统计学习方法资源汇总
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://cloud.tencent.com/developer/article/1434583
统计学习方法资源汇总
历时近半年《统计学习方法》的学习，今天告一段落。也没什么好说的，在学习过程遇到的一些坑，和搜集到的一些资料都在此汇总下，方便自己复习查阅。
统计学习方法总结
本书介绍了10种主要的统计学习方法：感知机、k邻近法、朴素贝叶斯、决策树、逻辑斯蒂回归与最大熵模型、支持向量机、提升发方法、EM算法、隐马尔可夫模型和条件随机场。这10中统计学习方法的特点概括总结在下表中。
建议学习顺序
1.k近邻法
所有方法中，最简单的模型，本质上并不算任何学习算法。参考博文有：
2. 决策树
决策树的核心在于对熵的理解，算法有ID3，C4.5，以及CART算法。参考的博文有：
3.感知机和支持向量机
这两部分都属于对几何空间的划分，可以放在一块学，支持向量机是感知机的升级版，该系列对数学的要求较高，是块难啃的骨头。参考博文有：
在总结之余，有一篇大神的博文高达56万的阅读量，可谓是SVM典型之作，强烈推荐。
4.朴素贝叶斯方法
深刻的贝叶斯原理，它的哲学绝对不是一行简单的贝叶斯公式所能描述的。参考博文有：
又发掘了一篇大神之作，现居美国研究心理学，从他口中叙述的贝叶斯令人印象深刻，强烈推荐。
5.逻辑斯蒂回归模型与最大熵模型
对熵有了一定的概念之后，以及了解了概率模型的极大似然估计方法后，便可以开始上述两个模型的学习了。参考博文有：
关于最大熵模型，可以参考吴军之作《数学之美》，深入浅出。
6. EM算法及隐马尔可夫模型
EM算法是解决含隐变量问题的迭代算法，是隐马尔可夫模型中Baum-Welch算法的一般形式，所以必须先学习EM算法，才能理解隐马尔可夫模型的学习算法。而隐马尔可夫模型则可归结为三个大问题：概率计算，参数学习，模型预测。参考的博文有：
关于EM算法的参考资料较多，可以直接参看上述博文的参考文献。
大神之作总是需要单独拎出来，说一下，讲的实在是太棒了。
7. 条件随机场
它是这本书的终极大boss，谁叫它放在了最后呢，它可谓是朴素贝叶斯、逻辑斯蒂回归、最大熵模型及隐马尔科夫模型的综合升级版。所以必须最后一个学，否则云里雾里。参考博文有：
那么这里就有一篇关于应用【概率模型】进行多元分类和序列标注的introduction，参考链接如下：
能帮助你理解书中所提到的【判别模型】和【生成模型】的区别。
8. 提升方法
指数损失函数的经典应用，三个臭皮匠顶个诸葛亮。参考博文有：
提升方法，引入了计算机学习理论PAC，发现了一位大牛，毕业于浙江大学，留美博士，链接如下：
机器学习牛博推荐
这一部分，推荐几位我认为在机器学习领域的大牛，呵呵，看着他们的博客长大，感觉自己差点变牛了，然而还差一大截，唉。
他总结了《统计学习方法》中的所有章节，基本上是抄书，但是每个章节都有相应的代码，我博文中的代码基本上全来源于该博文，是开源项目NLP的作者，牛！
我爱自然语言处理 ： http://www.52nlp.cn
里面有很多统计学中各种分布的知识，非常深刻有趣，大部分资源也可以从中找。
阮一峰的网络日志 ： http://www.ruanyifeng.com/blog/
上海财大经济学博士，非常博学，出版《ECMAScript 6入门》、《黑客与画家》、《软件随想录》等等。
CSDN July 大神：http://blog.csdn.net/v_july_v/article/details/7624837
七月在线的CEO，专注于机器学习的教学，看了他的SVM三重境界，变成了他的小粉。对算法也颇有研究，强烈推荐。
Free Mind ： http://blog.pluskid.org/?p=772
浙大本科硕士，留美深造，数学功底强至令人折服，不怕虐可以看看。
刘未鹏 | Mind Hacks 思维改变生活 ： http://mindhacks.cn/
南大本科，现依旧在美国，所写文章深刻而哲学，喜欢研究认知心理学，但在机器学习领域也有深刻的认识，所谓知己知彼百战百胜，对如何学习有着自己独特的见解。
优化算法专栏：http://blog.csdn.net/column/details/optimization-a.html
zouxy09的专栏：http://blog.csdn.net/zouxy09
未完待续
更新进行时…