所有课程

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

第 1 章测验

章节 2: 常用概率分布

伯努利分布和二项分布

正态（高斯）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

第 2 章测验

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

第 3 章测验

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

第 4 章测验

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

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

第 5 章测验

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

第 6 章测验

使用Python构建回归模型

这部分内容有帮助吗？

参考文献

An Introduction to Statistical Learning: With Applications in Python, Gareth James, Daniela Witten, Trevor Hastie, Rob Tibshirani, Jonathan Taylor, 2023 (Springer) DOI: 10.1007/978-3-031-38747-0 - 为统计学习提供了坚实的基础，涵盖了线性回归理论、模型评估和机器学习视角的解释，现在包含Python应用。
Statsmodels Documentation: Ordinary Least Squares (OLS), The Statsmodels Developers, 2024 - statsmodels库的官方文档，提供了使用其统计模型（包括OLS）进行推断和综合输出分析的详细指南。
scikit-learn User Guide: 1.1. Linear Models, The scikit-learn developers, 2024 (scikit-learn project) - scikit-learn线性模型的官方用户指南，解释了LinearRegression的API及其在机器学习工作流中的应用。
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, Aurélien Géron, 2022 (O'Reilly Media) - 一本实用的教科书，用于使用scikit-learn构建和评估机器学习模型，其中包含线性回归和更广泛的机器学习概念的实践示例。

© 2025 ApX Machine Learning用心打造