統(tǒng)計(jì)學(xué)習(xí)必學(xué)的十個(gè)問題：理論與實(shí)踐

第1章 防止過擬合
1.1 過擬合和欠擬合的背后
1.2 性能度量和損失函數(shù)
1.3 假設(shè)空間和VC維
1.4 偏差方差分解的意義
1.5 正則化和參數(shù)綁定
1.6 使用scikit-learn
第2章 特征選擇
2.1 包裹法Warpper
2.2 過濾法Filter
2.3 嵌入法Embedded
2.4 使用scikit-learn
第3章 回歸算法中的貝葉斯
3.1 快速理解判別式模型和生成式模型
3.2 極大似然估計(jì)和平方損失
3.3 最大后驗(yàn)估計(jì)和正則化
3.4 貝葉斯線性估計(jì)
3.5 使用scikit-learn
第4章 分類算法中的貝葉斯
4.1 廣義線性模型下的sigmoid函數(shù)和softmax函數(shù)
4.2 對(duì)數(shù)損失和交叉熵
4.3 邏輯回歸的多項(xiàng)式拓展和正則化
4.4 樸素貝葉斯分類器
4.5 拉普拉斯平滑和連續(xù)特征取值的處理方法
4.6 使用scikit-learn
第5章 非參數(shù)模型
5.1 K近鄰與距離度量
5.2 K近鄰與kd樹
5.3 決策樹和條件嫡
5.4 決策樹的剪枝
5.5 連續(xù)特征取值的處理方法和基尼指數(shù)
5.6 回歸樹
5.7 使用scikit-learn
第6章 核方法
6.1 核方法的本質(zhì)
6.2 對(duì)偶表示和拉格朗日乘子法
6.3 常見算法的核化拓展
6.4 高斯過程
6.5 使用scikit-learn
第7章 混合高斯：比高斯分布更強(qiáng)大
7.1 聚類的重要問題
7.2 潛變量與K均值
7.3 混合高斯和極大似然估計(jì)的失效
7.4 EM算法的核心步驟
7.5 使用scikit-learn
第8章 模型組合策略
8.1 Bagging和隨機(jī)森林
8.2 Boosting的基本框架
8.3 Adaboost
8.4 GBDT和XGBoost
8.5 使用scikit-learn
第9章 核化降維和學(xué)習(xí)流形
9.1 線性降維
9.2 核化線性降維
9.3 流形學(xué)習(xí)
9.4 使用scikit-learn
第10章 處理時(shí)間序列
10.1 概率圖模型和隱變量
10.2 高階馬爾可夫模型
10.3 隱馬爾可夫模型
10.4 隱馬爾可夫模型的EM算法
10.5 使用scikit-learn
參考文獻(xiàn)