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
点估计
这部分内容有帮助吗？
- Statistical Inference, George Casella, Roger L. Berger, 2002 (Duxbury Thomson Learning) DOI: 10.1201/9781003456285 - 一本关于统计推断的综合教材，涵盖了点估计的理论基础、估计量的性质以及寻找良好估计量的方法。
- Probability and Statistics, Morris H. DeGroot and Mark J. Schervish, 2012 (Pearson) - 清晰阐释了点估计，区分了总体参数和样本统计量，并展示了常见估计量。
- Practical Statistics for Data Scientists: 50 Essential Concepts, Peter Bruce, Andrew Bruce, Peter Gedeck, 2020 (O'Reilly Media) - 讨论了位置和变异性的估计，为点估计在数据科学和机器学习应用中的使用提供了实践背景。
- Introduction to Probability and Statistics, Jeremy Orloff, Jonathan Bloom, 2014 (MIT OpenCourseWare) - 麻省理工学院的免费在线课程资料，涵盖了统计推断的基础概念，包括参数、统计量和点估计。