这本《程序员的数学2：概率统计》有点蹭热点的感觉。首先作者换了，不是结城浩写的了，换成了平冈和幸；其次内容变得没有那么程序员思维了，更多的是偏向概率统计的概念，感觉像一本《概率统计》的书，蹭上了《程序员的数学》这个热门。只是鉴于目前学习和研究的方向确实是机器学习方面，所以还是挑选了这本书阅读以下，复习以下概率统计的知识。
还是简单介绍以下书的内容和知识点，涉及随机变量、贝叶斯公式、离散值和连续值的概率分布、协方差矩阵、多元正态分布、估计与检验理论、伪随机数以及概率论的各类应用。
说实话，读一本类似教材的书确实总结不出啥读后感，跟多的是细节上的体味和知识点的归纳。所以只好借阅读这本说谈谈自己对《概率统计》的理解，之前也提到过，概率统计不算是程序员的基础数学能力，只是针对做机器学习的程序员来说是比较重要的，但也不算是必不可少。自己程序员出身，半路出家做机器学习，对自己的数学基础一直耿耿于怀，虽然能用已有的开源机器学习库完成需求，也能对开源模型做一些简单的算法修改，但是一直觉得自己对概率统计的东西掌握不够扎实，很多东西理解起来很模糊。
后来有一次在知乎上看到一个讨论机器学习专家与统计学家观点上有哪些不同？其中一句话我觉得说的很不错：“统计学家更关心模型的可解释性，而机器学习专家更关心模型的预测能力。”感觉机器学习是一个很工业化的概念，很多流行的方法确实没有太多的数学和统计学上的可解释性，特别是在深度学习领域，大家只知道这么做效果好就一起这么做了。但是很多做机器学习的书籍又喜欢一上来一大段公式，搞得机器学习是一门很严谨的数学学科似的，拔高门槛，让人们对机器学习敬而远之。而其实基于目前的开源实现，机器学习的入门门槛不见得比 Spring 之流高多少。有一些使用经验就能很容易的将业务需求转换成实际产出。只是目前认为制造的门槛太高，现代程序开发分工明确，不是所有写代码的人都需要了解汇编，也不是所有做机器学习的人都需要数学扎实。目前来看，机器学习转换成实际业务产出的条件已经具备，需要的只是如何具体实施的尝试了。
原来看它是一座山，现在看它还是一座山，但能迈过。