本来昨晚全身心准备学习材料来，但是无意中检索到三本统计学的pdf，分别翻看了一遍。

第一本统计学，一共130+页，全书一气呵成，很少见到把统计学的概念串联的，这么好的，所以忍不住再发出来。

书中一幅图，原始频率分布直方图

这也是此书的一大特点，它不是一上来累计概念，而是从最基本的统计常识演绎出统计学的主要理论概念，写的比较通俗。做到这点，显然不容易。需要很深的统计学功底，并有很长地应用统计学的实践经历，才有可能写出来。

电子书下载

三本统计学书PDF已经打包好，获取步骤如下：

1. 点击下方名片，关注公众号「数据STUDIO」（非本号）

2. 回复关键词：2022

注：此次建议复制，不然容易打错

▲点击关注「数据STUDIO」回复2022

第二本，统计学与数据分析，这本书适合初学者和各种背景的自学者，包括社会学、生物学、经济学、心理学、医学等。每一章的介绍都非常详细、通俗易懂，还会在附录补充详细的严格的数学推导证明，供不同需求的读者阅读。

不同数据的算术平均数和中位数

第三本是机器学习中的统计学，本书介绍了机器学习的新趋势，深度学习和强化学习的基础知识，并提供了适当的示例。帮助新手快速掌握各种基础知识，同时也让有经验的专业人士更新他们对各种概念的知识，并在他们选择的数据上应用算法时更清晰。

每一章都开源了数据集及代码

第一章，从统计到机器学习的旅程，介绍了所有必要的基础和基本的统计和机器学习模块。在本章中，所有的基本原理都通过Python和R代码示例进行了解释。

第二章，统计和机器学习的并行性，比较了统计建模和机器学习之间的差异。

第三章，逻辑回归与随机森林，描述了逻辑回归与随机森林之间的比较，使用一个分类例子，解释了这两个建模过程的详细步骤。在本章结束时，您将对统计数据流和机器学习有一个完整的了解。

第四章，基于树的机器学习模型，重点介绍了行业从业者使用的各种基于树的机器学习模型，包括决策树、bagging、随机森林、AdaBoost、梯度推进和XGBoost。

第五章，K-Nearest Neighbors和Naive Bayes，阐述了机器学习的简单方法。用乳腺癌数据来解释k近邻。通过一个使用各种NLP预处理技术的消息分类例子来解释朴素贝叶斯模型。

第六章，支持向量机和神经网络，描述了支持向量机中涉及的各种功能和核的使用。然后介绍神经网络。本章将详尽地介绍深度学习的基础知识。

第七章，推荐系统，向我们展示了如何根据相似的用户找到相似的电影，这是基于用户-用户相似度矩阵。第二部分基于movie-movies相似度矩阵给出推荐，该矩阵使用余弦相似度提取相似电影。最后，应用了协同过滤技术，该技术考虑了用户和电影来确定推荐，并采用了交替使用的最小二乘方法。

第八章，无监督学习，介绍了各种技术，如k-均值聚类，主成分分析，奇异值分解，以及基于深度学习的深度自动编码器。最后解释了为什么深度自动编码器比传统的PCA技术更强大。

第九章，强化学习，提供了详尽的技术，学习最优路径，以达到一个目标的情景状态，如马尔可夫决策过程，动态规划，蒙特卡罗方法，和时间差异学习。最后，提供了一些使用机器学习和强化学习的优秀应用的用例。

电子书下载

三本统计学书PDF已经打包好，获取步骤如下：

1. 点击下方名片，关注公众号「数据STUDIO」（非本号）

2. 回复关键词：2022

注：此次建议复制，不然容易打错

▲点击关注「数据STUDIO」回复2022

长按关注- 数据STUDIO -设为星标，干货速递