对那些涉足计算机科学领域或需要重新温习概率知识的人来说，你将得到一个好消息。斯坦福大学最近更新了其CS109课程的YouTube播放列表，增加了新内容!

该系列视频包括29个讲座，为您提供关于概率理论基础、概率理论中的基本概念、分析概率的数学工具以及最后的数据分析和机器学习方面的黄金标准知识。

那么，让我们开始吧…

 

讲座1：计数

 

链接：计数

了解概率的历史以及它如何帮助我们实现现代人工智能，通过开发人工智能系统的实际例子。理解核心的计数阶段，通过“步骤”进行计数和通过“或”进行计数。其中包括人工神经网络等领域，以及研究人员如何利用概率来构建机器。

 

讲座2：组合数学

 

链接：组合数学

第二讲进一步探讨严肃计数的领域 – 这被称为组合数学。组合数学是计数和排列的数学。深入研究有关n个对象的计数任务，通过对对象进行排序（排列），选择k个对象（组合）以及将对象放入r个桶中。

 

讲座3：什么是概率？

 

链接：什么是概率？

从这一讲开始，课程真正深入探讨概率。通过广泛的例子了解概率的核心规则，并简单介绍Python编程语言及其与概率的应用。

 

讲座4：概率和贝叶斯

 

链接：概率和贝叶斯

在这一讲中，您将深入学习条件概率、链式规则、全概率公式和贝叶斯定理的使用。

 

讲座5：独立性

 

链接：独立性

在这一讲中，您将学习在互斥和独立的条件下概率的应用，使用AND/OR。该讲座将通过各种示例帮助您深入理解。

 

讲座6：随机变量和期望

 

链接：随机变量和期望

根据之前的讲座和你对条件概率和独立性的了解，本讲座将深入探讨随机变量，使用和产生随机变量的概率质量函数，并能够计算期望。

 

讲座7：伯努利二项分布的方差

 

链接：伯努利二项分布的方差

现在你将利用你的知识来解决越来越难的问题。本讲座的目标是认识和使用二项随机变量、伯努利随机变量，并能够计算随机变量的方差。

 

讲座8：泊松分布

 

链接：泊松分布

当你有一个速率并且关心事件发生的次数时，泊松分布非常有用。你将学习如何在不同方面使用它，并配有Python代码示例。

 

讲座9：连续随机变量

 

链接：连续随机变量

本讲座的目标包括熟练使用新的离散随机变量，通过积分密度函数得到概率，以及使用累积函数得到概率。

 

讲座10：正态分布

 

链接：正态分布

你可能以前听说过正态分布，在本讲座中，你将简要了解正态分布的历史、它的定义、为何重要以及实际示例。

 

讲座11：联合分布

 

链接：联合分布

在之前的讲座中，你最多会处理两个随机变量，学习的下一步将是涉及任意数量的随机变量。

 

讲座12：推断

 

链接：推断

本讲座的学习目标是如何使用多项式分布，理解对数概率的实用性，并能够在随机变量中使用贝叶斯定理。

 

讲座13：推断 II

 

链接：推断 II

学习目标延续上一次课程，将贝叶斯定理与随机变量相结合。

 

第14讲：建模

 

链接：建模

在本讲中，您将把之前学到的知识应用到实际问题中，进行概率建模。这涉及将许多随机变量进行随机组合。

 

第15讲：一般推理

 

链接：一般推理

您将深入研究一般推理，特别是了解一种名为拒绝抽样的算法。

 

第16讲：贝塔

 

链接：贝塔

本讲将介绍用于解决实际问题的概率随机变量。贝塔是一个概率分布，其取值范围在0和1之间。

 

第17讲：加法随机变量

 

链接：加法随机变量I

在课程的这一阶段，您将学习关于深层理论，加法随机变量是解决概率理论结果的引入。

 

第18讲：中心极限定理

 

链接：中心极限定理

在本讲中，您将深入学习中心极限定理，这是概率中的重要元素。您将通过实际例子来理解概念。

 

第19讲：自助法与P-值

 

链接：自助法与P-值I

您将进入不确定性理论、抽样和自助法，这些受中心极限定理启发。您将通过实际例子来理解。

 

第20讲：算法分析

 

链接：算法分析

在本讲中，您将更加深入地了解计算机科学，了解算法分析的原理，即找出算法的计算复杂性的过程。

 

第21讲：M.L.E.

 

链接： M.L.E.

本讲座将深入研究参数估计，为您提供关于机器学习的更多知识。在这里，您将运用概率知识到机器学习和人工智能领域。

 

第22讲：M.A.P.

 

链接： M.A.P.

我们仍然处于将概率的核心原理应用于机器学习的阶段。在这堂讲座中，您将关注与概率和随机变量相关的机器学习参数。

 

第23讲：朴素贝叶斯

 

链接： 朴素贝叶斯

朴素贝叶斯是您将深入学习的第一个机器学习算法。您已经学习了参数估计的理论，并将进一步了解核心算法如朴素贝叶斯如何导致神经网络等想法。

 

第24讲：逻辑回归

 

链接： 逻辑回归

在本讲座中，您将深入了解第二个用于分类任务的算法——逻辑回归，您还将学习更多相关内容。

 

第25讲：深度学习

 

链接： 深度学习

随着您逐渐深入学习机器学习，本讲座将根据您已学知识详细介绍深度学习。

 

第26讲：公正性

 

链接： 公正性

我们生活在一个日常生活中应用机器学习的世界。在本讲座中，您将关注机器学习中的公正性问题，并重点讨论伦理问题。

 

第27讲：高级概率

 

链接： 高级概率

您已经学习了概率的基础知识，并在不同场景中应用了这些知识与机器学习算法的关系。下一步是更深入地学习概率的高级内容。

 

第28讲：概率的未来

 

链接：概率的未来

这堂课的学习目标是了解概率的使用以及概率可以应用于解决的各种问题。

 

讲座29：期末复习

 

链接：期末复习

最后一个讲座。您将回顾其他28个讲座，并概述所有不确定因素。

 

总结

 

找到适合学习的好资料可能很困难。这门计算机科学概率课程的教材非常棒，可以帮助您理解您不确定或需要梳理的概率概念。

****[Nisha Arya](https://www.linkedin.com/in/nisha-arya-ahmed/)****是一位数据科学家和自由职业技术作家。她特别喜欢提供数据科学职业建议或教程和基于理论的数据科学知识。她还希望探索人工智能在延长人类寿命方面的不同方式。作为一个热心的学习者，她寻求拓宽自己的技术知识和写作技巧，同时帮助指导他人。