译者：szcf-weiya
ESL 指的是 The Elements of Statistical Learning。因为（译者）自己也是统计学专业，所以想研读这本书，同时实现书中的算法及其例子，并尝试解决习题。
说明
参考文献保留原书的写法，如 “Efron and Tibshirani (1993)” 指的是 “Efron, B. and Tibshirani, R. (1993). An Introduction to the Bootstrap, Chapman and Hall, London.”；并且为了查阅方便，特别在每章的 “Bibliographic Notes” 中用脚注列出了相应的参考文献，查阅过的文献，还附上了下载链接。该项目不仅仅是单纯地翻译原书，也在实现书中的一些算法或者例子。这些代码都可以在这里找到，也可以在 Issues 中找到部分习题的解答。限于（译者）本人英语水平以及统计知识，很多地方可能翻译不到位，欢迎大家指出来，Issue 或者评论均可，错别字以及数学公式解析错误的也可以指出。
目录
主页序言 第二版序言第一版序言 1 简介 1.1 导言 2 监督学习概要 2.1 导言2.2 变量类型和术语2.3 两种预测的简单方法2.4 统计判别理论2.5 高维问题的局部方法2.6 统计模型，监督学习和函数逼近2.7 结构化的回归模型2.8 限制性估计的种类2.9 模型选择和偏差-方差的权衡文献笔记 3 回归的线性方法 3.1 导言3.2 线性回归模型和最小二乘法3.3 子集的选择3.4 收缩的方法3.5 运用派生输入方向的方法3.6 选择和收缩方法的比较3.7 多重输出的收缩和选择3.8 Lasso 和相关路径算法的补充3.9 计算上的考虑文献笔记 4 分类的线性方法 4.1 导言4.2 指示矩阵的线性回归4.3 线性判别分析4.4 逻辑斯蒂回归4.5 分离超平面文献笔记 5 基展开和正规化 5.1 导言5.2 分段多项式和样条5.3 滤波和特征提取5.4 光滑样条5.5 光滑参数的自动选择5.6 非参逻辑斯蒂回归5.7 多维样条5.8 正则化和再生核希尔伯特空间理论5.9 小波光滑文献笔记附录-B 样条的计算 6 核光滑方法 6.0 导言6.1 一维核光滑器6.2 选择核的宽度6.3IRpIRp中的局部回归6.4IRpIRp中的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 混合模型的密度估计和分类6.9 计算上的考虑文献笔记 7 模型评估及选择 7.1 导言7.2 偏差，方差和模型复杂度7.3 偏差-方差分解7.4 测试误差率的 optimism7.5 样本内预测误差的估计7.6 参数的有效个数7.7 贝叶斯方法和 BIC7.8 最小描述长度7.9 VC 维7.10 交叉验证7.11 自助法7.12 条件测试误差或期望测试误差文献笔记 8 模型推断和平均 8.1 导言8.2 自助法和最大似然法8.3 贝叶斯方法8.4 自助法和贝叶斯推断之间的关系8.5 EM 算法8.6 从后验分布采样的 MCMC8.7 袋装法8.8 模型平均和堆栈8.9 随机搜索文献笔记 9 增广模型，树，以及相关方法 9.0 导言9.1 广义可加模型9.2 基于树的方法9.3 PRIM9.4 多变量自适应回归样条9.5 专家的分层混合9.6 缺失数据9.7 计算上的考虑文献笔记 10 增强和可加树 10.1 boosting 方法10.2 boosting 拟合可加模型10.3 向前逐步加性建模10.4 指数损失和 AdaBoost10.5 为什么是指数损失10.6 损失函数和鲁棒性10.7 数据挖掘的现货方法10.8 垃圾邮件的例子10.9 boosting 树10.10 Gradient Boosting 的数值优化10.11 大小合适的 boosting 树10.12 正则化文献笔记 11 神经网络 11.1 导言11.2 投影寻踪回归11.3 神经网络11.4 拟合神经网络11.5 训练神经网络的一些问题11.6 模拟数据的例子11.7 邮编数字的例子文献笔记 12 支持向量机和灵活的判别方法 12.1 导言12.2 支持向量分类器12.3 支持向量机和核12.4 广义线性判别分析12.5 FDA12.6 PDA12.7 混合判别分析计算上的考虑文献笔记 13 原型方法和最近邻 13.1 导言13.2 原型方法13.3 k 最近邻分类器13.4 自适应的最近邻方法13.5 计算上的考虑文献笔记 14 非监督学习 14.1 导言14.2 关联规则14.3 聚类分析14.4 自组织图14.5 主成分，主曲线以及主曲面14.6 非负矩阵分解14.7 独立成分分析和探索投影寻踪14.8 多维缩放14.9 非线性降维和局部多维缩放14.10 谷歌的 PageRank 算法文献笔记 15 随机森林 15.1 导言15.2 随机森林的定义15.3 随机森林的细节15.4 随机森林的分析文献笔记 16 集成学习 16.1 导言16.2 增强和正则路径16.3 学习集成文献笔记 17 无向图模型 17.1 导言17.2 马尔科夫图及其性质17.3 连续变量的无向图模型17.4 离散变量的无向图模型文献笔记 18 高维问题 18.1 当 p 大于 N18.2 对角线性判别分析和最近收缩重心18.3 二次正则的线性分类器18.4 一次正则的线性分类器18.5 当特征不可用时的分类18.6 有监督的主成分18.7 特征评估和多重检验问题文献笔记
