数理统计-统计工具

OpenIntro Statistics涵盖了统计的第一门课程，提供了应用统计的严格介绍，清晰，简洁，可访问。这本书是为本科水平而写的，但它在高中和研究生课程中也很受欢迎。我们希望读者能从本书中获得三个观点，除此之外，还能形成统计思维和方法的基础。 统计学是一个具有广泛实际应用的应用领域。 你不必成为数学大师，也能从真实有趣的数据中学习。 数据是混乱的，统计工具是不完美的。但是，当你了解这些工具的优点和缺点时，你就可以用它们来了解这个世界。

Doing-Math-with-Python-Use-Programming-to-Explore-Algebra-Statistics-Calculus-and-More-.pdf

Information theory and statistics

Statistics in MATLAB: A Primer provides a comprehensive introduction to MATLAB and its extensive functionality for statistics. Topics include descriptive statistics, regression analysis, visualization, hypothesis testing, and machine learning. MATLAB and Statistics and Machine Learning Toolbox are used to solve examples in the book.

学习贝叶斯统计的入门。公式不复杂，适合刚入门。

狂热分析 fanalysis是用于三项BSD许可下分发的用于因子分析的Python模块。 借助此fanalysis软件包，您可以执行以下操作： 简单对应分析 多重对应分析 主成分分析 这些统计方法可以通过两种方式使用： 作为描述性方法（“数据挖掘方法”） 作为scikit学习管道中的简化方法（“机器学习方法”） 安装 依存关系 狂热分析要求： Python 3 NumPy >= 1.11.0 Matplotlib >= 2.0.0 Scikit-learn >= 0.18.0 Pandas >= 0.19.0 用户安装 您可以使用pip安装fanalysis： pip install fanalysis 运行测试 安装后，您可以从源目录外部启动测试套件： python -m unittest 单元测试的原理在于将狂热分析的输出（具有各种参数组合）与R FactoMine

DHSI课程的课程资料-数字人文科学中的机器学习简介

与国内大多数的高等代数教材不同，本书对在经典统计模型中投影矩阵及其广义逆等都有着比较深入的介绍，对于理解经典统计理论很有帮助。

科学用实验来验证关于世界的假设。统计学提供了量化这一过程的工具，并提供了将数据(实验)与概率模型(假设)联系起来的方法。因为世界是复杂的，我们需要复杂的模型和复杂的数据，因此需要多元统计和机器学习。具体来说，多元统计(与单变量统计相反)涉及随机向量和随机矩阵的方法和模型，而不仅仅是随机单变量(标量)变量。因此，在多元统计中，我们经常使用矩阵表示法。与多元统计(传统统计学的一个分支)密切相关的是机器学习(ML)，它传统上是计算机科学的一个分支。过去机器学习主要集中在算法上，而不是概率建模，但现在大多数机器学习方法都完全基于统计多元方法，因此这两个领域正在收敛。多变量模型提供了一种方法来学习随机变量组成部分之间的依赖关系和相互作用，这反过来使我们能够得出有关兴趣的潜在机制的结论(如生物或医学)。 两个主要任务: 无监督学习(寻找结构，聚类) 监督学习(从标记数据进行训练，然后进行预测) 挑战: 模型的复杂性需要适合问题和可用数据， 高维使估计和推断困难 计算问题。