统计至简（概率统计全彩图解 + 微课 + Python编程）

忍不住了，得先写个推荐，23年的时候在github上面挖掘到这套书，惊为天人。 我本科是工科，算是学会这些基础课，但是真得一点点都没学懂，上课大学老师讲课也就是讲题，讲要记住怎么解。奈何，到了大学了，不像高中，遇到这种看不懂的、只能学个知其然，不知其所以然的东西，可以扔下，探索自己的兴趣爱好去。而且那个时候我哪里知道，大学的这些内容比高中学得东西有意思多了，也更重要，与生活密切相关。于是乎，几乎全靠考前突击完成功课，成绩全靠老师救命。 可惜好景不长，到了大二下，我开始不满足于应用层的编程探索，混进了学校人工智能社团，社团指导老师让学吴恩达的机器学习课程，到是乖乖听话地开始认真学习，学得极其痛苦，可以说是照猫画虎，我惨不忍睹的数学基础根本没法支撑起做这种理论推导，那时候才知道自己错过了什么。 不过，也没多后悔，大学老师讲得也不清不楚，只是一直希望能有一段时间让我补起这些重要的基础。我找过很多资料，当时是市面上推荐的，主要都是国外课程和资料。直到，我后面发现生姜老师出的这套丛书，感动到落泪，现在AI越来越火，相关的注重和统计机器学习关联的数学书籍也多了起来。但这本书的全面展示、层层深入、纸质书精致的排版和装订还是独树一帜。感谢生姜老师的付出，让更多接触不到优秀的基础本科教育的我们，也能够一窥数学的美丽。 这本书更像是一个宏大的地图，它补全了被割裂开来的高等数学、线性代数（高等代数）和概率统计的知识。数学的学习，还是离不开传统的学习方式，钻研定义和练习。而且我发现考研数学老师比本科老师其实对概念深挖讲解得更清楚，搭配数学一基础课程的学习太香了。再好的数学书籍也需要花费大量的时间和精力去啃，而无法像阅读小说那样轻松愉悦，但收获是斐然的，成就感和满足感是更深的。 种一颗树最好的时间是十年前，其次是现在。行动起来，最重要。

非常喜欢鸢尾花数学系列的矩阵、统计系列。数学往往让人生畏在于它的深奥和枯燥，而本系列书给了数学知识更多的“具象性”、“可解释性”、“可理解性”！在数学而不仅仅言数学，这系列好书是在于用多角度多思维方式去“引诱”读者去主动亲近数学，亲近作为数学基础的背后之“本质”，爱好思考和省思的朋友千万不能错过它们哦～ 冷不丁的被它戳中好奇之处，我下一步打算更多的探寻数学历史思想和跨学科的数理逻辑和认知哲科。

我也学着先推荐吧，几年前看来他的矩阵力量，后来数学要素吧，非常非常好。比那些赶热点用大模型拼凑出来的书，这几本书绝对是精品，融合了作者化繁为简的智慧，值得收藏阅读。这本统计至简终于上架太好了，这几年看机器学习，神经网络，大模型，没点数学基础真是白扯，看都看不懂。感谢作者写出这么好的基础书。

本书优点：（1）准确清晰的图示，和相应的python生成代码；（2）贯通始终的几个应用例子，由浅入深、前后呼应；（3）章节选择围绕机器学习主题，有所扬弃。 读完全部统计分析内容，再研读了相应代码，我感觉自己对两者的认识都有所长进。恰恰如作者所言，本书适当地填补了在中文领域高深理论著作和浅显的入门书之间的空白。所采用的python+jupyter的写作方式也紧跟时代趋势，和国际上主流理论著作不约而同。 就个人而言，本书关于PCA、距离、多元高斯、Bayes推理等几方面讲得比较透彻，使我获益良多。 当然，限于篇幅，本书的缺憾之处也有以下几点：（1）假定读者是秩序渐进，读完了前四本（或其中数学两册）才开始学习统计的，有些图示仅简单标注或仅提示几句，未给出严谨证明，让人理解起来有些困难；（2）涉及的其它新理论或新工具，基本上是拿来就用，虽然有些工具确实好使，但是对于为什么会这样，却又所言不详；（3）涉及到比较高深的Gamma分布、Beta分布、Dirichilet分布，个人感觉仅通过读本书，很难搞懂，比较适合已有一定基础的读者，作为参考书使用。

这不是一本概率与统计学习教材，而是一个站在机器学习角度的阐述统计应用的一本指南，非常清晰易懂，用于入门机器学习的利器

同样也是入门机器学习不得不读的一本书！！！一边看李航的《统计学习方法》，一边在看这本书恶补条件概率和贝叶斯方面的知识，太不容易了🤣

本书很生动地解释了机器学习常用的统计理论，唯一的缺点就是第七章介绍的几种概率函数没有解释，而是直接给出，总体上瑕不掩瑜。

书名是统计至简，但到后面几章通篇的数学公式，我已经彻底看不懂了，但尝试去理解不是本专业的知识，还是给自己一个鼓励

总体来说基础公式部分介绍的不算太多，但可视化做的非常好，非常有助于帮助人们理解机器学习当中例如主成分分析法（维降）等算法深底层逻辑，建议结合一本经典的概率论基础教科书一块阅读。

这套书确实好，最后三章其实是这套书的总结，不仅仅是统计的总结。从多种视角看优化问题，我觉得特别棒！代数，线性代数，几何投影，条件概率，最大似然殊途同归，真是非常精妙！