掌握统计学和机器学习：直觉、数学、代码 | Master statistics & machine learning: intuition, math, code

通过Python和MATLAB中的实际应用程序，对统计学和机器学习进行了严格而深入的研究。
讲师：Mike X Cohen

双语资源中英文字幕学习课程，独家翻译制作，提供全部配套课程资料。全网最低价享受高品质课程资源，无限分享下载。

你将会学到什么？

• 描述性统计（平均值、方差等）
• 推断统计学
• T检验、相关性、方差分析、回归、聚类
• “黑匣子”统计方法背后的数学
• 如何在代码中实现统计方法
• 如何正确解读统计数据并避免常见误解
• Python和MATLAB/Octave中的编码技术
• 机器学习方法，如聚类、预测分析、分类和数据清理

课程要求

• 良好的职业道德和学习动机。
• 没有必要有统计学或机器学习的背景。
• Python-OR-MATLAB与统计工具箱（或Octave）。
• 对可选代码练习的一些编码熟悉程度。
• 不需要课本！所有材料均在课程内提供。

课程说明

统计数据和概率控制着你的生活。我不仅仅是指YouTube的算法建议你接下来看什么，我也不仅仅是指在课堂或酒吧里遇到你未来重要的另一半的机会。人类行为、单细胞生物、地震、股市、12月第一周是否会下雪，以及无数其他现象都是概率性和统计性的。即使是宇宙最基本的深层结构的本质也受概率和统计学的支配。

你需要了解统计数据。

人类文明的几乎所有领域都融合了代码和数字计算。这意味着许多工作和研究领域都是基于统计和机器学习技术在Python和MATLAB等编程语言中的应用。这通常被称为“数据科学”，是一个越来越重要的话题。统计和机器学习也是人工智能和商业智能的基础。

如果你想让自己成为任何技术领域的经得起未来考验的员工、雇主、数据科学家或研究员——从数据科学家到工程，从研究科学家到深度学习建模师——你需要了解统计学和机器学习。你需要知道如何用Python或MATLAB等计算机语言实现概率论和置信区间、k-means聚类和PCA、Spearman相关性和逻辑回归等概念。

你应该参加这门课程的原因有六个：

• 本课程涵盖了了解统计学、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，从回归到k均值，从t检验到非参数排列检验。
• 完成本课程后，您将能够理解广泛的统计和机器学习分析，甚至是这里没有教授的特定高级方法。这是因为你将学习建立高级方法的基础。
• 本课程在数学严谨性与直观解释以及代码实践探索之间取得平衡。
• 注册该课程可以让你获得问答，我每天都积极参与其中。
• 我已经研究、开发和教授统计学20多年了，我认为数学真的很酷。

在学习本课程之前，您需要了解的内容：

• 高中水平的数学。这是一门面向应用程序的课程，所以我不会详细介绍证明、导数或微积分。
• Python或MATLAB的基本编码技能。只有当您希望遵循代码时，这才是必要的。您可以在不编写任何代码的情况下成功完成本课程！但参与编码练习将有助于您学习材料。MATLAB代码依赖于统计和机器学习工具箱（如果没有MATLAB或统计工具箱，则可以使用Octave）。Python代码是用Jupyter笔记本编写的。
• 我建议参加我的免费课程“非统计学家的统计知识”。它长达90分钟，将为您提供统计学中主要主题的鸟瞰图，我将在本课程中详细介绍这些主题。请注意，本课程不需要免费的短期课程，但很好地补充了本课程。如果你以1.5倍的速度观看，你可以在不到一个小时的时间内完成整个过程！
• 您不需要任何统计学、机器学习、深度学习或数据科学方面的经验。这就是你来这里的原因！

这门课是最新的吗

是的，我定期维护我的所有课程。我增加新的讲座以保持课程的“活力”，如果学生发现某个主题令人困惑或我在讲座中犯了错误（很少，但也会发生！），我会增加新讲座（有时会重新拍摄现有讲座）以更好地解释数学概念。

你可以查看此页面顶部的“上次更新”文本，看看我上次改进此课程是什么时候！

如果你对材料有疑问怎么办

本课程有一个问答部分，您可以在其中发布有关课程材料（有关数学、统计学、编码或机器学习方面）的问题。我尽量在一天内回答所有问题。你还可以看到所有其他的问题和答案，这真的提高了你的学习能力！您可以通过发布到正在进行的讨论中来为问答做出贡献。

而且，你也可以发布你的代码以获得反馈或只是为了炫耀——我喜欢学生们写的代码比我好！（嗯，这种事不常发生。）

你现在该怎么办

首先，祝贺你读到这里；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，查看评论，当你准备好了，通过学习这门课程来投资你的大脑！

此课程面向哪些人？

• 参加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
• 想要了解数据分析的科学家
• 任何想看到机器学习“幕后”的人
• 人工智能（AI）学生
• 商业智能专业学生