統計至簡（概率統計全綵圖解 + 微課 + Python編程）

忍不住了，得先寫個推薦，23年的時候在github上面挖掘到這套書，驚爲天人。 我本科是工科，算是學會這些基礎課，但是真得一點點都沒學懂，上課大學老師講課也就是講題，講要記住怎麼解。奈何，到了大學了，不像高中，遇到這種看不懂的、只能學個知其然，不知其所以然的東西，可以扔下，探索自己的興趣愛好去。而且那個時候我哪裏知道，大學的這些內容比高中學得東西有意思多了，也更重要，與生活密切相關。於是乎，幾乎全靠考前突擊完成功課，成績全靠老師救命。 可惜好景不長，到了大二下，我開始不滿足於應用層的編程探索，混進了學校人工智能社團，社團指導老師讓學吳恩達的機器學習課程，到是乖乖聽話地開始認真學習，學得極其痛苦，可以說是照貓畫虎，我慘不忍睹的數學基礎根本沒法支撐起做這種理論推導，那時候才知道自己錯過了什麼。 不過，也沒多後悔，大學老師講得也不清不楚，只是一直希望能有一段時間讓我補起這些重要的基礎。我找過很多資料，當時是市面上推薦的，主要都是國外課程和資料。直到，我後面發現生薑老師出的這套叢書，感動到落淚，現在AI越來越火，相關的注重和統計機器學習關聯的數學書籍也多了起來。但這本書的全面展示、層層深入、紙質書精緻的排版和裝訂還是獨樹一幟。感謝生薑老師的付出，讓更多接觸不到優秀的基礎本科教育的我們，也能夠一窺數學的美麗。 這本書更像是一個宏大的地圖，它補全了被割裂開來的高等數學、線性代數（高等代數）和概率統計的知識。數學的學習，還是離不開傳統的學習方式，鑽研定義和練習。而且我發現考研數學老師比本科老師其實對概念深挖講解得更清楚，搭配數學一基礎課程的學習太香了。再好的數學書籍也需要花費大量的時間和精力去啃，而無法像閱讀小說那樣輕鬆愉悅，但收穫是斐然的，成就感和滿足感是更深的。 種一顆樹最好的時間是十年前，其次是現在。行動起來，最重要。

非常喜歡鳶尾花數學系列的矩陣、統計系列。數學往往讓人生畏在於它的深奧和枯燥，而本系列書給了數學知識更多的“具象性”、“可解釋性”、“可理解性”！在數學而不僅僅言數學，這系列好書是在於用多角度多思維方式去“引誘”讀者去主動親近數學，親近作爲數學基礎的背後之“本質”，愛好思考和省思的朋友千萬不能錯過它們哦～ 冷不丁的被它戳中好奇之處，我下一步打算更多的探尋數學歷史思想和跨學科的數理邏輯和認知哲科。

我也學着先推薦吧，幾年前看來他的矩陣力量，後來數學要素吧，非常非常好。比那些趕熱點用大模型拼湊出來的書，這幾本書絕對是精品，融合了作者化繁爲簡的智慧，值得收藏閱讀。這本統計至簡終於上架太好了，這幾年看機器學習，神經網絡，大模型，沒點數學基礎真是白扯，看都看不懂。感謝作者寫出這麼好的基礎書。

本書優點：（1）準確清晰的圖示，和相應的python生成代碼；（2）貫通始終的幾個應用例子，由淺入深、前後呼應；（3）章節選擇圍繞機器學習主題，有所揚棄。 讀完全部統計分析內容，再研讀了相應代碼，我感覺自己對兩者的認識都有所長進。恰恰如作者所言，本書適當地填補了在中文領域高深理論著作和淺顯的入門書之間的空白。所採用的python+jupyter的寫作方式也緊跟時代趨勢，和國際上主流理論著作不約而同。 就個人而言，本書關於PCA、距離、多元高斯、Bayes推理等幾方面講得比較透徹，使我獲益良多。 當然，限於篇幅，本書的缺憾之處也有以下幾點：（1）假定讀者是秩序漸進，讀完了前四本（或其中數學兩冊）纔開始學習統計的，有些圖示僅簡單標註或僅提示幾句，未給出嚴謹證明，讓人理解起來有些困難；（2）涉及的其它新理論或新工具，基本上是拿來就用，雖然有些工具確實好使，但是對於爲什麼會這樣，卻又所言不詳；（3）涉及到比較高深的Gamma分佈、Beta分佈、Dirichilet分佈，個人感覺僅通過讀本書，很難搞懂，比較適合已有一定基礎的讀者，作爲參考書使用。

這不是一本概率與統計學習教材，而是一個站在機器學習角度的闡述統計應用的一本指南，非常清晰易懂，用於入門機器學習的利器

同樣也是入門機器學習不得不讀的一本書！！！一邊看李航的《統計學習方法》，一邊在看這本書惡補條件概率和貝葉斯方面的知識，太不容易了🤣

本書很生動地解釋了機器學習常用的統計理論，唯一的缺點就是第七章介紹的幾種概率函數沒有解釋，而是直接給出，總體上瑕不掩瑜。

書名是統計至簡，但到後面幾章通篇的數學公式，我已經徹底看不懂了，但嘗試去理解不是本專業的知識，還是給自己一個鼓勵

總體來說基礎公式部分介紹的不算太多，但可視化做的非常好，非常有助於幫助人們理解機器學習當中例如主成分分析法（維降）等算法深底層邏輯，建議結合一本經典的概率論基礎教科書一塊閱讀。

這套書確實好，最後三章其實是這套書的總結，不僅僅是統計的總結。從多種視角看優化問題，我覺得特別棒！代數，線性代數，幾何投影，條件概率，最大似然殊途同歸，真是非常精妙！