Master statistics & machine learning: intuition, math, code

深入详尽的统计学和机器学习课程，包含使用 Python 和 MATLAB 的实战应用。

讲师:Mike X Cohen

您将学到什么

• 描述性统计（均值、方差等）
• 推断统计学
• t 检验、相关性分析、方差分析（ANOVA）、回归分析、聚类分析
• “黑箱”统计方法背后的数学原理
• 如何在代码中实现统计方法
• 如何正确解读统计学并避免常见误解
• Python 和 MATLAB/Octave 编程技巧
• 机器学习方法，如聚类、预测分析、分类和数据清洗

课程要求

• 良好的工作态度和学习动机。
• 统计学或机器学习的背景不是必需的。
• Python 或者 带有统计工具箱的 MATLAB（或 Octave）
• 可选代码练习的编程基础熟悉度。
• 无需教材！所有学习材料都在课程内提供。

课程描述

统计和概率控制着你的生活。
我不仅仅是指 YouTube 的算法会向你推荐下一个观看的视频，也不仅仅是指你在课堂或酒吧里遇到未来伴侣的机会。人类行为、单细胞生物、地震、股市、12月初是否会下雪，以及其他无数现象都是概率性和统计性的。甚至宇宙最基础的深层结构也受概率和统计规律的支配。
你需要理解统计学
。
几乎所有的文明领域都在融入代码和数值计算。这意味着许多工作和研究领域都基于像 Python 和 MATLAB 这样的编程语言中的统计和机器学习技术的应用。这通常被称为“数据科学”，是一个日益重要的主题。统计学和机器学习也是人工智能（AI）和商业智能的基础。
如果你想让自己在未来的工作中立于不败之地，无论你是未来的雇员、雇主、数据科学家还是任何技术领域的研究人员——从数据科学家到工程师再到研究科学家或深度学习建模者——你都需要掌握统计学和机器学习。你需要了解如何在 Python 或 MATLAB 等计算机语言中实现概率理论和置信区间、k-均值聚类和主成分分析（PCA）、斯皮尔曼相关性和逻辑回归等概念。
以下是你应该参加这门课程的六个理由：
本课程涵盖了理解统计学、机器学习和数据科学基础所需的一切，从条形图到方差分析（ANOVA），从回归到 k-均值聚类，从 t 检验到非参数置换检验。
完成本课程后，你将能够理解广泛的统计和机器学习分析方法，甚至包括这里未教授的特定高级方法。这是因为你会学到构建这些高级方法的基础知识。
本课程在数学严谨性和直观解释之间取得了平衡，并通过代码进行实践探索。
报名参加该课程可让你访问问答区，在那里我每天都会积极参与回答问题。
我已经研究、开发和讲授统计学超过 20 年了，我认为数学真的很酷。
你开始这门课程前需要知道什么：
高中水平的数学知识。这是一个应用导向的课程，所以我不会深入讲解证明、推导或微积分的内容。
Python 或 MATLAB 的基本编程技能。如果你希望跟随代码进行学习，则需要这些技能。但你可以不写一行代码就成功完成本课程！不过参与编程练习将有助于你更好地掌握课程内容。MATLAB 代码依赖于统计和机器学习工具箱（如果没有 MATLAB 或该工具箱，可以使用 Octave）。Python 代码是在 Jupyter 笔记本中编写的。
我推荐你先参加我的免费课程“非统计学家的统计学素养”。这门课时长为90分钟，将为你提供一个鸟瞰视角来了解这里详细讲解的主要统计主题。请注意，该免费短课程不是本课程的必需部分，但可以很好地补充本课程的内容。如果你以1.5倍速观看的话，你可以在不到一小时内完成整个课程！
你不需要有任何关于统计学、机器学习、深度学习或数据科学的经验。这就是为什么你要来这里的原因！
这门课程是否是最新的？
是的，我定期维护我的所有课程。我会添加新讲座来保持课程“鲜活”，有时会重新录制现有讲座以更好地解释数学概念，如果学生发现某个主题难以理解或者我在讲课时犯了错误（这种情况很少发生）。
你可以在本页顶部查看“最后更新”文本，了解我上次改进这门课程的时间！
如果你对课程内容有疑问怎么办？
该课程有一个问答区，在那里你可以发布关于课程材料的问题（有关数学、统计学、编程或机器学习方面的问题）。我会尽量在一天内回答所有问题。你还可以看到其他所有问题和答案，这对你的学习非常有益！并且你可以通过参与讨论来贡献到问答区。
此外，你也可以发布代码以寻求反馈或者仅仅展示一下——我很喜欢学生写出比我更好的代码的情况！（咳咳，这种情况不常发生。）
你现在应该做什么？
首先，恭喜你看完了这么多内容；这意味着你对学习统计学和机器学习非常感兴趣。观看预览视频、查看评价，并在准备好时投资于自己的大脑，通过这门课程来学习吧！

本课程适合谁:

• 学习统计学或机器学习课程的学生
• 需要学习统计学和机器学习的专业人士
• 希望理解数据分析的科学家们
• 任何想深入了解机器学习内部机制的人
• 人工智能（AI）学生
• 商业智能学生