统计学习方法_统计学怎么学

《统计学习方法》中各章节的算法再次实现

目录.

第一章统计学习方法介绍

1.1统计研究

1.2监督学习

1.3统计学习的三个要素

1.4模型评估和模型选择

1.5 i~标准化和交叉验证

1.6概括能力

1.7生成模型和判别模型

1.8分类问题

1.9标签问题

1.10回归问题

第二章感知机器

2.1感知机模型

2.2感知机器学习策略

2.3感知器学习算法

第三章：最近邻法

3.1 k最近邻算法

3.2 k最近邻模型

3.3 k最近邻法的实现：kd树

第四章朴素贝叶斯方法

4.1朴素贝叶斯学习和分类

4.2朴素贝叶斯方法的参数估计

第5章决策树

第六章逻辑回归和最大熵模型

第七章支持向量机

第八章吊装方法

第九章em算法及其推广

第十章隐马尔可夫模型

第11章条件随机场

第十二章统计学习方法概述

附录a梯度下降法

附录二牛顿法和拟牛顿法

附录c拉格朗日对偶

统计学习PPT十二章

算法源码 获取

用我自己的方式实现《统计学习方法》中每一章的算法。除了李的算法外，还实现了其他一些机器学习算法。

第二章感知器模型

博客：李航《统计学习方法》第2章——用Python实现感知器模型(MNIST数据集)

代码：感知器/二进制_感知器. py

第3章K最近邻法

博客：李航《统计学习方法》第3章——用Python实现KNN算法(MNIST数据集)

代码：knn/knn.py

第四章朴素贝叶斯

博客：李航《统计学习方法》第4章——用Python实现朴素贝叶斯分类器(MNIST数据集)

代码：naive_bayes/naive_bayes.py

第五章决策树

博客：李航《统计学习方法》第五章用Python实现决策树(MNIST数据集)——

代码：decision_tree/decision_tree.py

第六章逻辑缝合回归

博客：李航《统计学习方法》第6章——用Python实现逻辑回归(MNIST数据集)

代码：logistic _ revolution/logistic _ revolution . py

第六章最大熵模型

博客：李航《统计学习方法》第6章——用Python实现最大熵模型(MNIST数据集)

代码：maxENT/maxENT.py

第七章支持向量机

博客：李航《统计学习方法》第7章——用Python实现支持向量机模型(伪造数据集)

代码：svm/svm.py

第八章推广方式

博客：李航《统计学习方法》第8章——用Python Cpp实现AdaBoost算法(MNIST数据集)

纯Python代码：AdaBoost/adaboost.py

Python C代码：AdaBoost/AdaBoost _ cpp.py，AdaBoost/sign/sign/sign.h，AdaBoost/sign/sign/sign.cpp。

第十章隐马尔可夫模型

博客：李航《统计学习方法》第10章——用Python实现隐马尔可夫模型

代码：嗯/嗯. py

附加章节

###softmax分类器博客：python实现softmax分类器(MNIST数据集)

代码：softmax/softmax.py

图像识别项目答题卡

常见的面试算法：主成分分析，简化数据