¿Qué temas debo aprender en estadística para el aprendizaje automático?

Hay dos cosas importantes que debes saber: estadística descriptiva y teoría de la probabilidad .

Algunos de los conceptos clave incluyen distribuciones de probabilidad, significación estadística, interpretaciones, pruebas de hipótesis y regresión.

También deberías aprender el pensamiento bayesiano. El pensamiento bayesiano es el proceso de actualización de creencias a medida que se recopilan datos adicionales, y es el motor detrás de muchos modelos de aprendizaje automático. Incluye conceptos como probabilidad condicional, anteriores y posteriores, y máxima verosimilitud.

Debe comprender (para poder relacionarse cómodamente con el resultado del aprendizaje automático)

• Teorema del límite central y propiedades de la distribución normal / distribución t
• Distribución muestral de medias, proporción
• Evaluación de la hipótesis
• Regresión lineal y estimaciones de mínimos cuadrados ordinarios
• Estadísticas de chi cuadrado
• ANOVA unidireccional

Algunas estadísticas aplicadas como

• Regresión logística
• Estimaciones de máxima verosimilitud

Puedes echar un vistazo al enlace a continuación

Estadísticas simplificadas por ejemplo para análisis / ciencia de datos

Algunas de las Teorías estadísticas y de probabilidad fundamentales necesarias para ML son Combinatoria, Reglas y axiomas de probabilidad, Teorema de Bayes, Variables aleatorias, Variación y expectativa, Distribuciones condicionales y conjuntas, Distribuciones estándar (Bernoulli, Binomial, Multinomial, Uniforme y Gaussiano), Momento Funciones generadoras, Estimación de máxima verosimilitud (MLE), Estimación previa y posterior, Estimación máxima a posteriori (MAP) y Métodos de muestreo.