新：交叉验证的长处与陷阱）

• 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（新：生态学的新例子，一些材料分到了16章）

• 第十一章：神经网络（新：贝叶斯神经网络和2003年神经信息处理系统进展大会(NIPS)的挑战）

• 第十二章：支持向量机和灵活的判别式（新：SVM分类器的路径算法）

• 第十三章：原型方法和邻近算法

• 第十四章：非监督学习（新：谱聚类，核PCA，离散PCA，非负矩阵分解原型分析，非线性降维，谷歌pagerank算法，ICA的一个直接方法）

• 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

2. EM算法

3. 神经网络

代码实现

• EM 算法模拟

• 朴素贝叶斯进行文本挖掘

• CART实现

• AdaBoost实现R&Julia

• MARS实现

• RBM，或者可以查看 Jupyter Notebook

• Gibbs

• Self-organized Map

• kernel estimation

• Resampling Method: 包括交叉验证(cv)和自助法(bootstrap)

• Neural Network: Simple Classification，Implementation for Section 11.6

• 高维问题例子: 例18.1的模拟