您尚未登录,请登录后浏览更多内容! 登录 | 注册

QQ登录

只需一步,快速开始

 找回密码
 注册

QQ登录

只需一步,快速开始

查看: 7153|回复: 30

Hastie The Elements of Statistical Learning, Second Edition pdf+Solution Manual

[复制链接]
  • TA的每日心情
    开心
    2016-3-19 06:18
  • 签到天数: 18 天

    [LV.4]偶尔看看III

    发表于 2015-3-13 12:19:58 | 显示全部楼层 |阅读模式
    The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition (Corrected at 7th printing 2013)
    by Trevor Hastie and Robert Tibshirani
    0387848576.01.S001.LXXXXXXX.jpg
    During the past decade there has been an explosion in computation and information technology. With it have come vast amounts of data in a variety of fields such as medicine, biology, finance, and marketing. The challenge of understanding these data has led to the development of new tools in the field of statistics, and spawned new areas such as data mining, machine learning, and bioinformatics. Many of these tools have common underpinnings but are often expressed with different terminology. This book describes the important ideas in these areas in a common conceptual framework. While the approach is statistical, the emphasis is on concepts rather than mathematics. Many examples are given, with a liberal use of color graphics. It is a valuable resource for statisticians and anyone interested in data mining in science or industry. The book's coverage is broad, from supervised learning (prediction) to unsupervised learning. The many topics include neural networks, support vector machines, classification trees and boosting---the first comprehensive treatment of this topic in any book.

    This major new edition features many topics not covered in the original, including graphical models, random forests, ensemble methods, least angle regression & path algorithms for the lasso, non-negative matrix factorization, and spectral clustering. There is also a chapter on methods for ``wide'' data (p bigger than n), including multiple testing and false discovery rates.

    高清版本Corrected at 7th printing 2013 pdf 回复可见
    游客,如果您要查看本帖隐藏内容请回复


    编辑推荐
    《统计学习基础(第2版)(英文)》编辑推荐:随着计算机和信息时代的到来,统计问题的规模和复杂性都有了急剧增加。数据存储、组织和检索领域的挑战导致一个新领域“数据挖掘”的产生。数据挖掘是一个多学科交叉领域,涉及数据库技术、机器学习、统计学、神经网络、模式识别、知识库、信息提取、高性能计算等诸多领域,并在工业、商务、财经、通信、医疗卫生、生物工程、科学等众多行业得到了广泛的应用。
    《统计学习基础(第2版)(英文)》试图将学习领域中许多重要的新思想汇集在一起,并且在统计学的框架下解释它们。尽管有些数学细节是必要的,但《统计学习基础(第2版)(英文)》强调的是方法和它们的概念基础,而不是理论性质。《统计学习基础(第2版)(英文)》内容广泛,从有指导的学习(预测)到无指导的学习,应有尽有。包括神经网络、支持向量机、分类树和提升等主题,是同类书籍中介绍得最全面的,适合从事数据挖掘和机器学习研究的读者阅读。
    作者简介
    作者:(德国)T.黑斯蒂(Trevor Hastie)
    目录
    第1章 绪论
    第2章 有指导学习概述
    2.1 引言
    2.2 变量类型和术语
    2.3 两种简单预测方法:最小二乘方和最近邻法
    2.4 统计判决理论
    2.5 高维空间的局部方法
    2.6 统计模型、有指导学习和函数逼近
    2.7 结构化回归模型
    2.8 受限的估计方法类
    2.9 模型选择和偏倚—方差权衡
    文献注释
    习题
    第3章 回归的线性方法
    3.1 引言
    3.2 线性回归模型和最小二乘方
    3.3 从简单的一元回归到多元回归
    3.4 子集选择和系数收缩
    3.5 计算考虑
    文献注释
    习题
    第4章 分类的线性方法
    4.1 引言
    4.2 指示矩阵的线性回归
    4.3 线性判别分析
    4.4 逻辑斯缔回归
    4.5 分离超平面
    文献注释
    习题
    第5章 基展开与正则化
    5.1 引言
    5.2 分段多项式和样条
    5.3 过滤和特征提取
    5.4 光滑样条
    5.5 光滑参数的自动选择
    5.6 无参逻辑斯缔回归
    5.7 多维样条函数
    5.8 正则化和再生核希尔伯特空间
    5.9 小波光滑
    文献注释
    习题
    第6章 核方法
    6.1 一维核光滑方法
    6.2 选择核的宽度
    6.3 IRp上的局部回归
    6.4 IRp上结构化局部回归模型
    6.5 局部似然和其他模型
    6.6 核密度估计和分类
    6.7 径向基函数和核
    6.8 密度估计和分类的混合模型
    6.9 计算考虑
    文献注释
    习题
    第7章 模型评估与选择
    7.1 引言
    7.2 偏倚、方差和模型复杂性
    7.3 偏倚—方差分解
    7.4 训练误差率的乐观性
    7.5 样本内预测误差的估计
    7.6 有效的参数个数
    7.7 贝叶斯方法和BIC
    7.8 最小描述长度
    7.9 Vapnik—Chernovenkis维
    7.10 交叉验证
    7.11 自助法
    文献注释
    习题
    第8章 模型推理和平均
    8.1 引言
    8.2 自助法和极大似然法
    8.3 贝叶斯方法
    8.4 自助法和贝叶斯推理之间的联系
    8.5 EM算法
    8.6 从后验中抽样的MCMC
    8.7 装袋
    8.8 模型平均和堆栈
    8.9 随机搜索:冲击
    文献注释
    习题
    第9章 加法模型、树和相关方法
    9.1 广义加法模型
    9.2 基于树的方法
    9.3 PRIM——凸点搜索
    9.4 MARS:多元自适应回归样条
    9.5 分层专家混合
    9.6 遗漏数据
    9.7 计算考虑
    文献注释
    习题
    第10章 提升和加法树
    10.1 提升方法
    10.2 提升拟合加法模型
    10.3 前向分步加法建模
    10.4 指数损失函数和AdaBoost
    10.5 为什么使用指数损失
    10.6 损失函数和健壮性
    10.7 数据挖掘的“现货”过程
    10.8 例:垃圾邮件数据
    10.9 提升树
    10.10 数值优化
    10.11 提升适当大小的树
    10.12 正则化
    10.13 可解释性
    10.14 实例
    文献注释
    习题
    第11章 神经网络
    11.1 引言
    11.2 投影寻踪回归
    11.3 神经网络
    11.4 拟合神经网络
    11.5 训练神经网络的一些问题
    11.6 例:模拟数据
    11.7 例:ZIP编码数据
    11.8 讨论
    11.9 计算考虑
    文献注释
    习题
    第12章 支持向量机和柔性判别
    12.1 引言
    12.2 支持向量分类器
    12.3 支持向量机
    12.4 线性判别分析的推广
    12.5 柔性判别分析
    12.6 罚判别分析
    12.7 混合判别分析
    12.8 计算考虑
    文献注释
    习题
    第13章 原型方法和最近邻
    13.1 引言
    13.2 原型方法
    13.3 K—最近邻分类器
    13.4 自适应的最近邻方法
    13.5 计算考虑
    文献注释
    习题
    第14章 无指导学习
    14.1 引言
    14.2 关联规则
    14.3 聚类分析
    14.4 自组织映射
    14.5 主成分、曲线和曲面
    14.6 独立成分分析和探测性投影寻踪
    14.7 多维定标
    文献注释
    。。。
    习题
    术语表
    参考文献

    推广两个版本的答案
    第1版本(不全)Contains  R code providing solutions to exercises in Elements of Statistical Learning (Hastie, Tibshirani & Friedman)
    ESL-Solutions.pdf (461.59 KB, 下载次数: 850)
    回复

    使用道具 举报

    该用户从未签到

    发表于 2015-3-14 08:45:31 来自手机 | 显示全部楼层
    感谢楼主分享
    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    2019-1-1 22:16
  • 签到天数: 620 天

    [LV.9]以坛为家II

    发表于 2015-3-14 12:34:01 | 显示全部楼层
    很好的书,难度有点大
    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    2016-8-23 21:54
  • 签到天数: 242 天

    [LV.8]以坛为家I

    发表于 2015-7-11 20:35:20 | 显示全部楼层
    Thanks for sharing
    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    2015-7-18 15:21
  • 签到天数: 1 天

    [LV.1]初来乍到

    发表于 2015-7-18 15:27:31 | 显示全部楼层
    i want to see
    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    2017-8-28 12:11
  • 签到天数: 12 天

    [LV.3]偶尔看看II

    发表于 2016-1-28 11:36:47 | 显示全部楼层
    感谢分享~谢谢楼主
    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    2016-7-6 23:05
  • 签到天数: 14 天

    [LV.3]偶尔看看II

    发表于 2016-3-12 09:50:31 | 显示全部楼层
    好东西,十分感谢!
    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    2017-12-15 11:07
  • 签到天数: 161 天

    [LV.7]常住居民III

    发表于 2016-6-30 14:39:06 | 显示全部楼层
    谢谢楼主辛苦分享!!!
    回复 支持 反对

    使用道具 举报

    您需要登录后才可以回帖 登录 | 注册

    本版积分规则

    数学建模与统计建模论坛微信群
        
      手机版|Archiver|鄂ICP备16007464号

    GMT+8, 2020-7-15 19:53 , Processed in 0.225010 second(s), 25 queries .

    © 2001-2011 Powered by Discuz! X3.2. Theme By Yeei! Licensed

    返回顶部