《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