统计学习必学的十个问题：理论与实践

10.5 使用scikit-learn

10.4 隐马尔可夫模型的EM算法

10.3 隐马尔可夫模型

10.2 高阶马尔可夫模型

10.1 概率图模型和隐变量

第10章 处理时间序列

9.4 使用scikit-learn

9.3 流形学习

9.2 核化线性降维

9.1 线性降维

第9章 核化降维和学习流形

8.5 使用scikit-learn

8.4 GBDT和XGBoost

8.3 Adaboost

8.2 Boosting的基本框架

8.1 Bagging和随机森林

第8章 模型组合策略

7.5 使用scikit-learn

7.4 EM算法的核心步骤

7.3 混合高斯和极大似然估计的失效

7.2 潜变量与K均值

7.1 聚类的重要问题

第7章 混合高斯：比高斯分布更强大

6.5 使用scikit-learn

6.4 高斯过程

6.3 常见算法的核化拓展

6.2 对偶表示和拉格朗日乘子法

6.1 核方法的本质

第6章 核方法

5.7 使用scikit-learn

5.6 回归树

5.5 连续特征取值的处理方法和基尼指数

5.4 决策树的剪枝

5.3 决策树和条件熵

5.2 K近邻与kd数

5.1 K近邻与距离度量

第5章 非参数模型

4.6 使用scikit-learn

4.5 拉普拉斯平滑和连续特征取值的处理方法

4.4 朴素贝叶斯分类器

4.3 逻辑回归的多项式拓展和正则化

4.2 对数损失和交叉熵

4.1 广义线性模型下的sigmoid函数和softmax函数

第4章 分类算法中的贝叶斯

3.5 使用scikit-learn

3.4 贝叶斯线性估计

3.3 最大后验估计和正则化

3.2 极大似然估计和平方损失

3.1 快速理解判别式模型和生成式模型

第3章 回归算法中的贝叶斯

2.4 使用scikit-learn

2.3 嵌入法Embedded

2.2 过滤法Filter

2.1 包裹法Warpper

第2章 特征选择

1.6 使用scikit-learn

1.5 正则化和参数绑定

1.4 偏差方差分解的意义

1.3 假设空间和VC维

1.2 性能度量和损失函数

1.1 过拟合和欠拟合的背后

第1章 防止过拟合

前言

内容简介

版权信息

封面

封面

版权信息

内容简介

前言

第1章 防止过拟合

1.1 过拟合和欠拟合的背后

1.2 性能度量和损失函数

1.3 假设空间和VC维

1.4 偏差方差分解的意义

1.5 正则化和参数绑定

1.6 使用scikit-learn

第2章 特征选择

2.1 包裹法Warpper

2.2 过滤法Filter

2.3 嵌入法Embedded

2.4 使用scikit-learn

第3章 回归算法中的贝叶斯

3.1 快速理解判别式模型和生成式模型

3.2 极大似然估计和平方损失

3.3 最大后验估计和正则化

3.4 贝叶斯线性估计

3.5 使用scikit-learn

第4章 分类算法中的贝叶斯

4.1 广义线性模型下的sigmoid函数和softmax函数

4.2 对数损失和交叉熵

4.3 逻辑回归的多项式拓展和正则化

4.4 朴素贝叶斯分类器

4.5 拉普拉斯平滑和连续特征取值的处理方法

4.6 使用scikit-learn

第5章 非参数模型

5.1 K近邻与距离度量

5.2 K近邻与kd数

5.3 决策树和条件熵

5.4 决策树的剪枝

5.5 连续特征取值的处理方法和基尼指数

5.6 回归树

5.7 使用scikit-learn

第6章 核方法

6.1 核方法的本质

6.2 对偶表示和拉格朗日乘子法

6.3 常见算法的核化拓展

6.4 高斯过程

6.5 使用scikit-learn

第7章 混合高斯：比高斯分布更强大

7.1 聚类的重要问题

7.2 潜变量与K均值

7.3 混合高斯和极大似然估计的失效

7.4 EM算法的核心步骤

7.5 使用scikit-learn

第8章 模型组合策略

8.1 Bagging和随机森林

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 核化降维和学习流形

9.1 线性降维

9.2 核化线性降维

9.3 流形学习

9.4 使用scikit-learn

第10章 处理时间序列

10.1 概率图模型和隐变量

10.2 高阶马尔可夫模型

10.3 隐马尔可夫模型

10.4 隐马尔可夫模型的EM算法

10.5 使用scikit-learn