编辑推荐

本书是一本面向计算机科学专业学生的概率统计教材。书中全面介绍了定性和定量数据分析、概率论、随机变量以及包括机器学习在内的统计方法。 全书包含丰富的图示，重点章节都包含大量的实例，以及许多其他教学元素，如流程、定义、有用的事实及注记（小技巧）。部分章节末尾附有“问题”和“编程练习”，帮助读者巩固应该掌握的要点。本书特色 ·侧重介绍离散情形的随机变量和期望。 ·以实用的方式介绍仿真，表明有多少感兴趣的概率和期望可以被提取，并着重介绍马尔可夫链。 ·简明而清晰地阐释简单情形的点推断策略（极大似然、贝叶斯推断），并将其扩展到有放回随机抽样的置信区间、样本和总体，以及最简单的假设检验。 ·深入浅出地讲解分类，解释分类为什么有用，如何用随机梯度下降法训练SVM分类器，如何用随机森林和最近邻等更高级的方法实现分类。 ·详细介绍回归，说明如何建立并使用线性回归和最近邻回归解决实际问题。 ·通过大量实例详细讲解主成分分析，并通过主坐标分析简要概述多维放缩。 ·详细介绍如何通过聚合方法和k均值进行聚类，以及如何构建复杂信号的向量量化特征。 

内容简介

本书针对计算机科学专业的本科生，旨在揭示概率和统计的思想。全书共分为五部分，第I部分数据集的描述，涵盖各种描述性统计量（均值、标准差、方差）、一维数据集的可视化方法，以及散点图、相关性和二维数据集的描述；第II部分概率，内容涵盖离散型概率、条件概率、连续型概率、Markov不等式、Chebyshev不等式及弱大数定律等；第III部分推断，涵盖样本、总体、置信区间、统计显著性、试验设计、方差分析和简单贝叶斯推断等；第IV部分工具，涵盖主成分分析、zui近邻分类、朴素贝叶斯分类、K均值聚类、线性回归、隐Markov模型等；第V部分零散的数学知识，汇总了一些有用的数学事实。

作者简介

大卫·福赛斯（David Forsyth）　曾在艾奥瓦大学任教3年，在加州大学伯克利分校任教10年，之后到伊利诺伊大学任教。他是2000、2011、2018年IEEE计算机视觉和模式识别会议（CVPR）的程序委员会共同主席，2006年CVPR和2019年IEEE国际计算机视觉会议（ICCV）的大会共同主席，2008年欧洲计算机视觉会议（ECCV）的程序委员会共同主席，而且是所有主要的计算机视觉国际会议的程序委员会成员。此外，他还在SIGGRAPH程序委员会任职了6届。他于2006年获得IEEE技术成就奖，并分别于2009年和2014年成为IEEE会士和ACM会士。

目　　录前言
致谢
作者简介
符号和约定
第一部分 数据集的描述
第1章 查看数据的第一个工具 2
1.1 数据集 2
1.2 正在发生什么？绘制数据的图形 3
1.2.1 条形图 5
1.2.2 直方图 5
1.2.3 如何制作直方图 6
1.2.4 条件直方图 7
1.3 汇总一维数据 8
1.3.1 均值 8显示全部信息前　　言对现代计算机科学家来说，理解概率和统计是非常重要的. 如果你爱好理论，则需要知道很多概率知识（例如，了解随机算法，理解图论中的概率方法，理解有关近似的大量知识，等等），并至少要有足够的统计知识. 如果你爱好实践，则会发现自己在不断地探寻统计技术（特别是分类、聚类和回归）.例如，很多现代人工智能技术都是建立在统计的基础之上. 再例如，有关海量数据集的统计推断的思考对人们设计现代计算机系统产生了巨大的影响.
传统上，计算机科学专业的本科生需要学习概率论课程（这一课程通常由数学系教师讲授），或者需要学习统计学课程（这一课程通常由统计系教师讲授）. 计算机科学专业的课程委员会决定对这些课程进行修改，因此，我讲授了该课程的实验版本. 为此，我撰写了一些笔记，基于这些笔记编写了这本书. 本书中没有关于概率或统计的新知识，但其主题是我选择的，我认为这与大家在很多其他书中见到的内容有很大的不同.
选择主题的关键原则是揭示概率和统计的思想，我认为这些思想是每一名计算机科学专业的本科生都应当了解的，而不管他们以后选择什么专业或从事什么职业. 这意味着本书内容的范围非常广，但对很多领域的介绍并不深入. 我认为这样很好，因为我的目的就是保证所有人都有足够的见识，都能够知道找到一个分类包就可以解决很多问题. 因此，本书覆盖了足够多带你入门的基础知识，并会让你认识到需要了解更多知识.