李航老师《统计学习》主要参考书目。勘误更新后版本，建有书签。 The Elements of Statistical Learning，745 pages Publisher: Springer; 2nd edition (2016) Language: English ISBN-10: 0387848576 ISBN-13: 978-0387848570 《统计学习基础(第2版)(英文)》内容简介：计算和信息技术的飞速发展带来了医学、生物学、财经和营销等诸多领域的海量数据。理解这些数据是一种挑战，这导致了统计学领域新工具的发展，并延伸到诸如数据挖掘、机器学习和生物信息学等新领域。许多工具都具有共同的基础，但常常用不同的术语来表达。《统计学习基础(第2版)(英文)》介绍了这些领域的一些重要概念。尽管应用的是统计学方法，但强调的是概念，而不是数学。许多例子附以彩图。《统计学习基础(第2版)(英文)》内容广泛，从有指导的学习（预测）到无指导的学习，应有尽有。包括神经网络、支持向量机、分类树和提升等主题，是同类书籍中介绍得最全面的。 《统计学习基础(第2版)(英文)》可作为高等院校相关专业本科生和研究生的教材，对于统计学相关人员、科学界和业界关注数据挖掘的人，《统计学习基础(第2版)(英文)》值得一读。

统计学习理论-看得非常开心，花10元下的，收一元吧 Vapnik V. Statistical Learning Theory (Wiley 1998)(400dpi)(T)(ISBN 0471030031)(740s).djvu

神经网络和统计学习（Neural networks and statistical learning） by K.-L. Du and M.N.s. Swamy

统计学习精要 答案

介绍如何用R语言进行大数据分析，监督学习以及无监督学习的实现

ESL答案 Solution ESL, A Solution Manual and Notes for: The Elements of Statistical Learning，2017最新版

发现之前已为我们提供了很棒的ISLR python版本 带有Python的ISLR R（ISLR）中的统计学习简介으Python으로 슬라이드나가자료 1장-简介 인공지능，머신러닝，데이터사이언스，예측분석을... 2장-统计学习 监督学习소개 3장-线性回归 statsmodel패키지사용하여 scikit-learn의OLS估计器사용하여 4장-分类 Logistic回归：scikit-learn estimator统计模型라이브러리사용하여， KNN回归分类：scikit-learn estimator사용하여， 回归指标（评估指标）：MAE，MSE，RMSE 分类器평가

3．4．2控制律初始值的确定 在上一节中，实际控制律是对虚拟控制律的积分，实际控制信号的值跟初始值f(0)密切 相关，由于积分有类似于“延时"的作用，选择不合理的初始值，会导致实际控制信号到达 所需控制信号的时间过长，表现为初始一段时间内的响应比较慢。因此，选择合适的初始控 制信号f(O)，是必须考虑的。 考虑到经典滑模控制理论中，SISO系统有限时间到达滑模面的充分条件是切换函数及其 导数的积小于零，直观理解是当切换函数为正时，导数为负，切换函数减小，向零点运动， 当切换函数为负时，导数为正，切换函数增大，也向零点运动，最终切换函数收敛到零点。 因此，考虑初始控制量t(O)满足条件岛【工(f)】毫【石(f)】 (3．47) 考虑满足墨【戈(o)】j。[x(o)】0，则‘(o)<一M。。(g)白4工(o)]，如果 s。[石(o)】一M。。(g)毛4x(o)】。因此，■(o)的选择可以归纳为 f。(o)=一sign(sl[x(o)】){^正l(9)I毛么【x(o)]l+s) (3．48) 这里￡为任意小的正常数。 对于％(o)，可以用同样的方法获得。综合起来，初始控制量r(0)选取为 t(o)=一s堙竹(墨[x(o)】){』‰(g)l忽彳【z(o)】I+占> (3．49) 这样的选择可以使系统具有较快的响应速度。 3．4．3虚拟控制律的选择 在3．3．2节中介绍了文献[46][51]所使用的虚拟控制律为 r 1 1 q(f)一q％sign 1 YU(f)一号yliM} (3．50) 切换函数中符号函数的参数比较复杂，是对于无法知道Y2(t)的信息时做的一种选择。而 在常规的滑模控制中，使用最多的，是以切换函数s【x(f)】作为符号函数参数的切换控制律， 这种控制律已经比较成熟，也比较直观。在3．3．1节中提到的“扭转算法"(twisting algorithm) 采用的虚拟控制律

电子书Distributed Optimization and Statistical Learning via the Alternating Direction Method of Multipliers，包含了拉格朗日乘子法等多种最优化算法，描述清晰，是国外一些论文的参考文献之一

统计学习：Trevor Hastie和Rob Tibshinari的“统计学习”斯坦福课程的幻灯片和R会议