李航老师的《统计学习方法》可以说是机器学习的入门宝典，我将这本书的算法用Python代码复现了，并做成在线阅读版本，可以利用碎片时间阅读。（黄海广）
资源介绍
我初学机器学习过程中，李航老师的《统计学习方法》给我极大的帮助，我试着从github搜索下载和自己修改代码，把这本书用python代码实现了，并放到了github下载（差不多7700+star）：\
今年7月我参加机器之心举办的GMIS峰会，见到来了李航老师，加了微信，简单交流了下，我做的这个项目得到了李航老师的肯定。
很多朋友希望能在手机上利用碎片时间学习，于是我把完整代码放在了公众号文章里，并在本文做好阅读目录，可以在线打开学习。
图书购买
尊重李航老师的劳动成果，拒绝盗版。
资料说明
《统计学习方法》第一版于 2012年出版，讲述了统计机器学习方法，主要是一些常用的监督学习方法。第二版增加了一些常用的无监督学习方法，由此本书涵盖了传统统计机器学习方法的主要内容。第一版和第二版前面十二章相同，第二版多了无监督学习的内容：
目录
第1篇 监督掌习（ 代码已经完成，点击相应章节打开 ）
第1章统计学习及监督学习概论
第2章感知机
第3章k近邻法
第4章朴素贝叶斯法
第5章决策树
第6章逻辑斯谛回归与最大熵模型
第7章支持向量机
第8章提升方法
第9章EM算法及其推广
第10章隐马尔可夫模型
第11章条件随机场
第12章监督学习方法总结\
第2篇无监督学习（ 还在制作中 ）
第13章无监督学习概论
第14章聚类方法
第15章奇异值分解
第16章主成分分析
第17章潜在语义分析
第18章概率潜在语义分析
第19章马尔可夫链蒙特卡罗法\
第20章 潜在狄利克雷分配
第21章 PageRank算法\
第22章 无监督学习方法总结
附录A 梯度下降法
附录B 牛顿法和拟牛顿法
附录C 拉格朗日对偶性
附录D 矩阵的基本子空间
附录E KL散度的定义和狄利克雷分布的性质
建议学习方法
使用微信收藏本文，学习的时候，从本文点击相关章节的链接进行学习。
文章里也是完整代码，如果需要下载代码学习，请访问github：\
