统计学习方法 (第2版) 在线下载 pdf mobi 2025 epub 电子版

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：上古天真 发布时间：2021-08-22 00:16:48

  内容太多篇幅太小，加之主体思想色彩下教材所特有的语焉不详导致不深不浅的鸡肋，不宜做基础夯实，适合在有积累之后过概念用

• 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：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：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。

• 理论讲得不是很简单易懂

  作者：AlexHe 发布时间：2012-08-02 09:10:34

  坦诚的讲，如果不是冲着作者的学术地位我不会去买这本书的。当然买回来=了也不后悔，书总体来说还是很好的，特别是针对目前国内几乎没有一本原创机器学习方法教材。但是，在我看来，由于作者平时写文献做报告也大多是英语，另外由于其长期在外企研究单位工作，所以我想作者也还是比较难用中文的思维去表达。

  比如说讲到最大熵模型的时候，还是有很多数学知识没有介绍到，什么叫仿射无关我真的不是很理解。另外很多数学基础都没提到就直接提对偶等等概念，真不是很好理解。虽然后面有三个附录介绍了书中用到的优化算法和拉格朗日方法，但是我也还是看不太明白。

  可能是我能力有限，也可能是工作了看书不够淡定。不过我还是认为这本书不是非常适合初学者，最好能了解基本的机器学习方法（特别是监督学习）后在读此书。

  我目前感觉自己数学知识（概率推导，代数等）很不连贯，书中的定理看起来自己推导都很吃力，课后习题也不能顺利完成，我需要怎么补习数学，是去看看近视代数还是概率统计呢？

  总体来说，书还是非常好的！但是如果要原原本本的讲授统计学习方法，个人感觉不是两百多页能完成的。不然国外这方面的教材也不会动不动就7百多页上千页了。