声明:本文所有内容及其链接内容均来自于统计学习方法,只为了本人学习使用,不做任何商业用途,特此声明,如有违规,可以联系我。1,统计学习2,监督学习3,统计三要素4,模型评估与模型选择5,正则化和交叉验证6,泛化能力7,生成模型与判别模型8,分类问题9,标注问题 10,回归问题感知机,感知机模型,感知机学习策略,感知机学习算法,算法的收敛性,感知机学习方法,感知机学习算法的对偶形式,K近邻法,K近邻算法,K近邻模型,K近邻算法的实现:kd树朴素贝叶斯法,朴素贝叶斯法的学习与分类,朴素贝叶斯法的参数估计,决策树,决策树模型与学习,特征选择,决策树的生成,决策树的剪枝,cart算法,逻辑斯提回归与最大熵模型,模型学习的最优化算法,支持向量机,线性可分支持向量机与硬间隔最大化,线性可分支持向量机与软间隔最大化,线性可分支持向量机与核函数,序列最小最优化算法,提升方法,提升方法adaBoost算法,adaBoost算法的训练误差分析,adaBoost算法的解释,提升树,EM算法及其推广,EM算法的收敛性,EM算法在高斯混合模型学习中的应用,隐马尔科夫模型,概率计算算法,梯度下降法条件随机场,概率无向图模型,条件随机场的概率计算问题,条件随机场的学习算法,条件随机场的预测算法拉格朗日对偶性统计学习方法总结牛顿法与拟牛顿法,