为什么掌握概率统计

• 概率统计是利用数据发现规律、推测未知的思想方法
• 概率统计和机器学习的目标高度一致，是机器学习、人工智能和计算机科学的基石

• [x] 本小节(概率统计)，从理论基础，经典案例到概率统计核心功能的Python实战，进阶机器学习与概率统计。

  章节目标

• [x] 吃透基本概念，筑牢概率统计中的概念基石

• 构建思维体系，树立统计思维方法与建模框架

• [x] 落地编程实践

  章节亮点

• [x] 精选与机器学习领域紧密相关的概率统计核心

• [x] 掌握概率统计在机器学习领域中的多维应用

  主要内容

  板块一 思维框架

• [x] 从条件概率入手搭建概率统计理论框架

• 梳理贝叶斯定理和全概率公式等关键要素
• 探讨独立性与条件独立性的重要关系

板块二 随机变量

• 覆盖典型单—和多元随机变量
• 揭示离散型、连续型随机变量的典型分布及数字特征
• 剖析多元随机变量之间的相互关系

板块三 极限思维

• 展现大样本随机变量的实际场景
• 建立概率统计中的极限思维
• 实践大数定律和中心极限定理
• 认识蒙特卡洛方法

板块四 极限思维

• 建立从静态随机变量跨越到动态随机过程的概念主线
• 利用蒙特卡洛方法模拟随机过程
• 重点讨论马尔科关过程及其平稳特性
• 介绍隐马尔科夫模型及其应用

板块五 统计推断

• 利用已有样本推断总体特性的基本框架
• 解读极大似然估计方法
• 融合先验、后验概念，实践贝叶斯估计方法

板块六 近似采样

• 获取服从目标分布的近似采样方法
• 介绍接受-拒绝采样方法和思想
• 深入理解和应用马尔科夫链-蒙特卡洛方法