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
理解概率：事件与样本空间
这部分内容有帮助吗？
- A First Course in Probability, Sheldon Ross, 2019 (Pearson) - 涵盖实验、结果、样本空间和事件等基本概率概念的本科教材。（第10版）
- Introduction to Probability (Course 6.041SC), John Tsitsiklis, Patrick Jaillet, 2018 (MIT OpenCourseWare) - 基础大学课程材料，提供概率论基础知识的讲座和习题。
- Introduction to Probability, Charles M. Grinstead and J. Laurie Snell, 2006 (American Mathematical Society) - 备受推崇的教材，清晰易懂地介绍概率论，包括实验、结果、样本空间和事件的定义。
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 第三章介绍机器学习基础概率论概念，包括实验、结果、样本空间和事件。