属于 Machine Learning 学习旅程新学习旅程机器学习中的统计学
每个模型都离不开的统计学，通过模拟和画图来学，而不是死记公式。用 NumPy、pandas、SciPy 和 scikit-learn 写真正的 Python，每节课都有一张图表。
64 节课63 个挑战265 道测验题
- 适合初学者
AI 辅助编程帮助
动手实践的互动课程
检验所学的测验
免费结业证书
课程大纲
本单元属于 Machine Learning 学习旅程。完整大纲还有更多单元：点击下方任意预览，即可在学习旅程页面查看。
- 单元 1数据与图表60 节课
单元 2
机器学习统计学
开始本单元开始每个模型背后的统计学知识：集中趋势与离散程度、分布、通过模拟理解概率、样本、异常值、相关性、趋势线和组间检验，接着学习特征缩放与编码。每个概念都会用真实数据计算并绘制成图表。样本与总体
5 节课520特征缩放
5 节课520- 单元 3监督学习58 节课
- 单元 4无监督学习51 节课
在实践中学习
编写真实代码、查询数据库、搭建网站、掌握 AI 提示词。我们的互动课程涵盖现代开发者需要的每一项技能。
打造你的连胜
坚持下去，看着自己不断进步！记录每天的编程习惯，用冻结天数保护连胜，每天打卡都能赢取奖励。
12 天连胜
明天再来，保持你的连胜！
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
加倍或归零
第 5 天，共 7 天
连胜冻结
2 left
随时随地写代码
随时随地继续你的编程学习旅程！无需配置，无需下载：打开就能写代码。支持 iOS、Android 和 Web，评分高达 4.9 星。
你并不孤单
在全球排行榜上一较高下，邀请好友赢取奖励，为彼此的成就喝彩。和好友一起编程更有趣！
1
2
3
晋级区多种学习方式
阅读、收听、自我测验、问 AI，或者查阅学过的任何内容。每节课都配合你的节奏。
变量是一个有名字的容器，用来存储值，方便你在程序后面引用。
在 Python 中，创建变量只需写下名字、一个等号，再写上要存储的值。
值可以随时间变化。给这个名字重新赋值，它就会指向新的值。
获得证书
每完成一门课程都能获得证书。把证书添加到你的 LinkedIn 个人资料和简历中，向雇主展示你的编程能力。
结业证书Python 基础
添加到 LinkedIn为什么在 Coddy 学机器学习统计学
- 先模拟，再观察。掷几千次骰子，抽几千个样本，把分组打乱几千次，看着直方图逐渐稳定下来。概率在成为公式之前，是一个你可以数出来的比例。
- 每节课都有图表：叠加正态曲线的密度直方图、标出离群值的箱线图、相关性热力图、拟合的趋势线。运行代码时，你自己的图表就会出现在“图表”标签页中。
- 机器学习真正用到的统计学：平均值和中位数、离散程度和百分位数、分布和 z 分数、抽样、离群值、相关性、最小二乘法和 R 平方、p 值和 t 检验。
- 最后来到模型的起点：用
StandardScaler做特征缩放，用pd.get_dummies对类别编码，以及一份在训练任何模型之前探索新数据集的检查清单。
关于机器学习统计学的常见问题
学机器学习需要多少统计学知识？
比大多数人担心的要少。要训练好、评估好模型，你需要看懂集中趋势和离散程度，知道什么是分布和离群值，用相关性衡量变量之间的关系，拟合一条直线，并能分辨真实差异和偶然结果。这就是这个单元的内容。证明和深奥的概率论对研究很重要，但用好 scikit-learn 并不需要。
这和数据科学用的统计学一样吗？
一样。描述统计、分布、抽样、相关性、回归直线和假设检验，是数据科学和机器学习共用的统计学核心。最后几章更偏向模型，讲的是训练之前的特征缩放、编码和数据集探索。
需要微积分或线性代数吗？
不需要。所有内容都通过算术、模拟和图表来教。遇到公式时，你看到的是一行代码和一张图，然后再用模拟来验证它。如果以后想深入研究算法是怎么构建的，微积分和线性代数才会派上用场。
用大白话说，p 值是什么？
stats.ttest_ind，它是用公式回答同一个问题的捷径。会用到哪些 Python 库？
stats 模块处理分布和检验，scikit-learn 提供 StandardScaler。这些都在本单元之前的 Python 数据可视化单元 中讲过。需要多长时间？
64 节课，按自己的节奏学大约 11 小时：每天半小时，三到四周学完，其中包括四道基于仿真实数据的结业挑战。
统计学单元免费吗？
免费。课程内容、图表、AI 提示和单元证书都免费。免费账号每天可以学几节课，Pro 会取消每日限制。
