重磅发布！李航《统计学习方法》第二版最新版视频课上线！速来围观！
说起机器学习最响当当的书籍，李航博士的《统计学习方法》一定是榜上有名了！许多互联网企业的面试、笔试题目，都参考这本书。
这本书第一版就包含了众多主要的监督学习算法与模型，通过作者 6 年时间的努力，第二版已正式发布啦！
作者在在第二版加入了无监督学习的主要算法和模型。不知道你有没有拿到新书开始看起来了呢？
从监督学习和无监督学习这两大块出发，基本上传统机器学习的主要概念就能一步步掌握了！
《统计学习方法》是由三要素构成，即方法=模型+策略+算法，你需要掌握：
掌握这三点，意味着你能弄懂机器学习最核心的原理。而《统计学习方法》就是基于这些内容做出了详细的讲解和说明。因此，不仅是在学术界，还是在工业界，这都是一本必读好书
但面对想学好机器学习的同学们来说，自己看书还是会有各种各样的困难，无法理解作者背后的逻辑，无法进行系统梳理
为此，在统计学习方法第二版书刚出来不久后，我们就紧接着推出了一场集章节导学视频+书籍重难点及手推公式视频讲解+代码作业视频讲解+三维度答疑为一体的第二版的《李航统计学训练营》，并加入了无监督学习部分！
独创四大教学模式，通过5步帮你务实理论功底
针对书本每一章节内容先进行导读梳理，帮助你理解书本章节内容，学习重难点知识，并对一些重要的先修知识和概念进行补充讲解，让你知道应该怎么学习。
针对书中的重难点内容，录制重难点知识讲解的视频，讲解知识点，说明知识点是什么、为什么、怎么做，结合实际案例进行讲解
导师亲自手推公式，细致到每一步骤，让课程内容充实紧凑，涉及到应用多元统计与随机过程等学科知识相串联。
为了增强实战能力，我们针对每一章节都设计了代码作业，并且提供详细的作业讲解视频和代码的完整复现，帮你在完成作业以后能够充分理解背后蕴含的原理
为了保证大家遇到难题能够及时被解决，我们设计的三维度答疑的方式：
1、导师接受1对1提问，12小时内保证解决问题
2、微信群助教及时互动，群友互答
3、每月统一收集问题直播答疑，系统讲解重难点
Week1
【视频课】第1章 统计学习方法概论
理解“本章概要”的5点内容
理解模型过拟合产生的原因以及造成的影响
理解机器学习的评价标准：模型的泛化能力
熟悉极大似然估计和贝叶斯估计基本思想和求解方法
【视频课】第2章 感知机
掌握感知机的模型形式、损失函数及对应的优化问题
掌握随机梯度下降算法原理
理解感知机模型中随机梯度算法的收敛性
【视频课】第3章 k近邻
掌握k近邻算法的原理
理解k近邻算法三要素及模型对应的损失函数
掌握k近邻算法在分类问题上的求解过程
作业：
【推导】推导正态分布均值的极大似然估计和贝叶斯估计
【思考题】思考感知机模型的假设空间？模型复杂度体现在哪里？
【代码复现】自编程/调用sklearn实现一个感知机算例
【思考题】思考k近邻算法的模型复杂度体现在哪里？什么情况下会造成过拟合？
【代码复现】自编程/调用sklearn实现一个k近邻算法算例
作业视频讲解：
极大似然估计和贝叶斯估计作业
感知机算例自编程和sklearn实现
Week2
【视频课】第4章 朴素贝叶斯法
理解朴素贝叶斯模型的模型假设
理解后验概率最大化与期望损失最小化的关系
掌握极大似然估计的求解过程
掌握贝叶斯估计的求解过程
【视频课】第5章 决策树
理解信息增益、基尼系数的含义和计算方法
掌握ID3算法
了解决策树剪枝的目的和剪枝准则
掌握CART生成算法
作业：
【代码复现】自编程/调用sklearn实现朴素贝叶斯算法
【证明题】证明CART剪枝算法中，当α确定的情况下，存在唯一的最小子树Ta使得损失函数Cα（T）最小。
【代码复现】调用sklearn实现决策树算例，有余力者进行自编程实现
作业视频讲解：
K近邻算法自编程和sklearn实现
朴素贝叶斯自编程和sklearn实现
Week3
【视频课】第6章 逻辑斯谛回归与最大熵模型
掌握二项逻辑斯谛和多项逻辑斯谛模型的模型形式和似然函数
掌握二项逻辑斯谛求解中的梯度下降法
理解最大熵模型的思想，了解拉格朗日对偶性
理解最大熵模型中的改进的迭代尺度算法
【视频课】第7章 支持向量机
理解线性可分支持向量机硬间隔最大化的思想、对应的优化问题、对偶问题和相应算法
理解硬间隔最大化解的存在唯一性
理解线性支持向量机软间隔最大化的思想、对应的优化问题、对偶问题和相应算法
了解核函数在非线性支持向量机中的应用和对应的算法
了解序列最小最优化算法的基本思想
作业：
【代码复现】自编程/调用sklearn实现逻辑斯缔回归模型，尝试改变参数，选择不同算法
【代码复现】手算/自编程/调用sklearn完成习题7.2，求线性可分支持向量机的最大间隔分离超平面和分类决策函数
作业视频讲解：
决策树自编程和sklearn实现
逻辑斯蒂回归自编程和sklearn实现
Week4
【视频课】第8章 提升方法
掌握AdaBoost算法的求解过程
理解AdaBoost算法的训练误差
理解AdaBoost算法是前向分步算法的一个特例
掌握回归问题的提升树算法
【视频课】第9章 EM算法及推广
通过例题9.1掌握EM算法E步和M步的求解过程
了解EM算法求解如何用从最大化观测数据似然函数导出
掌握高斯混合模型如何用EM算法估计参数
作业：
【代码复现】自编程/调用sklearn对提升方法例题8.1进行实现
【代码复现】自编程求解两分量高斯混合模型的参数
作业视频讲解：
支持向量机算例自编程和sklearn实现
提升方法算例的自编程和sklearn实现
Week5
【视频课】第10章 隐马尔科夫模型
了解隐马尔科夫模型的三要素和三个基本问题
通过例题10.2，掌握隐马尔可夫模型概率计算中的向前算法
理解隐马尔科夫模型参数的非监督学习算法
通过例题10.3，理解维特比算法
【视频课】第11章 条件随机场
理解概率无向图
通过例题11.1和例题11.2，掌握线性链条件随机场模型参数形式和矩阵形式
掌握条件概率和期望的前向-后向算法
掌握改进的迭代尺度法和拟牛顿法优化的目标函数
通过例题11.3，掌握预测的维特比算法
作业：
【代码复现】自编程实现隐马尔可夫模型的前向、后向和维特比算法
【代码复现】自编程实现条件随机场习题11.4
作业视频讲解：
用EM算法自编程估计两分量高斯混合模型的参数
自编程实现隐马尔可夫模型的前向、后向和维特比算法
自编程实现条件随机场习题11.4
Week6
【视频课】第13章 无监督学习概论
理解无监督学习基本原理
理解机器学习三要素
熟悉无监督学习方法
【视频课】第14章 聚类方法
理解聚类的基本概念：相似度或距离、类或簇、类与类之间的距离
掌握层次聚类方法
掌握k均值聚类的模型、策略、算法和算法特性
【视频课】第15章 奇异值分解
掌握奇异值分解的定义与性质
掌握奇异值分解的计算步骤
熟悉奇异值分解与矩阵近似
作业：
【推导】推导由类与簇的第一个定义得出其他三个定义
【思考题】思考k均值聚类与高斯混合模型加EM算法的异同点？
【代码复现】自编程实现一个k均值聚类案例
【思考题】思考矩阵的奇异值分解与对称矩阵的对角化的异同点？
【代码复现】自编程矩阵的奇异值分解
作业视频讲解：
几类典型的聚类分析方法（系统聚类法、重心法等）
k均值聚类案例的自编程实现
证明任何一个秩为1的矩阵可写成两个向量的外积形式
Week7
【视频课】第16章 主成分分析
理解总体主成分分析的定义与性质
掌握求解总体主成分的基本定理与运用
理解样本主成分分析的定义与性质
掌握相关矩阵的特征值分解算法
掌握数据矩阵的奇异值分解算法
【视频课】第17章 潜在语义分析
理解单向量空间与话题向量空间
掌握潜在语义分析算法-矩阵奇异值分解算法
掌握非负定矩阵分解算法
了解非负定矩阵分解的形式
作业：
【代码复现】自编程实现主成分分析案例
【证明题】证明样本协方差矩阵S是总体协方差矩阵的无偏估计
【代码复现】自编程实现潜在语义分析的奇异值分解法和非负定矩阵分解法
作业视频讲解：
潜在语义分析自编程实现
主成分分析自编程实现
Week8
【视频课】第18章 概率潜在语义分析
了解概率潜在语义分析模型的基本想法
掌握概率潜在语义分析模型的生成模型、共线模型
掌握概率潜在语义分析模型的参数和几何解释
掌握概率潜在语义分析运用生成模型学习的EM算法
【视频课】第19章 马尔科夫链蒙特卡罗法
理解蒙特卡罗法的随机抽样、数学期望估计和积分计算步骤
理解马尔科夫链的基本定义、离散状态与连续状态、基本性质
熟悉马尔科夫链蒙特卡罗法的基本想法和实现步骤
掌握Metropolis-Hastings算法基本原理与单分量Metropolis-Hastings算法
熟悉吉布斯抽样基本原理与算法并进行抽样计算
作业：
【证明题】证明如果马尔科夫链是不可约的，且有一个状态是非周期的，则其他所有状态也是非周期的。
【代码复现】自编程实现马尔科夫链，尝试改变参数，选择不同状态转移矩阵
【代码复现】自编程实现习题18.3潜在语义分析
作业视频讲解：
概率潜在语义分析自编程实现
马尔科夫链自编程实现
证明可逆马尔科夫链一定是不可约的
Week9
【视频课】第20章 潜在狄利克雷分配
理解狄利克雷分布的定义与共轭先验
掌握潜在狄利克雷分配模型的基本定义、概率图模型
理解潜在狄利克雷分配模型中随机变量序列的可交换性
熟悉LDA吉布斯抽样算法的基本想法、主要部分和后处理
理解LDA的变分推理过程
掌握LDA的变分EM算法的基本结构与推导步骤
作业：
【思考题】LDA的吉布斯抽样算法、变分EM算法中利用到狄利克雷分布的部分是哪些？
【证明题】推导狄利克雷分布数学期望公式
【代码复现】自编程针对17.2.2文本案例，使用LDA模型进行话题分析
作业视频讲解：
LDA模型话题分析自编程实现
LDA的吉布斯抽样算法的变分EM算法的Python实现
Week10
【视频课】第21章 PageRank算法
理解有向图和随机游走模型的基本想法
理解PageRank的基本定义和一般定义
掌握PageRank的计算-迭代算法、幂法和代数算法
【视频课】第22章 无监督学习方法总结
熟悉各无监督学习方法的关系和特点
熟悉基础机器学习方法
熟悉话题模型之间的关系和特点
作业：
【证明题】假设方阵A是随机矩阵，即其每个元素非负，每列元素之和为1，证明A的k次方仍是随机矩阵，其中k是自然数
【代码复现】自编程/调用Python验证习题21.2，以不同的初始分布向量进行迭代，仍得到同样的极限向量R
【证明题】PageRank 一般定义中的马尔科夫链具有平稳分布
作业视频讲解：
证明随机矩阵的最大特征值为1
PageRank算法自编程和Python实现
有好的课程教材，也必须要有好的导师，才能让学习能力倍速提升，我们的导师团，个个都是行业内的精英，深受学员好评
现任香港某大学数学系博士
毕业于国内双一流重点大学硕士学位
曾任国内知名电商平台大数据算法工程师
曾获数学建模竞赛，国家二等奖
上海交通大学应用统计研究生
浙江大学统计学专业
在精英世家教授英国、美国本科生统计学、数学和金融等多门学科
授课经验丰富，擅长R语言,Matlab和Python
加量!升级!不加价!
现加入13小时无监督学习课程！
共计40+节视频课+20+节作业讲解课
（最后一次98，下期即将涨价为198元）
购买即赠送《统计学习方法》电子版
报名时间：2020年2月14日—2019年2月28日
支持七天无理由退款，一次购买，支持无限次回放！永久有效！
支持手机/电脑倍速播放！学习体验更流畅~
我们的老师在往期训练营里备受好评！而我们，还在不断的更新迭代课程内容！
学完有效果吗？事实证明，统计学是所有人工智能算法课的基础，也是最重要的一环
除了优质的课程设计，我们还准备了多重福利！凡深度之眼学员均可领取48小时免费时长！这里的GPU来自于全球各地，通过DBC（区块链技术）分布式网络连接在一起，没有中心化服务器，你的数据都是加密传输的，不会被窃取，非常安全！而且价格便宜，低至1小时不到1块钱！
为了鼓励学员，我们还一直坚持对于优秀的学生发放奖金（训练营采取积分机制，打卡、老师助教点评、点赞都会得到相应的积分，凭积分就可以换取相应奖品！）
VIP学员已享受超值福利不参与返款活动
按学习任务要求完成全勤打卡且排名前20的同学，我们将赠送你深度之眼定制周边福利！
最后一次98，下期即将涨价为198元！
10周你能获得的 不仅仅是知识和能力
更有一群陪你学习的伙伴~
省下一张电影票马上开始学习吧！
报名时间：2020年2月14日—2019年2月28日
添加班主任微信进学员内部群
开启你的升级打怪之旅
一年畅学17大主题训练营，从小白入门到进阶大神的最佳学习路径
添加班主任微信
~了解VIP特权吧~
Q、付完98元后面还要再付钱吗？
A、一次性购买完整课程就是98元，没有任何其他付款内容
Q、课程资料在哪里看？
A、所有的课程资料均会在深度之眼公众号内上传。
Q、报名后可以退款吗？
A、本服务为虚拟内容产品，支持七天无理由退款
Q、可以开具发票吗？
A、可以开具普通电子发票，请联系微信班主任填写需要的信息即可。
展开全文
微信扫码咨询专知VIP会员