第一讲:概率与计数 | 统计学110

Lecture 1: Probability and Counting | Statistics 110

频道:Harvard University · 时长:46:29 · 发布:2013-04-29 · 播放:1838191

在 YouTube 观看

简介

哈佛大学统计学110的第一讲,由Joe Blitzstein主讲,介绍样本空间、概率的朴素定义、计数、二项式系数和抽样表。

HN 为什么推荐

在Ask HN讨论中被推荐为高质量免费概率课程,用于重新学习数学或建立机器学习基础。

我用过并且可以保证它们的高质量 — HN, 2017

概率与博弈论 · 大学讲座与课程

中文字幕节选

演讲者:我称之为策略性练习的原因,有点像是—— 它们会按主题分组,比如这些题目 是帮我练习这个主题的,这些题目 是帮你练习那个主题的,等等。 但就像,你知道,我说过,我是个棋手,我最喜欢的国际象棋 战术书,开头会有一章讲牵制 然后一章讲捉双,一章讲串击, 或者你只是在练习单个的国际象棋战术, 然后到了最后,你会看到那些 把所有东西混在一起的章节,你并不 知道会出现捉双、牵制还是串击。 嗯,你知道,就像在考试中,我不会 告诉你这是捉双、牵制还是串击,但是,你知道, 通过做大量的题目,你会提高你的模式 识别能力。所以这门课很大一部分是关于模式识别 而这需要练习,对吧? 你必须尽可能多地练习,所以练习题 做得越多越好,对吧? 我不是想用大量题目折磨任何人, 但就像我上次说的,这是一门很难的课,最好的 学习方式就是我做大量的题目。 总之,那些都在那里。 这也有助于——如果你看看这些策略性练习 题的解答——那么,你也可以把它看作是我理想中 希望在作业里看到的一个范例。 所以当你写作业时, 我不想看到的是我有时看到的那种东西,比如,你知道, 你有像 x 加 3 等于 4,然后你决定 两边同时减去 3—— 减 3 等于 1,然后我不知为何需要平方它。 1 的平方还是 1,所以没问题,然后加上 7 等于 8。 画个框把它圈起来,那就是答案。 这是你不应该做的。 你应该做的是真正用文字和句子。 仅仅因为这是一门数学课,并不意味着你 不应该使用英语和方程式一样来解释事情。 所以我希望你在充分证明你的答案时尽可能 清晰和详细,对吧? 比如,如果答案是 42,那么,助教知道答案是 42。 问题是,你知道,是什么推理让你认为如此? 所以清晰是个好词。 我甚至会说诚实。 我讨厌学生有一种,怎么说呢, 草率的论证,比如,我认为答案应该是 12, 于是他们就像,你知道,随便塞点东西 在某个地方,写得非常凌乱,然后得出 12——画个框圈起来。 那非常糟糕。 所以如果你不理解某件事,那么我更希望你—— 当然,试着和别人谈谈,弄清楚, 但我宁愿你说你不理解,而不是试图编造一些 像随机胡言乱语的东西。 我总是这样想,你知道,如果我正在考虑 雇你给我建一座桥,我在考虑三种可能性, 比如要么——如果你只是告诉我,这是规格, 你做这个、这个和这个,我不会 有太多信心,如果你只是说那就是答案,对吧? 我不会盲目相信——即使你以前成功 建过桥,我想看到为什么这行得通。 另一方面,如果你告诉我一个桥梁设计,它塌了, 你觉得我会更喜欢那样吗? 还是我更希望你告诉我,你不知道怎么建这座桥? 嗯,如果你告诉我你不知道怎么建这座桥, 那我宁愿是这种情况。 所以,清晰、诚实,还有文字。 你们在其他数学课上可能习惯了,或者就写,哦, x平方的导数是2x,也许你 不需要写任何文字,但我喜欢看到文字、理由, 和思考过程,而不仅仅是方程式。

HN 上的讨论

这里有一些你提到的科目的优秀YouTube播放列表。我用过并且可以保证它们的高质量:线性代数:[LINK] 概率:[VIDEO] 微积分:[LINK] 一定要做问题,而不仅仅是看讲座,否则你会忘记内容。例如,线性代数课程有一个配套的问题网站,概率课程的教授写了一本优秀的问题书。 — pixelperfect, 2017-05
我推荐Joseph K Blitzstein和Jessica Hwang的《概率论导论》。这本书很难。真的很难。然而,你在做作业时会真正进行“刻意练习”。让我烦恼的是,作者没有提供大多数问题的答案。这在数学(概率论)领域特别糟糕。例如,在微积分中,你总是可以绘制曲线、导数,看看结果是否合理,在概率论中很难有一个简单而安全的健全检查。你可以在这里免费观看哈佛的所有课程:[VIDEO] 如果你愿意,EdX上也有相同材料的MOOC:[LINK] Sheldon Ross的书也不错。这里提到过。我特别喜欢理论问题部分,只有证明练习。每章都有一个。然而,Joe Blitzstein的问题更具挑战性,会更多地训练你的直觉。 — pedrodelfino, 2018-11
这有点像我自己创建的一个硕士课程,以自下而上地获取机器学习知识。首先,你需要强大的数学基础。否则,你可以复制粘贴算法或使用 API,但你不会了解内部发生了什么。以下概念非常必要:1) 线性代数(MIT [LINK])2) 概率(哈佛 [VIDEO])获取一些机器学习的基本掌握。对基本概念有良好的直觉:1) 吴恩达 Coursera 课程([LINK])2) Tom Mitchell 的书([LINK])上述课程和书都非常容易 follow。你会对基本概念有很好的了解,但它们缺乏深度。现在你应该转向更深入的书籍和课程。你可以从以下来源获得更深入的机器学习知识:1) Nando 机器学习课程([LINK])2) Bishop 的书([LINK])特别是 Bishop 的书非常深入,涵盖了几乎所有基本概念。现在对于深度学习的最新进展。我会推荐斯坦福的两门精彩课程:1) 视觉([LINK])2)… — neel8986, 2018-01

相关视频