一、《An Introduction to Statistical Learning》统计学导论
学习统计学可以从这本书入手《An Introduction to Statistical Learning》.
1、作者介绍
作者：加雷斯·詹姆斯（Gareth James）
James是南加州大学马歇尔商学院的教授，94年在奥克兰大学获得理学士学位和商业学士学位。98年获得博士学位。
进入其个人主页，首页上放的第一句话：
"Data is the sword of the 21st century, those who wield it well, the Samurai."
数据是21世纪的宝剑，使用得当的人可以变成武士。
2、书本适用对象
《An Introduction to Statistical Learning》这本书荣获Technometrics颁发的2014年Eric Ziegel奖。
随着互联网的发展，在各行业各领域的数据收集规模和范围的不断扩大，对于那些希望了解数据的人来说，统计学已成为至关重要的工具。《统计学习入门》对统计学习中的关键主题提供了广泛而较少的技术性处理。每章都包含一个R实验室。本书适合对象：希望使用现代工具进行数据分析的任何人。
3、书本下载地址
作者直接把他的第一个版本免费开放下载，
书本介绍及下载地址：An Introduction to Statistical Learning
二、《The elements of statistical learning》统计学习基础
这本书难度会有所上升，用到了大量的矩阵求导，且最好有一定的机器学习基础，不然，可能学起来会有点吃力。
1、作者：Hastie, Trevor, et al.
2、书里内容主要目录如下：
第一章：导言
第二章：监督学习的综述
第三章：回归的线性方法（新：LAR算法和lasso的一般化）
第四章：分类的线性方法（新：逻辑斯蒂回归的lasso轨迹）
第五章：基本的扩展和正则化（新：RKHS的补充说明）RKHS（再生核希尔伯特空间）
第六章：核光滑方法
第七章：模型评估与选择（新：交叉验证的长处与陷阱）
第八章：模型推论与平均
第九章：补充的模型、树以及相关的方法
第十章：Boosting和Additive Trees（新：生态学的新例子，一些材料分到了16章）
第十一章：神经网络（新：贝叶斯神经网络和2003年神经信息处理系统进展大会(NIPS)的挑战）
第十二章：支持向量机和灵活的判别式（新：SVM分类器的路径算法）
第十三章：原型方法和邻近算法
第十四章：非监督学习（新：谱聚类，核PCA，离散PCA，非负矩阵分解原型分析，非线性降维，谷歌pagerank算法，ICA的一个直接方法）
第十五章：随机森林
第十六章：实例学习
第十七章：无向图模型
第十八章：高维问题
知乎上有位答主“岳子涵”将这本书各章节主要内容都介绍了一下，对于啃起来毫无头絮的同学，可以参考。
The Elements of Statistical Learning 需要怎样的数学基础才能读懂？
3、下载地址
英文原版下载地址：
https://esl.hohoweiya.xyz/book/The%20Elements%20of%20Statistical%20Learning.pdf
中文版！中文版！查看地址：
https://esl.hohoweiya.xyz/index.html
4、对应的中文版教材《统计学习基础》--支持正版。
