资源 | 李航老师《统计学习方法》(第2版)课件分享,附下载

2019 年 11 月 11 日 新智元



  新智元推荐  

来源:专知
编辑:元子、大明
【新智元导读】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。新智元 AI 朋友圈和AI大咖们一起讨论吧。



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 下载地址:

http://www.tup.tsinghua.edu.cn/booksCenter/book_08132901.html
点击以上链接进入下图页面,点击红框部分,进入度盘下载链接



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

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

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

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

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

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 

本文授权转载自公众号:专知

登录查看更多
38

相关内容

【干货书】《机器学习导论(第二版)》,348页pdf
专知会员服务
245+阅读 · 2020年6月16日
【新书】图神经网络导论,清华大学刘知远老师著作
专知会员服务
361+阅读 · 2020年6月12日
专知会员服务
139+阅读 · 2020年5月19日
清华大学张敏老师,个性化推荐的基础与趋势,145页ppt
专知会员服务
86+阅读 · 2019年11月27日
资源 | 李航老师《统计学习方法》(第2版)课件下载
专知会员服务
249+阅读 · 2019年11月10日
【资源】机器学习数学全书,1900页PDF下载
全球人工智能
152+阅读 · 2019年10月17日
统计学习方法第一版课程PPT
AINLP
13+阅读 · 2019年5月14日
Arxiv
3+阅读 · 2018年3月21日
VIP会员
相关VIP内容
Top
微信扫码咨询专知VIP会员