ml-skill

スター1

フォーク0

更新日2026年7月14日 05:34

融合周志华《机器学习》(西瓜书)、李航《机器学习方法》、南瓜书公式推导、清华大学课件的统计学习与机器学习理论skill。涵盖监督学习、无监督学习、深度学习、强化学习等全套理论体系。用于学习机器学习理论、查阅概念公式、推导算法原理、辅助论文写作或工程实现。

インストール

Codex または Claude でインストールこの Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。

ソース

MaybeBio

MaybeBio/Machine-Learning-Skill

GitHub リポジトリを開く Creator のリポジトリを見る

ダウンロード

统计学习方法 - 机器学习理论融合 Skill

融合来源: 周志华《机器学习》(西瓜书) + 南瓜书(公式推导) + 李航《机器学习方法》(第二版) + 清华大学《统计学习方法》课件 生成日期: 2026-07-13 | 总章节: 28 | 定位: 理论解析 + 理论使用

How to Use This Skill

无参数 — 加载核心框架与决策规则
章节查询 — "ch06" 或 "SVM那一章" 加载指定章节全部内容
概念查询 — "什么是偏差-方差分解？" 或 "L1和L2正则化的区别？" 读取相关章节
对比查询 — "对比LR和SVM" / "Bagging和Boosting的区别"
公式推导 — "BP反向传播推导" / "EM算法E步M步推导"
算法选择 — "二分类不平衡数据用什么算法？" 根据决策规则给出建议
浏览 — "有哪些章节？" 查看完整章节索引

当你问及某个不在 Core Frameworks 中的具体话题时，我会加载对应章节文件来回答。

Core Frameworks & Mental Models

统计学习三要素（贯穿全书的核心框架）

一切统计学习方法都可分解为三个要素的统一体：

要素	内涵	示例
模型 (Model)	假设空间 $\mathcal{H} = {f_\theta \mid \theta \in \Theta}$	线性函数族、神经网络架构、决策树空间
策略 (Strategy)	按什么准则选择最优模型	经验风险最小化(ERM)、结构风险最小化(SRM)、极大似然估计
算法 (Algorithm)	求解最优模型的具体计算方法	梯度下降、SMO、EM、BP

应用法则: 面对任何新算法，先拆解它的三要素——模型是什么形式？损失函数是什么？优化方法是什么？

偏差-方差分解（模型选择的根本依据）

泛化误差 = $\text{Bias}^2 + \text{Variance} + \text{Noise}$

高偏差(欠拟合): 模型太简单 → 增加模型复杂度、添加特征、减少正则化
高方差(过拟合): 模型太复杂 → 增加数据、加正则化(L1/L2/Dropout)、早停、降维
噪声: 不可约误差，决定了贝叶斯最优误差下界

No Free Lunch 定理

在所有可能的问题上，所有学习算法的期望性能相同。脱离具体问题谈算法优劣毫无意义——算法必须在特定问题上下文中评估。归纳偏置(Inductive Bias)是学习能够发生的必要条件。

PAC学习与样本复杂度

Probably Approximately Correct: 以高概率 $(1-\delta)$ 学到近似正确 $(\epsilon)$ 的假设。样本复杂度 $m \geq \frac{1}{\epsilon}(\ln|\mathcal{H}| + \ln\frac{1}{\delta})$。VC维是二分类假设空间的复杂度度量——VC维越大，模型容量越高，所需样本越多。

正则化统一视角

$$\min_f \frac{1}{m}\sum_{i=1}^m L(y_i, f(\mathbf{x}_i)) + \lambda \cdot \Omega(f)$$

L1 (Lasso): $\Omega = |\mathbf{w}|_1$ → 稀疏解，特征选择
L2 (Ridge/权重衰减): $\Omega = |\mathbf{w}|_2^2$ → 收缩系数，防过拟合
Elastic Net: $\Omega = \alpha|\mathbf{w}|_1 + (1-\alpha)|\mathbf{w}|_2^2$ → 兼得稀疏与稳定性
Dropout: 训练时随机丢弃神经元 → 隐式Bagging
Early Stopping: 验证集误差开始上升时停止训练

模型选择决策链

数据 → [特征选择/降维] → [候选模型集] → [交叉验证评估] → [统计检验] → 选定模型
         ↑ L1/Relief        ↑ 按数据特点选  ↑ k-fold CV     ↑ McNemar/t-test

生成模型 vs 判别模型

	生成模型	判别模型
建模对象	$P(X, Y)$ 联合分布	$P(Y\|X)$ 条件分布或 $f(X)$ 决策函数
代表方法	朴素贝叶斯、HMM、LDA、GMM	逻辑回归、SVM、CRF、感知机
优势	可生成新样本，可处理缺失数据	通常精度更高，对判别任务更直接
选择	数据量少或需要理解数据生成机制时	纯粹分类/预测任务时优先

集成学习三范式

Bagging (降低方差): 并行训练，Bootstrap采样，投票/平均 → 随机森林
Boosting (降低偏差): 串行训练，逐步聚焦前一步的错分样本 → AdaBoost, GBDT, XGBoost
Stacking (学习法): 用次级学习器组合初级学习器输出

关键法则: 个体学习器必须"好而不同"——准确性与多样性缺一不可。

最大间隔与核技巧

SVM核心思想: 寻找使分类间隔最大化的分离超平面。通过Lagrange对偶转化为凸二次规划。核技巧隐式地在高维空间做内积而无需显式计算映射 $\phi(\cdot)$: $K(\mathbf{x}_i, \mathbf{x}_j) = \langle \phi(\mathbf{x}_i), \phi(\mathbf{x}_j) \rangle$。核函数需满足Mercer条件。

EM算法 = 含隐变量的MLE问题

当模型含不可观测的隐变量时，直接最大化 $\log P(X|\theta)$ 困难。EM交替进行:

E步: 基于当前参数 $\theta^{(t)}$ 计算隐变量的后验期望 → 构造 $Q(\theta, \theta^{(t)})$
M步: 最大化 $Q$ 得到 $\theta^{(t+1)}$

收敛到局部最优。GMM、HMM的Baum-Welch、K-means都是EM的特例。

深度学习的三个支柱

层次化表示学习: 浅层特征 → 中层模式 → 高层语义
端到端训练: 用可微的计算图连接输入到输出，自动求导 + SGD优化
结构先验: CNN的平移不变性(卷积+池化), RNN的时序依赖, Transformer的自注意力

Chapter Index

Part A: 绪论与基础 (2章)

#	Title	核心主题
ch01	绪论与统计学习概论	三要素、归纳偏置、NFL定理、监督/无监督分类、损失函数
ch02	模型评估与选择	交叉验证、P/R/F1/ROC/AUC、偏差-方差分解、统计检验

Part B: 传统监督学习 (12章)

#	Title	核心主题
ch03	感知机	原始/对偶形式、SGD、Novikoff收敛证明
ch04	k近邻法	距离度量、k值选择、kd-tree搜索
ch05	线性模型与逻辑回归	线性回归、Logistic回归、LDA、最大熵、GLM
ch06	决策树	ID3/C4.5/CART、信息增益、Gini指数、剪枝
ch07	神经网络与BP算法	感知机、BP推导、激活函数、优化算法
ch08	支持向量机	对偶理论、KKT条件、核技巧、SMO、SVR
ch09	贝叶斯分类器与朴素贝叶斯	贝叶斯定理、朴素贝叶斯、贝叶斯网、d-分离
ch10	集成学习与Boosting	Bagging/RF、Boosting/AdaBoost/GBDT、Stacking
ch11	EM算法	Jensen不等式、Q函数、GMM应用、收敛性
ch12	隐马尔可夫模型	前向-后向、Viterbi解码、Baum-Welch学习
ch13	条件随机场	特征函数、全局归一化、与HMM对比、标注偏置
ch14	监督学习方法总结	三要素统一表、模型分类、方法选择指南

Part C: 无监督学习 (4章)

#	Title	核心主题
ch15	聚类	k-means、GMM/EM、DBSCAN、层次聚类、性能度量
ch16	降维与度量学习	SVD、PCA、KPCA、流形学习(Isomap/LLE/t-SNE)、度量学习
ch17	概率图模型与话题模型	贝叶斯网、MRF、HMM、LSA/PLSA/LDA、MCMC、变分推断
ch18	无监督学习方法总结	聚类/降维/话题分析/图分析的统一视角、三要素表

Part D: 特种专题 (4章)

#	Title	核心主题
ch19	特征选择与稀疏学习	Relief、LVW、LASSO/L1正则化、PGD、字典学习
ch20	计算学习理论	PAC学习、VC维、Rademacher复杂度、泛化误差界
ch21	半监督学习	生成式方法、S3VM/TSVM、图方法、协同训练
ch22	规则学习	序贯覆盖、RIPPER、FOIL、ILP/一阶规则

Part E: 深度学习与前沿 (6章)

#	Title	核心主题
ch23	强化学习	MDP、Bellman方程、TD学习(SARSA/Q-Learning)、策略梯度
ch24	PageRank与LSA	幂法、随机游走、SVD与话题分析、NMF
ch25	卷积神经网络	卷积/池化、经典CNN架构、迁移学习
ch26	RNN与Seq2Seq	LSTM/GRU、编码器-解码器、Attention机制
ch27	预训练语言模型	Transformer、BERT、GPT、预训练+微调范式
ch28	GAN与深度学习总结	GAN原理与变体、深度学习三支柱、未来展望

Topic Index

AdaBoost → ch10
Attention/注意力 → ch26
AUC/ROC → ch02
Bagging → ch10
Bayes Theorem/贝叶斯定理 → ch09
Bellman Equation → ch23
BERT/GPT → ch27
Bias-Variance/偏差-方差 → ch02
Boosting → ch10
CNN/卷积神经网络 → ch25
CRF/条件随机场 → ch13
DBSCAN → ch15
Decision Tree/决策树 → ch06
Dropout → ch07
EM Algorithm → ch11
Ensemble/集成 → ch10
Feature Selection/特征选择 → ch19
GAN/生成对抗网络 → ch28
Gaussian Mixture Model → ch11, ch15
Gradient Boosting/XGBoost → ch10
HMM/隐马尔可夫模型 → ch12
k-means → ch15
k-NN → ch04
Kernel Trick/核技巧 → ch08
KKT Conditions → ch08
L1/L2 Regularization → ch05, ch19
Lasso/Ridge → ch05, ch19
LDA/线性判别分析 → ch05
Logistic Regression → ch05
LSTM/GRU → ch26
Maximum Entropy/最大熵 → ch05
MCMC → ch17
MDP/马尔可夫决策过程 → ch23
Naive Bayes/朴素贝叶斯 → ch09
NFL Theorem → ch01
PAC Learning → ch20
PageRank → ch24
PCA/主成分分析 → ch16
Perceptron/感知机 → ch03
PGM/概率图模型 → ch17
Q-Learning → ch23
Random Forest/随机森林 → ch10
Reinforcement Learning → ch23
RNN/循环神经网络 → ch26
Rule Learning/规则学习 → ch22
Seq2Seq → ch26
Semi-supervised/半监督 → ch21
SMO Algorithm → ch08
SRM/结构风险最小化 → ch01
SVD/奇异值分解 → ch16, ch24
SVM/支持向量机 → ch08
t-SNE → ch16
Transformer → ch27
VC Dimension/VC维 → ch20
Viterbi/维特比 → ch12

Supporting Files

glossary.md — 95+ 核心术语的精确定义与章节索引
patterns.md — 20+ 算法模式/设计模式，含使用场景与公式
cheatsheet.md — 决策规则表、算法选择指南、超参数默认值、常见误区速查

章节依赖关系与学习路径

关键前置依赖

ch11(EM) 依赖 ch09(贝叶斯) 的基本概率知识
ch27(预训练LM) 依赖 ch26(RNN/Seq2Seq) 和 ch07(NN基础)
ch12(HMM) 和 ch13(CRF) 依赖 ch17(概率图) 的PGM概念
ch16(降维) 依赖 ch24(PageRank/LSA) 的 SVD 部分
ch28(GAN总结) 依赖 ch25(CNN) 和 ch07(NN基础)

Scope & Limits

本 Skill 覆盖机器学习与统计学习的完整理论体系，融合4套中文教材的精华内容，共计28章。涵盖从最基础的概念（监督/无监督、过拟合）到前沿深度学习（Transformer、BERT、GAN）的全部理论知识点。

适用范围:

机器学习理论与算法的学习与复习
公式推导的精确查阅（含南瓜书和全部推导步骤）
算法选择与模型设计的理论指导
面试准备与知识体系梳理

不适用范围:

特定框架（PyTorch/TensorFlow）的API使用
最新前沿论文的方法细节（本Skill基于经典教材）
工程实践中的特定数据集调参经验

来源覆盖:

西瓜书(周志华) Ch1-16: 所有章节内容（入门理解与直观例子）
南瓜书: Ch1-16 全部公式推导
李航《机器学习方法》: Ch1-29 全部理论（方法与第二版全部内容）
清华大学课件: 核心章节实例与补充

name	ml-skill
description	融合周志华《机器学习》(西瓜书)、李航《机器学习方法》、南瓜书公式推导、清华大学课件的统计学习与机器学习理论skill。涵盖监督学习、无监督学习、深度学习、强化学习等全套理论体系。用于学习机器学习理论、查阅概念公式、推导算法原理、辅助论文写作或工程实现。

统计学习方法 - 机器学习理论融合 Skill

How to Use This Skill

无参数 — 加载核心框架与决策规则
章节查询 — "ch06" 或 "SVM那一章" 加载指定章节全部内容
概念查询 — "什么是偏差-方差分解？" 或 "L1和L2正则化的区别？" 读取相关章节
对比查询 — "对比LR和SVM" / "Bagging和Boosting的区别"
公式推导 — "BP反向传播推导" / "EM算法E步M步推导"
算法选择 — "二分类不平衡数据用什么算法？" 根据决策规则给出建议
浏览 — "有哪些章节？" 查看完整章节索引

当你问及某个不在 Core Frameworks 中的具体话题时，我会加载对应章节文件来回答。

Core Frameworks & Mental Models

统计学习三要素（贯穿全书的核心框架）

一切统计学习方法都可分解为三个要素的统一体：

要素	内涵	示例
模型 (Model)	假设空间 $\mathcal{H} = {f_\theta \mid \theta \in \Theta}$	线性函数族、神经网络架构、决策树空间
策略 (Strategy)	按什么准则选择最优模型	经验风险最小化(ERM)、结构风险最小化(SRM)、极大似然估计
算法 (Algorithm)	求解最优模型的具体计算方法	梯度下降、SMO、EM、BP

应用法则: 面对任何新算法，先拆解它的三要素——模型是什么形式？损失函数是什么？优化方法是什么？

偏差-方差分解（模型选择的根本依据）

泛化误差 = $\text{Bias}^2 + \text{Variance} + \text{Noise}$

高偏差(欠拟合): 模型太简单 → 增加模型复杂度、添加特征、减少正则化
高方差(过拟合): 模型太复杂 → 增加数据、加正则化(L1/L2/Dropout)、早停、降维
噪声: 不可约误差，决定了贝叶斯最优误差下界

No Free Lunch 定理

PAC学习与样本复杂度

正则化统一视角

$$\min_f \frac{1}{m}\sum_{i=1}^m L(y_i, f(\mathbf{x}_i)) + \lambda \cdot \Omega(f)$$

L1 (Lasso): $\Omega = |\mathbf{w}|_1$ → 稀疏解，特征选择
L2 (Ridge/权重衰减): $\Omega = |\mathbf{w}|_2^2$ → 收缩系数，防过拟合
Elastic Net: $\Omega = \alpha|\mathbf{w}|_1 + (1-\alpha)|\mathbf{w}|_2^2$ → 兼得稀疏与稳定性
Dropout: 训练时随机丢弃神经元 → 隐式Bagging
Early Stopping: 验证集误差开始上升时停止训练

模型选择决策链

数据 → [特征选择/降维] → [候选模型集] → [交叉验证评估] → [统计检验] → 选定模型
         ↑ L1/Relief        ↑ 按数据特点选  ↑ k-fold CV     ↑ McNemar/t-test

生成模型 vs 判别模型

	生成模型	判别模型
建模对象	$P(X, Y)$ 联合分布	$P(Y\|X)$ 条件分布或 $f(X)$ 决策函数
代表方法	朴素贝叶斯、HMM、LDA、GMM	逻辑回归、SVM、CRF、感知机
优势	可生成新样本，可处理缺失数据	通常精度更高，对判别任务更直接
选择	数据量少或需要理解数据生成机制时	纯粹分类/预测任务时优先

集成学习三范式

Bagging (降低方差): 并行训练，Bootstrap采样，投票/平均 → 随机森林
Boosting (降低偏差): 串行训练，逐步聚焦前一步的错分样本 → AdaBoost, GBDT, XGBoost
Stacking (学习法): 用次级学习器组合初级学习器输出

关键法则: 个体学习器必须"好而不同"——准确性与多样性缺一不可。

最大间隔与核技巧

EM算法 = 含隐变量的MLE问题

当模型含不可观测的隐变量时，直接最大化 $\log P(X|\theta)$ 困难。EM交替进行:

E步: 基于当前参数 $\theta^{(t)}$ 计算隐变量的后验期望 → 构造 $Q(\theta, \theta^{(t)})$
M步: 最大化 $Q$ 得到 $\theta^{(t+1)}$

收敛到局部最优。GMM、HMM的Baum-Welch、K-means都是EM的特例。

深度学习的三个支柱

层次化表示学习: 浅层特征 → 中层模式 → 高层语义
端到端训练: 用可微的计算图连接输入到输出，自动求导 + SGD优化
结构先验: CNN的平移不变性(卷积+池化), RNN的时序依赖, Transformer的自注意力

Chapter Index

Part A: 绪论与基础 (2章)

#	Title	核心主题
ch01	绪论与统计学习概论	三要素、归纳偏置、NFL定理、监督/无监督分类、损失函数
ch02	模型评估与选择	交叉验证、P/R/F1/ROC/AUC、偏差-方差分解、统计检验

Part B: 传统监督学习 (12章)

#	Title	核心主题
ch03	感知机	原始/对偶形式、SGD、Novikoff收敛证明
ch04	k近邻法	距离度量、k值选择、kd-tree搜索
ch05	线性模型与逻辑回归	线性回归、Logistic回归、LDA、最大熵、GLM
ch06	决策树	ID3/C4.5/CART、信息增益、Gini指数、剪枝
ch07	神经网络与BP算法	感知机、BP推导、激活函数、优化算法
ch08	支持向量机	对偶理论、KKT条件、核技巧、SMO、SVR
ch09	贝叶斯分类器与朴素贝叶斯	贝叶斯定理、朴素贝叶斯、贝叶斯网、d-分离
ch10	集成学习与Boosting	Bagging/RF、Boosting/AdaBoost/GBDT、Stacking
ch11	EM算法	Jensen不等式、Q函数、GMM应用、收敛性
ch12	隐马尔可夫模型	前向-后向、Viterbi解码、Baum-Welch学习
ch13	条件随机场	特征函数、全局归一化、与HMM对比、标注偏置
ch14	监督学习方法总结	三要素统一表、模型分类、方法选择指南

Part C: 无监督学习 (4章)

#	Title	核心主题
ch15	聚类	k-means、GMM/EM、DBSCAN、层次聚类、性能度量
ch16	降维与度量学习	SVD、PCA、KPCA、流形学习(Isomap/LLE/t-SNE)、度量学习
ch17	概率图模型与话题模型	贝叶斯网、MRF、HMM、LSA/PLSA/LDA、MCMC、变分推断
ch18	无监督学习方法总结	聚类/降维/话题分析/图分析的统一视角、三要素表

Part D: 特种专题 (4章)

#	Title	核心主题
ch19	特征选择与稀疏学习	Relief、LVW、LASSO/L1正则化、PGD、字典学习
ch20	计算学习理论	PAC学习、VC维、Rademacher复杂度、泛化误差界
ch21	半监督学习	生成式方法、S3VM/TSVM、图方法、协同训练
ch22	规则学习	序贯覆盖、RIPPER、FOIL、ILP/一阶规则

Part E: 深度学习与前沿 (6章)

#	Title	核心主题
ch23	强化学习	MDP、Bellman方程、TD学习(SARSA/Q-Learning)、策略梯度
ch24	PageRank与LSA	幂法、随机游走、SVD与话题分析、NMF
ch25	卷积神经网络	卷积/池化、经典CNN架构、迁移学习
ch26	RNN与Seq2Seq	LSTM/GRU、编码器-解码器、Attention机制
ch27	预训练语言模型	Transformer、BERT、GPT、预训练+微调范式
ch28	GAN与深度学习总结	GAN原理与变体、深度学习三支柱、未来展望

Topic Index

AdaBoost → ch10
Attention/注意力 → ch26
AUC/ROC → ch02
Bagging → ch10
Bayes Theorem/贝叶斯定理 → ch09
Bellman Equation → ch23
BERT/GPT → ch27
Bias-Variance/偏差-方差 → ch02
Boosting → ch10
CNN/卷积神经网络 → ch25
CRF/条件随机场 → ch13
DBSCAN → ch15
Decision Tree/决策树 → ch06
Dropout → ch07
EM Algorithm → ch11
Ensemble/集成 → ch10
Feature Selection/特征选择 → ch19
GAN/生成对抗网络 → ch28
Gaussian Mixture Model → ch11, ch15
Gradient Boosting/XGBoost → ch10
HMM/隐马尔可夫模型 → ch12
k-means → ch15
k-NN → ch04
Kernel Trick/核技巧 → ch08
KKT Conditions → ch08
L1/L2 Regularization → ch05, ch19
Lasso/Ridge → ch05, ch19
LDA/线性判别分析 → ch05
Logistic Regression → ch05
LSTM/GRU → ch26
Maximum Entropy/最大熵 → ch05
MCMC → ch17
MDP/马尔可夫决策过程 → ch23
Naive Bayes/朴素贝叶斯 → ch09
NFL Theorem → ch01
PAC Learning → ch20
PageRank → ch24
PCA/主成分分析 → ch16
Perceptron/感知机 → ch03
PGM/概率图模型 → ch17
Q-Learning → ch23
Random Forest/随机森林 → ch10
Reinforcement Learning → ch23
RNN/循环神经网络 → ch26
Rule Learning/规则学习 → ch22
Seq2Seq → ch26
Semi-supervised/半监督 → ch21
SMO Algorithm → ch08
SRM/结构风险最小化 → ch01
SVD/奇异值分解 → ch16, ch24
SVM/支持向量机 → ch08
t-SNE → ch16
Transformer → ch27
VC Dimension/VC维 → ch20
Viterbi/维特比 → ch12

Supporting Files

glossary.md — 95+ 核心术语的精确定义与章节索引
patterns.md — 20+ 算法模式/设计模式，含使用场景与公式
cheatsheet.md — 决策规则表、算法选择指南、超参数默认值、常见误区速查

章节依赖关系与学习路径

关键前置依赖

ch11(EM) 依赖 ch09(贝叶斯) 的基本概率知识
ch27(预训练LM) 依赖 ch26(RNN/Seq2Seq) 和 ch07(NN基础)
ch12(HMM) 和 ch13(CRF) 依赖 ch17(概率图) 的PGM概念
ch16(降维) 依赖 ch24(PageRank/LSA) 的 SVD 部分
ch28(GAN总结) 依赖 ch25(CNN) 和 ch07(NN基础)

Scope & Limits

适用范围:

机器学习理论与算法的学习与复习
公式推导的精确查阅（含南瓜书和全部推导步骤）
算法选择与模型设计的理论指导
面试准备与知识体系梳理

不适用范围:

特定框架（PyTorch/TensorFlow）的API使用
最新前沿论文的方法细节（本Skill基于经典教材）
工程实践中的特定数据集调参经验

来源覆盖:

西瓜书(周志华) Ch1-16: 所有章节内容（入门理解与直观例子）
南瓜书: Ch1-16 全部公式推导
李航《机器学习方法》: Ch1-29 全部理论（方法与第二版全部内容）
清华大学课件: 核心章节实例与补充

ml-skill

统计学习方法 - 机器学习理论融合 Skill

How to Use This Skill

Core Frameworks & Mental Models

统计学习三要素（贯穿全书的核心框架）

偏差-方差分解（模型选择的根本依据）

No Free Lunch 定理

PAC学习与样本复杂度

正则化统一视角

模型选择决策链

生成模型 vs 判别模型

集成学习三范式

最大间隔与核技巧

EM算法 = 含隐变量的MLE问题

深度学习的三个支柱

Chapter Index

Part A: 绪论与基础 (2章)

Part B: 传统监督学习 (12章)

Part C: 无监督学习 (4章)

Part D: 特种专题 (4章)

Part E: 深度学习与前沿 (6章)

Topic Index

Supporting Files

章节依赖关系与学习路径

推荐学习次序

关键前置依赖

Scope & Limits

统计学习方法 - 机器学习理论融合 Skill

How to Use This Skill

Core Frameworks & Mental Models

统计学习三要素（贯穿全书的核心框架）

偏差-方差分解（模型选择的根本依据）

No Free Lunch 定理

PAC学习与样本复杂度

正则化统一视角

模型选择决策链

生成模型 vs 判别模型

集成学习三范式

最大间隔与核技巧

EM算法 = 含隐变量的MLE问题

深度学习的三个支柱

Chapter Index

Part A: 绪论与基础 (2章)

Part B: 传统监督学习 (12章)

Part C: 无监督学习 (4章)

Part D: 特种专题 (4章)

Part E: 深度学习与前沿 (6章)

Topic Index

Supporting Files

章节依赖关系与学习路径

推荐学习次序

关键前置依赖

Scope & Limits