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
使用Python构建回归模型
这部分内容有帮助吗？
- 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。