# 《统计学习方法》 - 7天学习计划

## 第1天：概览与感知机（第一章、第二章）
- 统计学习的基本概念（定义、特性）
- 感知机的形式定义和模型
- 感知机学习策略和算法（原始对偶形式）
- Python实现感知机

## 第2天：k近邻法与贝叶斯分类
- kNN算法原理和距离度量
- kNN的决策规则
- 朴素贝叶斯分类器
- 条件概率与贝叶斯公式应用

## 第3天：决策树与逻辑回归
- 决策树的划分准则（基尼系数、信息熵）
- ID3、C4.5、CART算法
- 逻辑斯谛回归模型
- 损失函数和最大似然估计

## 第4天：支持向量机
- 线性可分支持向量机
- 序列最小优化算法（SMO）
- 核函数和核方法
- 软间隔支持向量机

## 第5天：提升方法
- 提升方法概论
- AdaBoost算法
- GBDT算法
- 提升方法的缺点分析

## 第6天：无监督学习（无监督学习概论）
- 聚类问题概述
- K-Means算法
- 层次聚类
- 密度聚类

## 第7天：复习与总结
- 回顾7天学习内容
- 整理知识点图谱
- 重点习题解答
- 与其他机器学习方法的对比