简介

精彩点评

• 

  [發]¾

  推荐

  讲的是一个大的方面，对一些细节问题基本不涉及，对有一定统计基础的同学还行，对那些想入门提升的可能作用不大

• 

  庄东方

  推荐

  内容可圈可点，有些例子内容不够深入，建立基础认知可以，但要想获得丰富的应用场景，还有所欠缺!

• 

  陈志林-dayday

  推荐

  - 老生常谈, 关注「原书名」, 可以帮助你很好的了解这本书到底要讲啥: 「Practical Statistics for Data Scientists: 50 Essential Concepts - 对数据科学从业者来说, 这都是一本非常出色的参考书

• 

  南洋

  推荐

  通俗易懂，知识系统化。对刚入门同学的知识体系构建帮助很大。 部分地方缺乏案例或图示，可百度辅助认知。

• 

  你好哇

  推荐

  作为一名学习心理学的学者，本书的一些基本统计概念较为容易理解，是一本学习基础统计的好书。但是对于本书的一些编程应用、示例对我来说还是较难理解的，但可适当翻阅了解一些编码对统计的学习获益颇多，本书仅当作是一本统计入门书也挺好的。

• 

  Philip

  推荐

  这本书是一个比较精炼的参考类书籍，附带不少例子以供学习。另外附有参考书目可供查阅。应该是一部很好的案头书。

• 

  周运来🇨🇳

  推荐

  书如其名。在读这本书的时候，把统计学和机器学习联系在一起了。或者说，机器学习是统计学的发展，传统的统计学模型可以纳入到现代机器学习的算法框架之中。

• 

  王逸少

  推荐

  数据科学和统计学虽然有颇多共同的知识点，但二者的侧重点不一样，统计学中一些很重要的点对于数据科学来说就无关紧要，所以对于数据科学来说，这本书并不是必需的！

• 

  HD

  推荐

  术语太多，几乎是知识点的汇总。有用但不适合初学者。个人比较适合知识回顾以及作为工具书使用

• 

  motein

  推荐

  很久前看过这本书，目前已经有第二版了（Python版）。概率是从理论的角度给这个世界建模，而统计则是用现实的数据去不断逼近世界的原貌。可观测的现实往往具有很强的确定性，而更宏（微）观的世界中却总是充满着随机性。在确定性和随机性之间，是人们崇拜的神性。

• 

  Kevin Ho

  推荐

  如果一个预测变量可以表示为其他变量的一种线性组合，就产生了完美的多重共线性问题。

• 

  alex

  推荐

  很棒的书，值得反复阅读。避免了以往讲统计学或者讲算法的书太过理论。本书非常务实得讲统计学，算法在实际应用做了关联。 作者根据自己的经验对不同方法的优劣，可能产生的好处风险一一提及，例如假设检验值p值的看法，对不同模型适应场景的解释。

• 

  momo

  推荐

  宝藏(〃∇〃) 对于一个没有什么统计学基础却需要介绍有统计数据论文的人来说，概念解释和举例来得刚刚好，傻傻分不清F检验和卡方分析的我有救了

• 

  baixi

  推荐

  前面的内容讲解清楚易懂，后面两章吃力，不是太懂，还需要以后再回来看看

• 

  YiyaChen卫

  推荐

  本书是作者写给有一定统计学基础读者的一本十分精炼，实用，全面统计学方法与理论参考书。 其独特之处有下： 作者用非常统计学思维方式，准确，精炼，简洁笔法介绍统计学中一些最基本，重要概念，与算法。它特别适合需要，除了数据科学家以外的，需要发表科学论文作者温故知新。其中它还不乏有些精彩内容的介绍，例如， 作者用三言两语就非常清楚的介绍了，对于抽样方法中Bootstrap（自助法）的介绍。另外，它还提供丰富，具体，简洁，经典应用范例。通过数据，图表或者典型范例来深度理解统计学方法及技术，的确是作者佳作。 其次，它为需要应用统计方法的读者提供了一些R 码，特别这些都是作者为码农提供一些，一般难以找到，非常实用的R编码。通常人们学习统计学，只有通过亲身体会其相关应用程序之后，才可以更好地理解，认识其所分析的数据。 重要的还有，作者提供统计学中各分枝之基本概念是如何产生或者其来源，历史典故及统计学创新大咖们之相关里程碑式，经典参考文献资料，网上资源连接等。它都有相应简单介绍。本书除了经典内容的介绍，同样包括一些最新可嗯，用于机器学习部分内容。它有些一般不常见统计方法及其相对时髦概念。因此，它更像是一本简洁、时髦统计学百科全书小而全手册。尽管它在AI应用领域涉足不深。 作者旁征博引，内容十分丰富，简洁，干净，值得收藏。当然，有经验读者也许都知道，该原文出版社发行几乎所有的技术方面书籍，都十分优秀，购书时勿需剁手，或者哆嗦。