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
第 1 章测验
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
第 2 章测验
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
第 3 章测验
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
第 4 章测验
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
第 5 章测验
衡量中心：均值、中位数和众数
这部分内容有帮助吗？
- OpenIntro Statistics, David M Diez, Christopher D Barr, Mine Çetinkaya-Rundel, 2019 (OpenIntro) - 一本广泛使用、免费且易于获取的教科书，为描述性统计学奠定了坚实基础，详细解释了均值、中位数和众数。
- Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python, Peter Bruce, Andrew Bruce, Peter Gedeck, 2020 (O'Reilly Media) - 本书连接经典统计学与数据科学，提供了关于集中趋势度量如何在机器学习背景下应用和解释的实用见解。
- Introduction to Probability and Statistics (MIT OpenCourseWare 18.05), Jeremy Orloff, Jonathan Bloom, 2014 (MIT OpenCourseWare) - 提供了麻省理工学院大学水平的讲义和课程材料，涵盖了基本的统计概念，包括对集中趋势度量的详尽解释。
© 2025 ApX Machine LearningEngineered with