數據科學中的實用統計學（第2版）

書本身好，翻譯看着要小心，看了幾段覺得怪怪的，回去翻原版確發現問題重重。比如Nominal Data 統計學的中文叫額定數據，退一萬步翻譯成標定數據可能也不會引起太多困惑，但翻譯成“名義數據”扯太遠了，是統計學名詞，又不是經濟學名詞。

這本書本身是專業領域的經典書，可惜翻譯中有不少術語令人迷惑。有條件的話，請讀英文原版。

非常系統，每一個理論都有例子，例子裏又有代碼實現，真的一本學習統計學的好資料

讀了想看的幾章，不是講得很細，適合有一定統計學基礎的讀者快速複習使用。 很明確地說明了數據科學和傳統統計學的區別：數據科學重視重抽樣（Bootstrap和置換檢驗），而不重視假設檢驗和置信區間的具體細節和公式（傳統統計學還在着重講T檢驗，然而這已經不是最好的方法了，這只是在計算機未普及下的compromise）。 也很直觀地顯示了R語言對比PYTHON在統計學上的優勢：有很多現成的包和函數，一行代碼搞定大多數命令。

讀了一部分用於複習，但術語翻譯質量待提高，建議讀英文原版。

從互聯網從業者的角度介紹了統計學的一些概率和實際應用，終於讓我理解了大學裏面乾巴巴的術語了（特別是假設檢驗，豁然開朗，明白了一個多年不清楚的概念）

總體一般，從機器學習開始的代碼講的不清楚，不如直接google

前半程講統計學和數據科學的一些區別和不同的關注點，基本概念名詞介紹很詳細並且說明也簡潔形象易於理解。作爲快速過概念的的工具書還是相當不錯。 介紹了一些業務應用場景給了一些小例子和代碼。這裏可以發現r提供的東西是比python更多些，但我依然是堅定的python人hhhh 後半程在介紹機器學習，概念看的已經夠多算法也都是熟臉，就看一遍匆匆掠過。等需要的時候再隨手翻，不過說起來這方便的經典書籍太多了，就倒也不是很有必要。 適合有編碼基礎和學科基礎的人看。 在微信讀書裏看工具書成就達成hhhh

作爲有一定機器學習基礎的讀者的複習速覽不錯，不一定適合初學者。 優點是有R和Python的代碼樣例，數學/統計學的解釋大多是描述性的（雖然有個別翻譯稍怪），可以幫助有基礎的讀者快速回憶，但嚴謹推導是沒有的（畢竟書不厚）。

比較提綱挈領的梳理了常見的概念。我感覺直接讀英文版更好，因爲很多術語都會直接在各種包中被用來給function命名。