点击上方，选择
星标
或
置顶
，每天给你送干货
！
阅读大概需要7分钟
跟随小博主，每天进步一丢丢
参考：AI派
李航博士的《统计学习方法》可以说是机器学习的入门宝典。现如今，统计学习方法（第2版）于今年5月份出版，在第一版监督学习的基础上，增加了无监督学习内容，更加丰富，是非常值得学习材料。最近清华大学深圳研究院的袁春教授为《统计学习方法（第2版）》制作了课件方便学习观看。李航博士特此在微博上公开。
李航
，男，毕业于日本京都大学电气电子工程系，日本东京大学获得计算机科学博士学位。北京大学、南京大学兼职教授。曾任日本NEC公司中央研究所研究员，微软亚洲研究院高级研究员与主任研究员、华为技术有限公司诺亚方舟实验室主任。现任字节跳动科技有限公司人工智能实验室总监，主要研究方向为自然语言处理、信息检索、机器学习等。
《统计学习方法》(第2版）
内容简介：
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。本书分为监督学 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、逻辑斯谛回归与最大熵模型、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。除有关统计学习、监督学习和无监督学习的概论和总结的四章外，每章介绍一种方法。叙述力求从具体问题或实例入手， 由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。 为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。 本书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，也可供从事计算机应用相关专业的研发人员参考。
课件
获得方式：
1. 关注【
深度学习冲鸭
】公众号
2. 在【
深度学习冲鸭
】公众号后台回复
李航PPT
即可（注意，不是本公众号哈）。
目录
《统计学习方法》第二版主要分为两部分，目前在京东和淘宝等平台上已经可以预订了。第一部分的监督学习在内容主题上和第一版基本一致，这里就只展示了大章节标题。第二部分的无监督学习是全新的内容，因此这里展示了更多的细节。
第一篇监督学习
-
第 1 章统计学习及监督学习概论
-
第 2 章感知机
-
第 3 章近邻法
-
第 4 章朴素贝叶斯法
-
第 5 章决策树
-
第 6 章逻辑斯谛回归与最大熵模型
-
第 7 章支持向量机
-
第 8 章提升方法
-
第 9 章 EM 算法及其推广
-
第 10 章隐马尔可夫模型
-
第 11 章条件随机场
-
第 12 章监督学习方法总结
第二篇无监督学习
第 13 章无监督学习概论
-
13.1.1 无监督学习基本原理
-
13.1.2 基本问题
-
13.1.3 机器学习三要素
-
13.1.4 无监督学习方法
第 14 章聚类方法
-
14.1 聚类的基本概念
-
14.1.1 相似度或距离
-
14.1.2 类或簇
-
14.1.3 类与类之间的距离
-
14.2 层次聚类
-
14.3 k 均值聚类
-
14.3.1 模型
-
14.3.2 策略
-
14.3.3 算法
-
14.3.4 算法特点
-
本章概要
-
继续阅读
-
习题
-
参考文献
第 15 章奇异值分解
-
15.1 奇异值分解的定义与性质
-
15.1.1 定义与定理
-
15.1.2 紧奇异值分解与截断奇异值分解
-
15.1.3 几何解释
-
15.1.4 主要性质
-
15.2 奇异值分解的计算
-
15.3 奇异值分解与矩阵近似
-
15.3.1 弗罗贝尼乌斯范数
-
15.3.2 矩阵的优近似
-
15.3.3 矩阵的外积展开式
-
本章概要
-
继续阅读
-
习题
-
参考文献
第 16 章主成分分析
-
16.1 总体主成分分析
-
16.1.1 基本想法
-
16.1.2 定义和导出
-
16.1.3 主要性质
-
16.1.4 主成分的个数
-
16.1.5 规范化变量的总体主成分
-
16.2 样本主成分分析
-
16.2.1 样本主成分的定义和性质
-
16.2.2 相关矩阵的特征值分解算法
-
16.2.3 数据局正的奇异值分解算法
-
本章概要
-
继续阅读
-
习题
-
参考文献
第 17 章潜在语义分析
-
17.1 单词向量空间与话题向量空间
-
17.1.1 单词向量空间
-
17.1.2 话题向量空间
-
17.2 潜在语义分析算法
-
17.2.1 矩阵奇异值分解算法
-
17.2.2 例子
-
17.3 非负矩阵分解算法
-
17.3.1 非负矩阵分解
-
17.3.2 潜在语义分析模型
-
17.3.3 非负矩阵分解的形式化
-
17.3.4 算法
-
本章概要
-
继续阅读
-
习题
-
参考文献
第 18 章概率潜在语义分析
-
18.1 概率潜在语义分析模型
-
18.1.1 基本想法
-
18.1.2 生成模型
-
18.1.3 共现模型
-
18.1.4 模型性质
-
18.2 概率潜在语义分析的算法
-
本章概要
-
继续阅读
-
习题
-
参考文献
第 19 章马尔可夫链蒙特卡罗法
-
19.1 蒙特卡罗法
-
19.1.1 随机抽样
-
19.1.2 数学期望估计
-
19.1.3 积分计算
-
19.2 马尔可夫链
-
19.2.1 基本定义
-
19.2.2 离散状态马尔可夫链
-
19.2.3 连续状态马尔可夫链
-
19.2.4 马尔可夫链的性质
-
19.3 马尔可夫链蒙特卡罗法
-
19.3.1 基本想法
-
19.3.2 基本步骤
-
19.3.3 马尔可夫链蒙特卡罗法与统计学习
-
19.4 Metropolis-Hastings 算法
-
19.4.1 基本原理
-
19.4.2 Metropolis-Hastings 算法
-
19.4.3 单分量 Metropolis-Hastings 算法
-
19.5 吉布斯抽样
-
19.5.1 基本原理
-
19.5.2 吉布斯抽样算法
-
19.5.3 抽样计算
-
本章概要
-
继续阅读
-
习题
-
参考文献
第 20 章潜在狄利克雷分配
-
20.1 狄利克雷分布
-
20.1.1 分布定义
-
20.1.2 共轭先验
-
20.2 潜在狄利克雷分配模型
-
20.2.1 基本想法
-
20.2.2 模型定义
-
20.2.3 概率图模型
-
20.2.4 随机变量序列的可交换性
-
20.2.5 概率公式
-
20.3 LDA 的吉布斯抽样算法
-
20.3.1 基本想法
-
20.3.2 算法的主要部分
-
20.3.3 算法的后处理
-
20.3.4 算法
-
20.4 LDA 的变分 EM 算法
-
20.4.1 变分推理
-
20.4.2 变分 EM 算法
-
20.4.3 算法推导
-
20.4.4 算法总结
-
本章概要
-
继续阅读
-
习题
-
参考文献
第 21 章 PageRank 算法
-
21.1 PageRank 的定义
-
21.1.1 基本想法
-
21.1.2 有向图和随机游走模型
-
21.1.3 PageRank 的基本定义
-
21.1.4 PageRank 的一般定义
-
21.2 PageRank 的计算
-
21.2.1 迭代算法
-
21.2.2 幂法
-
21.3.3 代数算法
-
本章概要
-
继续阅读
-
习题
-
参考文献
第 22 章无监督学习方法总结
-
22.1 无监督学习方法的关系和特点
-
22.1.1 各种方法之间的关系
-
22.1.2 无监督学习方法
-
22.1.3 基础及其学习方法
-
22.2 话题模型之间的关系和特点
-
参考文献
附录 A 梯度下降法
附录 B 牛顿法和拟牛顿法
附录 C 拉格朗日对偶性
附录 D 矩阵的基本子空间
附录 E KL 散度的定义和狄利克雷分布的性质
索引
获得方式：
1. 关注【
深度学习冲鸭
】公众号
2. 在【
深度学习冲鸭
】公众号后台回复
李航PPT
即可（注意，不是本公众号哈）。