统计学习方法 (第2版) 下载 pdf 电子版 epub 免费 txt 2025

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。

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，也可供计算机应用等专业的研发人员参考。

第2版序言

第1版序言

第1篇 监督学习

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

1.3 统计学习方法三要素

1.4 模型评估与模型选择

1.5 正则化与交叉验证

1.6 泛化能力

1.7 生成模型与判别模型

1.8 监督学习应用

本章概要

继续阅读

习题

第2章 感知机

2.1 感知机模型

2.2 感知机学习策略

2.3 感知机学习算法

本章概要

继续阅读

习题

第3章 k近邻法

3.1 k近邻算法

3.2 k近邻模型

3.3 k近邻法的实现：kd树

本章概要

继续阅读

习题

第4章 朴素贝叶斯法

4.1 朴素贝叶斯法的学习与分类

4.2 朴素贝叶斯法的参数估计

本章概要

继续阅读

习题

第5章 决策树

5.1 决策树模型与学习

5.2 特征选择

5.3 决策树的生成

5.4 决策树的剪枝

5.5 CART算法

本章概要

继续阅读

习题

第6章 逻辑斯谛回归与最大熵模型

6.1 逻辑斯谛回归模型

6.2 最大熵模型

6.3 模型学习的最优化算法

本章概要

继续阅读

习题

第7章 支持向量机

7.1 线性可分支持向量机与硬间隔最大化

7.2 线性支持向量机与软间隔最大化

7.3 非线性支持向量机与核函数

7.4 序列最小最优化算法

本章概要

继续阅读

习题

第8章 提升方法

8.1 提升方法AdaBoost算法

8.2 AdaBoost算法的训练误差分析

8.3 AdaBoost算法的解释

8.4 提升树

本章概要

继续阅读

习题

第9章 EM算法及其推广

9.1 EM算法的引入

9.2 EM算法的收敛性

9.3 EM算法在高斯混合模型学习中的应用

9.4 EM算法的推广

本章概要

继续阅读

习题

第10章 隐马尔可夫模型

10.1 隐马尔可夫模型的基本概念

10.2 概率计算算法

10.3 学习算法

10.4 预测算法

本章概要

继续阅读

习题

第11章 条件随机场

11.1 概率无向图模型

11.2 条件随机场的定义与形式

11.3 条件随机场的概率计算问题

11.4 条件随机场的学习算法

11.5 条件随机场的预测算法

本章概要

继续阅读

习题

第12章 监督学习方法总结

第2篇 无监督学习

第13章 无监督学习概论

13.1 无监督学习基本原理

13.2 基本问题

13.3 机器学习三要素

13.4 无监督学习方法

本章概要

继续阅读

第14章 聚类方法

14.1 聚类的基本概念

14.2 层次聚类

14.3 k均值聚类

本章概要

继续阅读

习题

第15章 奇异值分解

15.1 奇异值分解的定义与性质

15.2 奇异值分解的计算

15.3 奇异值分解与矩阵近似

本章概要

继续阅读

习题

第16章 主成分分析

16.1 总体主成分分析

16.2 样本主成分分析

本章概要

继续阅读

习题

第17章 潜在语义分析

17.1 单词向量空间与话题向量空间

17.2 潜在语义分析算法

17.3 非负矩阵分解算法

本章概要

继续阅读

习题

第18章 概率潜在语义分析

18.1 概率潜在语义分析模型

18.2 概率潜在语义分析的算法

本章概要

继续阅读

习题

第19章 马尔可夫链蒙特卡罗法

19.1 蒙特卡罗法

19.2 马尔可夫链

19.3 马尔可夫链蒙特卡罗法

19.4 Metropolis-Hastings算法

19.5 吉布斯抽样

本章概要

继续阅读

习题

第20章 潜在狄利克雷分配

20.1 狄利克雷分布

20.2 潜在狄利克雷分配模型

20.3 LDA的吉布斯抽样算法

20.4 LDA的变分EM算法

本章概要

继续阅读

习题

第21章 PageRank算法

21.1 PageRank的定义

21.2 PageRank的计算

本章概要

继续阅读

习题

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

22.2 话题模型之间的关系和特点

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

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。现任今日头条人工智能实验室主任。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：统计学习方法 (第2版)在线阅读

在线听书地址：统计学习方法 (第2版)在线收听

在线购买地址：统计学习方法 (第2版)在线购买

定理 2.1 (Novikoff) 设训练数据集 T={(

书籍介绍

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。

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，也可供计算机应用等专业的研发人员参考。

• 作者：肉粽 发布时间：2020-02-18 20:46:46

  比周志华的西瓜书强了不是一星半点，循循善诱，简直打开了任督二脉，强推

• 作者：王小二 发布时间：2019-05-10 08:58:31

  已然98一本了 不知道是知识涨价了 还是出版业无奈的挣扎 只能理解着去图书馆抢资源了。

• 作者：Dorian 发布时间：2019-10-18 23:09:42

  中式教材，不适合初学者读。所有算法都是只讲道理，不讲故事，如果不了解背景故事，真的很难明白到底这些算法能拿来干嘛。

• 作者：momo 发布时间：2019-06-01 18:28:51

  没有第一版便携了，新增内容大部分是nlp相关，太基础了，失落

• 作者：小火慢煎 发布时间：2022-01-28 00:47:56

  配图少且小，所谓文化也更侧重考古学文化，既不学术也不通俗

• 作者：Salooloo 发布时间：2020-02-20 17:52:04

  国内最好的教材。

• 很完善，不错

  作者：妙手一运 发布时间：2012-04-24 21:51:22

      这本书一共235页，写了10个算法，可见每个算法都介绍的篇幅不长，貌似每个算法该讲的都讲了。

    

      详细看了一章最大熵，发现其实都是对已有文献的翻译，其中的部分符号修改了，更加通俗易读。不过翻译的非常好，是目前国内翻译的最好的吧。

        最大熵的举例来自论文《A Maximum Entropy Approach to Natural Language Processing》，不幸的是去除了实际含义。最大熵的IIS算法（89页）中间的某个公式还比参考文献少了一行，对比《The Improved Iterative Scaling Algorithm：A Gentle Introduction》。像EM算法的例子也非常精当，理解起来有帮助，不知道是否来自文献。

       

        其他像一些算法的背景，算法的发明人，算法的来龙去脉没有写，感觉可以加深理解；某种算法适用哪些场景，优缺点没有介绍；算法之间的比较，稍显欠缺。

        

        某些背景知识，其实可以再介绍的全面一些。例如什么是凸函数，例如CRF算法中的Hammersley-Clifford定理可以再详细介绍一下。

         总的来说，这是一本非常全面的、中规中矩的参考书，趣味性不够，封面的颜色也暗合这一点。买这本书可以节约时间，不需要花时间去找参考论文，直接打印每章后面的参考文献就可以了。

• 满分神作。

  作者：Till Lindemann 发布时间：2019-04-02 02:08:23

  初学者不适合看，但是从事相关行业的人必定要看，本书精简不啰嗦，面面俱到，从原理上给你整得明明白白的，辅以适当的例子，没有多余的图表，因为人工智能不是什么画图跑demo的专业，你需要有扎实的数学基础。

  建议路线，ng课程入门，知道有哪些算法，大致怎么做，然后去kaggle打个入门赛，别做特征工程，把会的算法全用上。然后放下比赛，开始读这本书，同时看机器学习基石或其他比较数学化的进阶课程，这一步不需要你敲代码，你要会的是滚瓜烂熟的推导，做到这一步，再去kaggle参加奖金赛，阅读kernel，学习state of the art 模型，学习特征工程，再在学习过程中阅读最新的论文或者经典的论文，不断迭代这个过程，别淹死在什么机器学习实战上，有现成的轮子不用，非得费那个劲，除非你科班毕业，代码能力扎实，不然你能不能从头实现一遍决策树对你找不找到工作没有任何一毛钱关系。笔试不会考你如何实现hmm，只会考数据结构与算法，面试只会让你推导。