机器学习概率与统计书籍

概率和统计对于机器学习来说都是最重要的概念。概率是关于预测未来事件的可能性，而统计则涉及对过去事件频率的分析。

如今，机器学习已成为大多数初学者和 IT 专业人士的首选之一。然而，要进入这个领域，必须具备一些预先设定的技能，其中之一就是数学。是的，数学对于学习机器学习技术和为企业开发高效的应用非常重要。当谈到机器学习的数学时，它尤其侧重于概率和统计，这是开始学习 ML 的基本主题。概率和统计被认为是 ML 和数据科学发展 ML 算法和构建决策能力的基础。此外，概率和统计是学习 ML 的首要先决条件。

在本主题中，我们将讨论一些重要的概率和统计书籍，它们可以帮助您轻松完成 ML 过程，并将算法应用于商业场景。在这里，我们将讨论一些从初级到高级的机器学习概率和统计的最佳书籍。

机器学习中的概率

概率是机器学习的基石，它告诉你事件发生的可能性有多大。概率的值总是在 0 到 1 之间。它是理解 ML 模型及其应用的核心概念和主要先决条件。

概率可以通过事件发生的次数除以所有可能结果的总数来计算。假设我们抛掷一枚硬币，那么得到正面作为可能结果的概率可以按以下公式计算：

P (H) = 正面出现的次数/所有可能结果的总数

P (H) = ½

P (H) = 0.5

其中：

P (H) = 抛掷硬币时得到正面的概率。

概率的类型

为了更好地理解概率，可以进一步将其分为不同类型，如下所示：

经验概率：经验概率可以计算为事件发生的次数除以观察到的事件总数。

理论概率：理论概率可以计算为特定事件发生的次数除以所有可能结果的总数。

联合概率：它告诉两个随机事件同时发生的概率。

P(A ∩ B) = P(A). P(B)

其中：

P(A ∩ B) = 事件 A 和事件 B 同时发生的概率。

P (A) = 事件 A 的概率

P (B) = 事件 B 的概率

条件概率：它由事件 B 发生的情况下事件 A 的概率给出。

事件 A 在事件 B 发生条件下的概率表示为：

P(A|B) = P(A∩B)/P(B)

类似地，P(B|A) = P(A ∩ B)/ P(A)。我们可以将 A 和 B 的联合概率写为 P(A ∩ B)= p(A).P(B|A)，这意味着：“两件事都发生的几率是第一件事发生的几率，然后是第二件事发生在第一件事发生的情况下的几率。”

我们对学习机器学习所需的概率有了基本了解。现在，我们将讨论统计学在 ML 中的基本介绍。

机器学习中的统计学

统计学也被认为是机器学习的基础，它致力于找到我们对数据提出的问题的答案。总的来说，我们可以将统计学定义为：

统计学是应用数学的一部分，它致力于研究和开发收集、分析、解释和从经验数据中得出结论的方法。它可用于做出更明智的业务决策。

统计学可分为 2 大部分。它们如下：

• 描述性统计
• 推断性统计

统计学在 ML 中的应用

统计学方法用于理解训练数据以及解释测试不同机器学习模型的结果。此外，统计学可用于做出更明智的业务和投资决策。

机器学习概率和统计最佳书籍

概率和统计对于学习机器学习技术同等重要，但主要问题是关于学习 ML 概率和统计的最佳书籍或来源。尽管互联网和线下商店有许多书籍，但为有志者选择最合适的书籍是主要问题。以下是一些概率和统计的最佳书籍：

1. 统计与机器学习的概率

书籍作者：Anirban DasGupta

价格（亚马逊）$118.15

星级评分 3.6/5

概述：这本书由Anirban Das Gupta撰写，包含了 ML 的所有基础和高级概率与统计主题。根据不同的评论，这是在线和线下都提供的一本最佳书籍。这本书主要结合了概率、统计和机器学习工具，为自学和多领域未来研究提供了完整的背景。

本书涵盖的主题

• 单变量概率回顾
• 多变量离散分布
• 多维密度
• 高级分布理论
• 多元正态分布及相关分布
• 顺序统计量和极值的有限样本理论
• 基本渐近线及其应用
• 特征函数及其应用
• 极值和顺序统计量的渐近分析
• 马尔可夫链及其应用
• 随机游走
• 布朗运动和高斯过程
• 泊松过程及其应用
• 离散时间鞅和集中不等式
• 概率度量
• 经验过程和 VC 理论
• 大偏差
• 指数族及其统计应用
• 模拟和马尔可夫链蒙特卡洛
• 统计和机器学习的实用工具

2. Python 用于概率、统计和机器学习

书籍作者：José Unpingco

价格（亚马逊）$ 82.36

星级评分4.4/5

这本书支持最新的 Python 版本 3.6+，其中使用 Python 说明了概率、统计和 ML 的所有基本领域。这本书让您接触各种机器学习方法和使用不同分析方法及 Python 代码的示例，这有助于您将理论概念部署到实际场景中。它还详细介绍了各种重要的结果，并使用了现代 Python 库，如Pandas、Scikit-learn、TensorFlow 和 Keras。许多抽象的数学概念，如概率论中的收敛，都通过数值示例进行了阐述和说明。

本书涵盖的主题：本书分为 5 章，如下所示：

• 科学 Python 入门
• 概率
• 统计量
• 机器学习
• 更正：概率

3. 统计学习导论

书籍作者：Gareth James, Daniela Witten, Trevor Hastie 和 Rob Tibshirani

价格（亚马逊）$29.22

星级评分 4.5/5

概述：《统计学习导论（R语言应用）》由 Springer 出版社提供两个版本。统计学是机器学习和数据科学家入门者的主要工具集之一。这本书用 R 语言对统计学习的关键主题进行了广泛且不太技术性的处理。这本书适合所有希望深入了解统计学习数据分析的用户。

这本书有多种语言版本，如中文、意大利语、日语、韩语、蒙古语、俄语和越南语。

这本书的作者Gareth James, Daniela Witten, Trevor Hastie 和 Rob Tibshirani将本书分为两个版本。

本书涵盖的主题

本书第一版涵盖以下主题：

• 用于分类和回归的稀疏方法
• 决策树
• Boosting
• 支持向量机
• 聚类

本书第二版涵盖以下主题：

• 深度学习
• 生存分析
• 多重检验
• 朴素贝叶斯和广义线性模型
• 贝叶斯加性回归树
• 矩阵填充

这本书有在线和离线两种版本。您可以下载本书的 PDF，也可以在亚马逊市场网站上订购。

购买本书：点击此处在线订购本书。

4. 统计学习要素

书籍作者：Jerome Friedman, Trevor Hastie, 和 Robert Tibshirani

价格：84.95 美元（亚马逊）

星级评分4.6/5

概述：本书阐述了医学、金融、市场营销等不同领域的关键思想，是通用框架的参考。

由于本书采用统计学方法，因此主要侧重于解释概念而非数学。它包含每个主题的各种示例和彩色图形。

这本书是机器学习专业人士以及对数据挖掘概念感兴趣的人的最佳资源之一。本书的各种概念涵盖了从监督学习到无监督学习。

它包括神经网络、支持向量机、分类树和提升等不同重要主题。本书还包含一个关于“宽”数据（p > n）的方法的章节，以及多重检验和错误发现率。

5. 概率与统计推断

作者：Robert V. Hogg, Elliot Tanis, 和 Dale Zimmerman

亚马逊价格 $181.99

星级评分 4.9/5

概述：这本书由三位著名的统计学家 Robert V. Hogg、Elliot Tanis 和 Dale Zimmerman 撰写和设计。本书的最新版本是第十版，它侧重于每个过程中存在的变异性，并通过概率和统计学帮助读者理解这种变异性。

本书包含概率和统计学的应用介绍，通过不同的实际示例和应用来强化数学概念。这些示例也说明了与统计学的关键概念的相关性。本书的教学大纲为两个学期课程设计，但也可以在一个学期内完成。

阅读本书不需要概率和统计学知识，但需要扎实的微积分知识。

本书包含了概率和统计学的流行概念，如概率、条件概率、贝叶斯定理、统计假设、标准卡方检验、方差分析（包括一般析因设计），以及与回归、相关性和统计质量控制相关的某些程序等。

结论

机器学习是一项非常广泛的技术，包含许多与数学和计算机编程相关的概念；基于此，机器学习可用于构建智能软件和系统进行未来预测。如果您对概率和统计等基础和高级数学非常有信心，那么您可以在这个行业中表现得更好。希望这个主题能帮助您选择概率和统计的最佳书籍。