统计机器学习的教材?统计机器学习的教材很多学科里都有一些唬人的、不明觉厉的术语，主要有两个原因，第一，为了纪念这个理论的发明者；第二，一些新学科，很多理论还是由一堆论文组成，还没出现一个领军人物去总体概括。我感觉《统计学》是使用不明觉厉术语最多的学科之一，很多术语背后的思想很简单极大似然估计。naivebayes，选择具有最高概率的决策。DelphiMethod，意见加权平均。回答是才能继续。
统计机器学习的教材?很多学科里都有一些唬人的、不明觉厉的术语，主要有两个原因，第一，为了纪念这个理论的发明者；第二，一些新学科，很多理论还是由一堆论文组成，还没出现一个领军人物去总体概括，接下来我们就来聊聊关于统计机器学习的教材?以下内容大家不妨参考一二希望能帮到您!
统计机器学习的教材
很多学科里都有一些唬人的、不明觉厉的术语，主要有两个原因，第一，为了纪念这个理论的发明者；第二，一些新学科，很多理论还是由一堆论文组成，还没出现一个领军人物去总体概括。
像数学这种学科已经出现了上千年，很多难理解的术语早已被驯化的通俗易懂，假如把圆周率叫做祖冲之率，把勾股定律叫做毕达哥拉斯定理，只能把简单问题复杂化。但在很多新学科里，不明觉厉的术语为初学者造成了很大的理解障碍。
我感觉《统计学》是使用不明觉厉术语最多的学科之一，很多术语背后的思想很简单
极大似然估计。maximum likelihood estimate ，直译“极大可能估计”，一个猎人和一个没用过枪的普通人去打猎，一声枪响后一只兔子被打死，请问谁打死兔子的概率大？当然是猎人。
朴素贝叶斯。naive bayes，选择具有最高概率的决策。一个人平时喜欢乐于助人，你说这个人是好人的概率大？还是坏人的概率大？
马尔可夫链。前天，昨天，今天的天气都会影响明天的天气，但影响最大的是今天的天气
高斯分布：也叫正态分布 normal distribution ，正态：比较正常姿态，不是abnormal变态。师范大学的英文是Normal University，Normal就是正态、正经、为人师表
回归分析，regression analysis，一个省份的人平均身高在100年内几乎是不变的，假设是1.7米，即使出现了2.26米的姚明，但姚明的后代身高肯定要往1.7米回归，不可能超过2.26米，即使姚明的女儿10岁时已经1.7米。可以用万有引力，物极必反来理解。
Logistics回归：最小二乘法计算回归线
Apriori。拉丁语：来自以前，如果某个集合频繁出现（比如购物篮中的商品），那么他的子集也频繁出现
德尔菲法则。Delphi Method，意见加权平均。市场调查时，给不同水平的专家设置不同的权重，因为院士、教授、总经理、经理，普通员工，经验和知识水平差别很大，避免1人1票制的弊端。
神经网络：Artificial Neural Network，模仿人的大脑决策，分为好几层神经元，每层神经元权重不同。这个和德尔菲法有点像，调查一个企业对明年收益的看法，先调研经理层，再调查总监层，再调查总裁层，每层人的意见权重不一样，最后得到一个结论。
欧氏距离，Euclidean Distance，欧：欧几里得，二维空间两个点的距离 = (x1-x2)2(y1-y2)2 ，再开平方。可以推广到N维空间。
曼哈顿距离，Manhattan Distance，两个点的距离 = |x1-x2||y1-y2|，取名的原因是便于出租车司机计算A点到B点的街区距离，因为从A点到B点的路线一般不是一条直线
决策树。找相亲对象：有房吗？→有车吗？→ 帅吗？→ 1.8m以上吗？回答是才能继续。每个决策节点都有清晰的界限，可以把相亲对象清晰的分类
假设检验，Hypothesis test 统计学里用来证明小概率事件不会发生的一套八股文方法，不能保证绝对准确
例子：某公司开发了一种新药，假设药效和旧药效果没差别（H0，不希望出现的事），找两组病人做药效对照试验，发现新药有效的概率大于旧药，拒绝H0假设（当然对照试验只能代表一批样本，不能代表整体，也有可能新药和旧药效果没差别，但在目前的概率下，认为新药效果好）
支持向量机。Support Vector Machine，寻找一个分割平面，使平面附近的数据点，到分割平面的距离最大，与最小二乘法（回归）类似
K-mean聚类：根据数据点之间的（欧氏）距离，把数据点分为K类
kNN近邻算法：k-Nearst Neighbor， 近朱者赤近墨者黑，一个人的认知水平，与他最关注的k个人有关，可以与最大关注的人的水平化为一类
新上市一个车型，应该划分到哪个细分市场？找与他竞争强度最大的k个车型（可使用汽车网站的车型对比数据），选排名第一的竞品所在的细分市场
张量：一维数据叫向量，二维数据叫矩阵，三维数据叫张量
成本函数/代价函数/损失函数，loss/cost function，预测错了要被惩罚，犯错的成本、代价 ，L(w，b)是w和b的函数，不针对特征变量x
梯度下降，gradient descent，机器学习的精髓，像下山一样，找到一个低点，走过去，环顾四周，再找到一个低点，继续网下走，直到到达山脚下，每走一步都更接近山脚，不是瞎走
