统计学习基础:数据挖掘、推理和预测_资源|如何进行数据挖掘、推理和预测，推荐这本经典书籍...

点击上方“AI遇见机器学习”，选择“星标”公众号

原创干货，第一时间送达

一、资源简介

在过去的十年里，计算和信息技术有了突飞猛进的发展。随着它而来的是医学、生物学、金融和市场营销等各个领域的大量数据。理解这些数据的挑战导致了统计领域新工具的开发，并催生了数据挖掘、机器学习和生物信息学等新领域。这些工具中有许多有共同的基础，但经常用不同的术语表示。这本书在一个共同的概念框架中描述了这些领域的重要思想。虽然方法是统计的，但重点是概念而不是数学。给出了许多例子，并大量使用了彩色图形。对于统计学家和任何对科学或工业数据挖掘感兴趣的人来说，这是一种宝贵的资源。这本书的覆盖面很广，从监督学习(预测)到非监督学习。许多主题包括神经网络、支持向量机、分类树和增强——这是任何一本书中对该主题的首次全面处理。这个主要的新版本包含了许多原版本中没有涉及的主题，包括图形模型、随机森林、集成方法、lasso的最小角度回归和路径算法、非负矩阵因子分解和光谱聚类。还有一章是关于“宽”数据(p大于n)的方法，包括多次测试和错误发现率。

作者简介：

Trevor Hastie, Robert Tibshirani和Jerome Friedman是斯坦福大学的统计学教授。他们是这一领域的杰出研究人员:Hastie和Tibshirani开发了广义加法模型，并写了一本同名的畅销书。Hastie与人合作开发了R/S-PLUS中的许多统计建模软件和环境，并发明了主曲线和曲面。Tibshirani提出了lasso，并与人合著了非常成功的Bootstrap介绍。弗里德曼是许多数据挖掘工具的共同发明者，包括CART、MARS、投影跟踪和梯度增强。

二、主要内容目录

1介绍

2监督学习概述

3线性回归方法

4线性分类方法

5基的展开和正则化

6核平滑方法

7模型评估与选择

8模型推理与平均

9加法模型、树和相关方法

10增强树和加法树

11个神经网络

12支持向量机和灵活的鉴别器

13原型方法和最近邻

14个无监督学习

15个随机森林

16集成学习

17个无向图形模型

18高维问题:p≫N

三、资源分享

同时为了方便大家，我们把最新PDF打包好了，可以直接下载哦~

获取方式：

1. 关注我们的公众号“AI遇见机器学习”

2. 后台回复“数据挖掘经典书” 即可以获取资料哈~(建议复制，避免错字)

推荐阅读

干货|学术论文怎么写

资源|NLP书籍及课程推荐(附资料下载)

干货|全面理解N-Gram语言模型

资源|《Machine Learning for OpenCV》书籍推荐

欢迎关注我们，看通俗干货！