章节	内容	日期	负责人
第1章	统计学习方法概论1-24页	10.09-10.15
第2章	感知机25-36页	10.09-10.15
第3章	k近邻法37-45页	10.16-10.22
第4章	朴素贝叶斯法47-53页	10.16-10.22
第5章	决策树55-75页	10.23-10.29
第6章	逻辑斯谛回归与最大熵模型77-94页	10.30-11.05
第7章	支持向量机95-134页	11.06-11.19
第8章	提升方法137-153页	11.20-11.26
第9章	EM算法及其推广155-170页	11.27-12.03
第10章	隐马尔可夫模型171-189页	12.04-12.17
第11章	条件随机场191-210页	12.18-12.31

练习内容：熟练 KNN（K 邻近）算法的**和编码实现

详细说明：利用 python 语言实现 KNN 算法，并对收集的鸢尾花数据进行分类。鸢尾花数据 分为两部分，一部分为 104 个带类别标记的样本组成的训练集，另一部分为不带类别标记的 46 个样本组成的测试集，要求对 46 个不带类别标记的样本进行预测。文件夹内包内含4个文件， 分别为 data-description.txt, training.txt, test.txt,knn.py。knn.py 为需要你来完成的代码。

输入与输出：输入训练集与测试集数据（见文本文件），输出分类正确率，召回率，F1

注意：请尽量不要调用第三方的直接实现，如scikit-learn

Deadline：2017-10-31

练习内容：熟练回归模型的**和编码实现，掌握梯度下降和正则化方法。

详细说明：使用python语言实现回归模型，利用收集的NACA0012 airfoils数据对模型进行训练。 Airfoils 数据分为两部分，一部分为1052 个包含sound pressure level连续值输出的样本组成的训练集， 另一部分为不包含sound pressure level输出的451个样本组成的测试集，要求对451个不带输出值的样本进行输出预测。 文件夹内包含四个文件，分别为data-description.txt, training.txt, test.txt, linear.py。 其中linear.py为需要你来完成的代码。

输入与输出：输入训练集（6维）与测试集（5维）数据（见文本文件），输出为预测值与真实值的误差平方和。误差越小，则拟合越好。

提示:可以分别尝试用线性模型和多项式模型拟合训练数据，并用梯度下降法来求解模型参数，找到表现更好的模型。如果选择高阶多项式模型，请注意使用正则化项来避免模型过拟合，以提升模型在测试集上的表现。

注意：请尽量不要调用第三方的直接实现，如scikit-learn

Deadline：2017-11-20