# 機器學習的所有統計數據 > 原文： [https://machinelearningmastery.com/all-of-statistics-for-machine-learning/](https://machinelearningmastery.com/all-of-statistics-for-machine-learning/) 統計學的基礎要求作為機器學習從業者有效。 “[所有統計學](https://amzn.to/2uPjuA7)”一書專門為可能對數據挖掘和機器學習感興趣的計算機科學本科生提供概率和統計學基礎。因此，它經常被推薦作為一本書來加工有興趣擴展他們對統計學的理解的學習從業者。 在這篇文章中，您將發現“全部統計”一書，它涵蓋的主題以及面向機器學習從業者的閱讀列表。 閱讀這篇文章后，你會知道： * Larry Wasserman撰寫了“_所有統計數據_”，以便迅速讓計算機科學專業學生掌握概率和統計學知識。 * 該書提供了對統計領域的廣泛報道，重點是所涉及主題的數學表示。 * 這本書涵蓋的內容遠遠超過機器學習從業者的要求，但精選的主題閱讀將有助于那些喜歡數學處理的人。 讓我們開始吧。  所有機器學習統計 攝影： [Chris Sorge](https://www.flickr.com/photos/stone65/9247929791/) ，保留一些權利。 ## 所有的統計數據 “[所有統計學：統計推斷中的簡明課程](https://amzn.to/2uPjuA7)”一書由Larry Wasserman撰寫，并于2004年發布。 [](https://amzn.to/2uPjuA7) 所有的統計數據 [Wasserman](http://www.stat.cmu.edu/~larry/) 是卡內基梅隆大學統計與數據科學教授。 這本書雄心勃勃。 它旨在通過概率和統計數據快速提高計算機科學專業學生的速度。因此，本書涵蓋的主題非常廣泛，可能比普通的入門教科書更廣泛。 > 從字面上看，“所有統計”這個標題是夸大其詞。但在精神上，標題是恰當的，因為本書確實涵蓋了比典型的數學統計入門書更廣泛的主題。本書適用于希望快速學習概率和統計數據的人。 - 第vii頁，[所有統計：統計推斷的簡明課程](https://amzn.to/2uPjuA7)，2004。 這本書不適合普通的從業者;它適用于計算機科學本科學生。它確實假設了微積分和線性代數的一些先驗知識。如果你不喜歡方程式或數學符號，那么這本書不適合你。 有趣的是，Wasserman編寫了這本書，以回應在經典統計之外發生的計算機科學中數據挖掘和機器學習的興起。他在序言中斷言了統計數據的重要性，以便在機器學習中發揮作用。 > 在不了解基本統計數據的情況下使用神經網絡，增強和支持向量機等奇特工具就像在了解如何使用創可貼之前進行腦部手術一樣。 - 頁數vii-viii，[所有統計：統計推斷的簡明課程](https://amzn.to/2uPjuA7)，2004。 材料以非常簡潔明了的方式呈現。采用系統方法對方法進行簡要描述，描述其實現的方程式，以及工作實例，以激發方法在R中的示例代碼的使用。 事實上，這種材料非常緊湊，通常讀起來像一系列百科全書。如果你想知道如何實現一個方法，這是很好的，但如果你是對方法的新手并且尋求直覺，則非常具有挑戰性。 ## 審查內容 本書所涵蓋的主題選擇非常廣泛，如上一節所述。 一方面這很好，因為讀者很早就接觸到了高級科目。這種激進范圍的缺點是，只需很少的手握就可以簡單地觸及主題。你需要重新閱讀部分，直到你得到它為止。 讓我們看一下本書所涵蓋的主題。 這有助于了解該領域的呈現范圍以及您作為機器學習從業者可能感興趣的主題的上下文。 這本書分為三個部分;他們是： * 我的概率 * 二，統計推斷 * III統計模型和方法 本書的第一部分側重于描述不確定性的概率論和形式語言。第二部分側重于統計推斷。第三部分重點介紹第二部分提出的具體方法和問題。 這本書確實有參考或百科全書的感覺。因此，有很多章節，但每章都是相當獨立的。全書共分24章;他們是： * 第1章：概率 * 第2章：隨機變量 * 第3章：期望 * 第四章：不平等 * 第5章：隨機變量的收斂性 * 第6章：模型，統計推斷和學習 * 第7章：估計CDF和統計函數 * 第8章：引導程序 * 第9章：參數推理 * 第10章：假設檢驗和p值 * 第11章：貝葉斯推理 * 第12章：統計決策理論 * 第13章：線性和邏輯回歸 * 第14章：多變量模型 * 第15章：關于獨立的推論 * 第16章：因果推論 * 第17章：有向圖和條件獨立 * 第18章：無向圖 * 第19章：對數線性模型 * 第20章：非參數曲線估計 * 第21章：使用正交函數進行平滑 * 第22章：分類 * 第23章：概率Redux：隨機過程 第24章：模擬方法 本書的前言提供了一個有用的術語表，從統計學到計算機科學。這個“統計/數據挖掘詞典”在下面復制。  統計/數據挖掘詞典 取自“_所有統計_”。 書中工作示例中使用的所有R代碼和數據集均可從 [Wasserman的主頁](http://www.stat.cmu.edu/~larry/all-of-statistics/index.html)獲得。這非常有用，因為您可以專注于嘗試示例而不是鍵入代碼并希望您的語法正確。 ## 機器學習閱讀清單 我不會向以前沒有接觸統計數據的開發人員推薦這本書。這太具有挑戰性了。 我會把這本書推薦給那些處于數學學習模式的計算機科學專業的學生。我還建議機器學習從業者具有一些以前的統計背景或強大的數學基礎。 如果您對數學符號感到滿意并且知道自己在尋找什么，那么本書就是一本很好的參考書。您可以轉到主題或方法，并獲得清晰的演示文稿。 問題是，對于機器學習從業者而言，您確實需要了解許多這些主題，而不是在所呈現的詳細程度。在直覺層面上，也許是陰影更輕。如果您愿意，那么為了在統計概率的基礎上建立一個堅實的基礎，值得閱讀（或略讀）以下章節： * 第1章：概率 * 第2章：隨機變量 * 第3章：期望 * 第5章：隨機變量的收斂性 同樣，這些是重要的主題，但您只需要一個概念級的理解。 對于可用于解釋數據和比較模型技能的統計假設檢驗的覆蓋范圍，建議閱讀以下章節： * 第6章：模型，統計推斷和學習 * 第9章：參數推理 * 第10章：假設檢驗和p值 我還建議關于Bootstrap的章節。這只是一個很好的方法，但要注意更好地了解裝袋和隨機森林，或者作為估算模型技能置信區間的程序。 * 第8章：引導程序 最后，使用統計方法來呈現機器學習算法。如果您更喜歡回歸和分類算法的更多數學處理，我會推薦這些章節： * 第12章：統計決策理論 * 第13章：線性和邏輯回歸 * 第22章：分類 我可以閱讀統計學的數學表達，但我更喜歡直覺和工作代碼。我不太可能從我的書柜中拿起這本書，轉而采用更溫和的處理方法，例如“[普通英語統計](https://amzn.to/2IxSGWS)”或以應用為重點的處理方法，如“[人工智能的經驗方法](https://amzn.to/2IwOlDq) “。 你同意這個閱讀清單嗎？ 請在下面的評論中告訴我。 ## 進一步閱讀 如果您希望深入了解，本節將提供有關該主題的更多資源。 * [所有統計：統計推斷的簡明課程](https://amzn.to/2uPjuA7)，2004。 * [所有統計勘誤](http://www.stat.cmu.edu/~larry/all-of-statistics/index.html) * [Larry Wasserman主頁](http://www.stat.cmu.edu/~larry/) ## 摘要 在這篇文章中，您發現了“_所有統計_”一書，它提供了對統計數據的廣泛而簡明的介紹。 具體來說，你學到了： * Larry Wasserman撰寫了“_所有統計數據_”，以便迅速讓計算機科學專業學生掌握概率和統計學知識。 * 該書提供了對統計領域的廣泛報道，重點是所涉及主題的數學表示。 * 這本書涵蓋的內容遠遠超過機器學習從業者的要求，但精選的主題閱讀將有助于那些喜歡數學處理的人。 你讀過這本書嗎？ 你怎么看？請在下面的評論中告訴我。 你想找一本這本書的副本嗎？ 請在評論中告訴我。