统计学习精要

1. Introduction2. Overview of Supervised Learning 

有监督学习的overview。

3.  Linear Methods for Regression4. Linear Methods for Classification

线性方法，包括 回归问题 和 判别问题。

5. Basis Expansions and Regularization

简单的预测方法。

6. Kernel Smoothing Methods

局部回归的核方法。

7. Model Assessment and Selection

模型的选择问题。

8.  Model Inference and Averaging

统计推断与平均。包括最大似然，贝叶斯推断和bootstrap（重采样），EM算法，吉布斯采样，集成估计bagging。

9. Additive Models, Trees, and Related Methods10. Boosting and Additive Trees11. Neural Networks12. Support Vector Machines and Flexible Discriminants13. Prototype Methods and Nearest-Neighbors

一些监督学习的结构方法。9-11是回归方法，比如可加模型，树等。12-13是分类问题。

14. Unsupervised Learning

这里讲了一下各种非监督学习的方法。

15. Random Forests16. Ensemble Learning

两个最近的结果：随机森林和集成学习。

17. Undirected Graphical Models 18. High-Dimensional Problems