趋近智
机器学习的概率与统计要点
章节 1: 概率基本原理回顾
样本空间与事件回顾
条件概率与独立性
贝叶斯定理讲解
随机变量概述
期望值与方差
概率原理在 Python 中的应用
章节 2: 常用概率分布
伯努利分布和二项分布
泊松分布
均匀分布
正态（高斯）分布
指数分布
数据建模中的性质与应用
在 SciPy 中使用分布
动手实践：模拟与绘制分布
章节 3: 数据集的描述性统计
集中趋势的度量：均值、中位数、众数
离散度量：方差、标准差、极差
理解偏度和峰度
百分位数和四分位数
相关性分析
区分相关性与因果关系
数据总结的可视化
使用 Pandas 计算描述性统计量
实践：总结数据集
章节 4: 推断统计：抽样与估计
总体和样本
抽样方法概述
中心极限定理
理解点估计
置信区间说明
计算均值的置信区间
动手实践：抽样模拟与区间估计
章节 5: 模型评估的假设检验
制定零假设与备择假设
理解第一类和第二类错误
P值说明
T检验简介
卡方检验介绍
方差分析 (ANOVA) 概述
使用 Python 进行假设检验
实践：将T检验应用于样本数据
章节 6: 回归分析简介
简单线性回归模型
最小二乘估计法
解读回归系数
模型评估指标 (R平方, 均方误差)
线性回归的假设
多元线性回归概述
使用Python构建回归模型
动手实践：拟合与评估线性模型
抽样方法概述
这部分内容有帮助吗？
- Sampling: Design and Analysis, Sharon L. Lohr, 2021 (CRC Press) DOI: 10.1201/9780429298899 - 一本内容全面的教科书，涵盖了各种概率抽样设计的理论和实践方面，包括简单随机抽样、分层抽样、系统抽样和聚类抽样。
- Statistics, David Freedman, Robert Pisani, and Roger Purves, 2007 (W. W. Norton & Company) - 清晰直观地介绍了基本的统计概念，并深入涵盖了抽样原理、抽样误差以及代表性样本的重要性。
- User Guide - Cross-validation: evaluating estimator performance, scikit-learn developers, 2023 - 官方文档，阐释了抽样，特别是分层抽样，在机器学习中数据拆分和交叉验证中的应用，以确保模型评估的可靠性。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Aurélien Géron, 2022 (O'Reilly Media) - 一份实践指南，其中包含数据拆分策略的讨论，例如分类问题的分层抽样，及其在准备机器学习模型数据集中的作用。