数据科学中的实用统计学（第2版）

书本身好，翻译看着要小心，看了几段觉得怪怪的，回去翻原版确发现问题重重。比如Nominal Data 统计学的中文叫额定数据，退一万步翻译成标定数据可能也不会引起太多困惑，但翻译成“名义数据”扯太远了，是统计学名词，又不是经济学名词。

这本书本身是专业领域的经典书，可惜翻译中有不少术语令人迷惑。有条件的话，请读英文原版。

非常系统，每一个理论都有例子，例子里又有代码实现，真的一本学习统计学的好资料

读了想看的几章，不是讲得很细，适合有一定统计学基础的读者快速复习使用。 很明确地说明了数据科学和传统统计学的区别：数据科学重视重抽样（Bootstrap和置换检验），而不重视假设检验和置信区间的具体细节和公式（传统统计学还在着重讲T检验，然而这已经不是最好的方法了，这只是在计算机未普及下的compromise）。 也很直观地显示了R语言对比PYTHON在统计学上的优势：有很多现成的包和函数，一行代码搞定大多数命令。

读了一部分用于复习，但术语翻译质量待提高，建议读英文原版。

从互联网从业者的角度介绍了统计学的一些概率和实际应用，终于让我理解了大学里面干巴巴的术语了（特别是假设检验，豁然开朗，明白了一个多年不清楚的概念）

总体一般，从机器学习开始的代码讲的不清楚，不如直接google

前半程讲统计学和数据科学的一些区别和不同的关注点，基本概念名词介绍很详细并且说明也简洁形象易于理解。作为快速过概念的的工具书还是相当不错。 介绍了一些业务应用场景给了一些小例子和代码。这里可以发现r提供的东西是比python更多些，但我依然是坚定的python人hhhh 后半程在介绍机器学习，概念看的已经够多算法也都是熟脸，就看一遍匆匆掠过。等需要的时候再随手翻，不过说起来这方便的经典书籍太多了，就倒也不是很有必要。 适合有编码基础和学科基础的人看。 在微信读书里看工具书成就达成hhhh

作为有一定机器学习基础的读者的复习速览不错，不一定适合初学者。 优点是有R和Python的代码样例，数学/统计学的解释大多是描述性的（虽然有个别翻译稍怪），可以帮助有基础的读者快速回忆，但严谨推导是没有的（毕竟书不厚）。

比较提纲挈领的梳理了常见的概念。我感觉直接读英文版更好，因为很多术语都会直接在各种包中被用来给function命名。