https://mp.weixin.qq.com/s/kfsjsKVqtvi4UD6qTM8Lww

• 第一章：導言

• 第二章：監督學習的綜述

• 第三章：迴歸的線性方法（新：LAR演算法和lasso的一般化）

• 第四章：分類的線性方法（新：邏輯斯蒂迴歸的lasso軌跡）

• 第五章：基本的擴充套件和正則化（新：RKHS的補充說明）RKHS（再生核希爾伯特空間）

• 第六章：核光滑方法

• 第七章：模型評估與選擇（新：交叉驗證的長處與陷阱）

• 第八章：模型推論與平均

• 第九章：補充的模型、樹以及相關的方法

• 第十章：Boosting和Additive Trees（新：生態學的新例子，一些材料分到了16章）

• 第十一章：神經網路（新：貝葉斯神經網路和2003年神經資訊處理系統進展大會(NIPS)的挑戰）

• 第十二章：支援向量機和靈活的判別式（新：SVM分類器的路徑演算法）

• 第十三章：原型方法和鄰近演算法

• 第十四章：非監督學習（新：譜聚類，核PCA，離散PCA，非負矩陣分解原型分析，非線性降維，谷歌pagerank演算法，ICA的一個直接方法）

• 第十五章：隨機森林

• 第十六章：例項學習

• 第十七章：無向圖模型

• 第十八章：高維問題

2.EM演算法

3. 神經網路

程式碼實現

• EM 演算法模擬

• 樸素貝葉斯進行文字挖掘

• CART實現

• AdaBoost實現R&Julia

• MARS實現

• RBM，或者可以檢視 Jupyter Notebook

• Gibbs

• Self-organized Map

• kernel estimation

• Resampling Method: 包括交叉驗證(cv)和自助法(bootstrap)

• Neural Network: Simple Classification，Implementation for Section 11.6

• 高維問題例子: 例18.1的模擬