Stanford

《统计学习基础》是由斯坦福大学的三位统计学教授Trevor Hastie、Robert Tibshirani和Jerome Friedman合著的一本权威参考书。该书涵盖了统计学习、数据挖掘、机器学习和生物信息学的核心概念，将这些知识整合在统一的理论框架中。随着信息技术的发展，海量数据在医学、生物、金融等领域涌现，为数据分析提出了巨大挑战。本书通过系统的介绍帮助读者理解并应对这些挑战。书中内容包括监督学习（如预测）、非监督学习，神经网络、支持向量机、分类树和提升方法，后者首次在书中得到详细论述。新增主题涉及图模型、随机森林、集成方法等，另有专章讨论了处理宽数据的方法，如多重测试与假发现率。本书以统计学方法为主，强调概念，并辅以丰富实例和彩色图形，帮助统计学家和工业界人士更好地理解和应用统计学习的工具和方法。

Stanford大学网络分析课程13-19章详细手册信息 课程介绍和图表结构 09/25讲座01 - 09/27 网络测量和随机图模型 10/02 讲座03 - PageRank算法 10/04 网络构建、推断和反卷积 10/09 Motifs和Graphlets 10/11 网络中的社区结构 10/16 社区检测：谱聚类 10/18 链接预测 10/23 图表示学习 10/25 网络效应和级联行为（1） 10/30 网络效应和级联行为（2） 11/01 网络中的影响最大化 11/06 网络爆发检测 11/08 网络鲁棒性和优先附加 11/13 网络中心性 11/15 信息传递和节点分类 11/27 网络演化 12/04 知识图谱及其应用

Stanford的Fei Li在2005年ICCV会议上展示了一个词袋模型的示例程序，需要进行路径和其他细节的修改，以确保程序可以成功运行，尤其是codebook文件的补充。