没错！经典教材《统计学习导论》现在有了 Python版！

↑ 点击蓝字关注机器学习社区

《统计学习导论》很经典，但用的是 R 语言，没关系，这里有份 Python 版习题实现。

斯坦福经典教材《The Element of Statistical Learning》（简称 ESL）被称为频率学派的统计学习「圣经」，由三位统计学大师——Trevor Hastie、Robert Tibshirani、Jerome Friedman 共同完成。这本书介绍了神经网络、支持向量机、分类树和 boosting、图模型、随机森林、集成方法、Lasso 最小角度回归和路径算法、非负矩阵分解和谱聚类等各类机器学习算法，可以帮助读者了解机器学习算法全貌。

但对于刚入门的小白来说，把这本经典教材啃下来难度还是相当大的，因为书中有大量的公式、矩阵推导，总长度达到 700 多页。因此，Trevor Hastie 等人又写了一本入门级的《Introduction to Statistical Learning with R（统计学习导论：基于 R 应用）》（简称 ISL），帮助更多的人尽快上手。ISL 弱化了数学推导的细节，更注重方法的应用，相当于 ESL 的导读版，在入门读者中很受欢迎。

但美中不足的是，书中的练习是用 R 语言来实现的，这对于主要使用 Python 语言的机器学习研究者来说不太友好。

为了克服这一障碍，有人尝试用 Python 语言解决了书里的所有概念、应用练习，并将其上传到了 GitHub。

除了练习之外，他还提供了书中某些话题的 Python 教程并重制了一些图表。

作者表示，完成这项工作并不简单，需要做很多研究工作，书中也可能存在纰漏。

和原书对应，作者给出的 Python 解决方案正文也分为以下九章：

统计学习
线性回归
分类
重采样方法
线性模型选择与正则化
非线性模型
基于树的方法
支持向量机
无监督学习

每章至少包含两部分：应用问题和概念问题，对应书中两种不同的练习题。

第四章的「应用问题」部分。

如果你正在读这本书或者想重新做一下书里的练习，可以参考这份 Python 版资料，也可以跟着教材的配套视频边学边做。

领取方式：

长按扫码，发消息 [导论]