李航大佬《统计学习方法》第二版上线！增加无监督学习！

学过机器学习的朋友都知道《统计学习方法》这本书，它在所有学习资源中的地位不可取代，整本书十分精炼，无多余废话。和西瓜书一样也是我入门和进阶机器学习的启蒙老师。

最近得到最新消息，李航博士更新了《统计学习方法》的第二版，在第一版的基础之上做了升级，增加了无监督学习（见后面具体章节）。不为别的，能有现在这份工作也可以说很大程度上得益于这本书，因此这波我必须支持，并且也推荐正在学习或者还在强化机器学习知识的朋友入手，它的性价比只有看过的人才知道。

下面链接为此前分享的资源：

新书目录

废话不多说，直接看目录，实打实的干货！

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

• 本章概要

• 继续阅读

• 习题

• 参考文献

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

• 本章概要

• 继续阅读

• 习题

• 参考文献

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

• 本章概要

• 继续阅读

• 习题

• 参考文献

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

• 本章概要

• 继续阅读

• 习题

• 参考文献

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

• 参考文献

目前此书在京东上已经上架，价格较第一版略微贵一些，但是书的厚度也有所增加，大概是第一版的一倍了。反正我已经迫不及待想拜读一下了，已经下单，期待新书到来。

最后附上一张我偷拍李航大佬的图片。

专注于数据科学领域的知识分享

欢迎在文章下方留言与交流

推荐阅读