书籍介绍
统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。本书分为监督学 习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k 近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM 算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和 PageRank 算法等。除有关统计学习、监督学习和无监督学习的概论和总结的四章外，每章介绍一种方法。叙述力求从具体问题或实例入手， 由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。 为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。 本书是统计机器学习及相关课程的教学参考书，适用于高等院校文本数据挖掘、信息检索及自然语言处理等专业的大学生、研究生，也可供从事计算机应用相关专业的研发人员参考。
目录
用户评论
特别棒，绝大部分部分内容清晰明了，还有非常丰富的扩展阅读，不过大多都是传统机器学习内容，如果再加上一本专门讲神经网络深度学习的书的话才算是把目前主流机器学习内容学全。
中式教材，不适合初学者读。所有算法都是只讲道理，不讲故事，如果不了解背景故事，真的很难明白到底这些算法能拿来干嘛。
很中国
只恨太晚看第一章
主要看了新增的无监督学习部分，说实话新增加的内容有点儿水，价格倒是涨了不少。
公式书，工具书。没有啰嗦和冗余，适合做参考，系统的学习机器学习还需要其他资料补充。另外有些新的算法没收录。
反反复复，复复反反。ml学习必备中文书籍。
国内统计学习教科书的天花板
快读完了 写得很牛
同时在看西瓜书和这本书，我自己觉得这本书更好，更能做到从简入深。但是不好的地方是难度有点高，很多地方省略了没展开，不适合本科生。