趋近智
机器学习的概率统计要点
章节 1: 机器学习中的概率与统计入门
什么是概率与统计学？
机器学习中的相关性
了解数据类型
总体与样本
搭建Python环境
动手实践：加载和查看数据
章节 2: 描述性统计：数据概括
衡量中心：均值、中位数和众数
衡量离散程度：方差和标准差
衡量变异性：极差
理解百分位数与四分位数
可视化分布：直方图
可视化汇总：箱线图
使用 Python 计算描述性统计
实践：数据集汇总
章节 3: 概率基本原理
理解概率：事件与样本空间
计算简单概率
概率的集合论入门
条件概率讲解
独立事件与关联事件
贝叶斯定理简介
练习：概率计算
章节 4: 概率分布
什么是概率分布？
离散分布的概率质量函数 (PMF)
离散分布：伯努利
离散分布：二项分布
连续分布的概率密度函数 (PDF)
连续分布：均匀分布
连续型分布：正态（高斯）分布
中心极限定理
使用 Python 从分布生成样本
练习：使用分布
章节 5: 统计推断入门
从数据中得出结论
点估计
区间估计：置信区间
假设检验：基本思路
零假设与备择假设
理解P值
统计推断与机器学习评估的联系
练习：解释统计结果
机器学习中的相关性
这部分内容有帮助吗？
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, Jerome Friedman, 2009 (Springer) - 本书全面介绍了统计学习方法，概述了许多机器学习算法的统计和概率基础。
- Pattern Recognition and Machine Learning, Christopher M. Bishop, 2006 (Springer) - 本书从统一的贝叶斯概率视角介绍机器学习，描述了各种模型和算法的统计学基础。
- Practical Statistics for Data Scientists: 50 Essential Concepts, Peter Bruce, Andrew Bruce, Peter Gedeck, 2020 (O'Reilly Media) - 本书将统计概念与数据科学和机器学习中的实际应用相连接，为数据探索和模型评估提供了核心见解。
- Probability and Statistics for Engineers and Scientists, Ronald E. Walpole, Raymond H. Myers, Sharon L. Myers, Keying E. Ye, 2021 (Pearson) - 一本标准教科书，为概率论和统计推断提供了坚实的基础，对理解机器学习的数学基础至关重要。