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 第4章 分类的线性方法 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 分离超平面第5章 基展开与正则化 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 计算考虑第7章 模型评估与选择 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 自助法第8章 模型推理和平均 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：冲击课程设计：利用所学的统计学习分类方法，对提供的数据进行训练，对测试数据进行分类。分析比较三类以上方法，试说明各类方法在处理各类数据中的优缺点。

(无)

(无)

• 1. T. Hastie, R. Tibshirani et al, 统计学习基础, 电子工业出版社,2001