参与 | 刘畅
近日，圣母大学(University of Notre Dame)公开了一门统计学课程资源，包括：课程笔记和授课视频，课后作业（以及解决方案）以及课程信息和参考以及课程大纲。
这份资源非常丰富，但从营长以往推荐的文章和资源看，大家可真不待见“统计”这个词，从字面上看，它太无聊了，但它对很多机器学习的应用领域又是必不可少的，所以营长这次还是推荐给大家。
1.统计计算和概率统计简介
2.概率统计概论简介（续）
3.信息理论，多元高斯，最大似然估计，Robbins-Monro算法
4.用于连续最大似然的Robbins-Monro算法，维数灾难，条件和边缘高斯分布
5.似然计算，最大后验估计和正则化式的最小二乘，线性高斯模型
6.贝叶斯统计学简介，指数族分布
7.指数族分布和广义线性模型，多元高斯分布的贝叶斯推断
8.先验和分层模型
9.贝叶斯线性回归，模型比较与选择
10.贝叶斯线性回归
11.贝叶斯线性回归（续）
12.贝叶斯回归与变量选择的实现
13.蒙特卡罗方法简介，离散和连续分布抽样
14.反向采样，转换方法，合成方法，接受 - 拒绝方法，分层/系统采样
15.重要抽样
16.吉布斯抽样
17.马尔可夫链蒙特卡罗和Metropolis-Hasting算法
18.状态空间模型和顺序重要性抽样介绍
19.带重采样的序列重要性抽样
20.带重采样的序列重要性抽样（续）
21.序列蒙特卡罗（续）和条件线性高斯模型
22.可逆的跳转马尔可夫链蒙特卡罗
23.期望最大化介绍
24.期望最大化（续）
25.主成分分析
26.连续潜变量模型
27.高斯过程的核方法和导论
28.高斯分类问题过程，课程摘要