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
独立事件与关联事件
这部分内容有帮助吗？
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, and Jerome Friedman, 2009 (Springer) - 全面涵盖统计学习方法，包括模型中的概率基础和假设。
- Pattern Recognition and Machine Learning, Christopher M. Bishop, 2006 (Springer) DOI: 10.1007/978-0-387-44958-6 - 提供了机器学习的详细概率视角，重点关注贝叶斯方法和独立性在其中的作用。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, Aurélien Géron, 2022 (O'Reilly Media) - 提供机器学习模型的实践示例和解释，包括朴素贝叶斯分类器及其独立性假设。