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
离散分布：二项分布
这部分内容有帮助吗？
- A First Course in Probability, Sheldon M. Ross, 2019 (Pearson) - 一本广泛使用的教材，对概率论进行了全面而严谨的介绍，详细讲解了包括二项分布在内的离散分布。
- Lecture 4: Discrete Random Variables (Part 1 and 2) from 6.041SC Probabilistic Systems Analysis and Applied Probability, John Tsitsiklis and Patrick Jaillet, 2010 (MIT OpenCourseWare) - 提供麻省理工学院课程的高质量讲义和视频讲解，以学术方法理解离散概率分布，包括二项分布。
- All of Statistics: A Concise Course in Statistical Inference, Larry Wasserman, 2004 (Springer) DOI: 10.1007/978-0-387-21736-9 - 一本基础教材，涵盖统计学基本概念，侧重统计推断，对寻求二项分布等理论基础的机器学习从业者非常有价值。
- Probability and Statistics, Morris H. DeGroot, Mark J. Schervish, 2012 (Pearson) - 一本经典且备受推崇的教材，对概率论和统计推断进行了全面且易于理解的介绍，包含离散分布的详细章节。