CycleUser基于 Python 的计算机统计学
简介
这一套课件实际上是一些相当粗糙的讲座笔记的草稿，基于 IPython notebook ，这门课程从 2015 年春季开始的，针对硕士生的统计学课程，课程地址原本在这里，但是这个链接实际上已经不能访问了。译者注：现在的链接可能应该是在这个链接。这个课程主要介绍的内容是在优化和模拟这两方面的各种算法的开发，这些内容也是计算统计学的核心内容。各种各样的算法和数据集的复杂度都会逐渐增加，（一维 -> 多维，固定 -> 自适应，线性 -> 并行 -> 大规模并行，少量数据 -> 巨量数据），这是为了让学这门课的学生能够掌握并联系下面这些内容：
- 练习可重现的分析（reproducible analysis）
- 掌握基本的数据管理和处理技能
- 使用 Python 语言来进行统计计算
- 使用数学和统计学的链接库来提高效率
- 能够理解和优化线性代码（serial code）
- 能够掌握不同的并行开发范式并高效利用
算法上，主要集中在以下两方面：
- 优化（Optimization）
- 牛顿-拉普森算法（Newton-Raphson，NR算法），函数式编程和向量化
- 积分算法（Quadrature），自适应方法
- 梯度下降法（Gradient descent），用于多个变量的情况
- 广义线性模型算法（Solving GLMs），多变量 + C/C++ 的接口
- 期望最大化算法，多变量 + 有限混合模型
- 仿真和重采样（Simulation and resampling0
- Bootstrap法，并行编程的基础
- "Map（映射）"和"Reduce（归约），适用于针对大规模数据的统计
- 蒙特卡罗模拟算法（Monte Carlo simulations），更大规模的并行编程
- MCMC算法（马尔可夫链蒙特卡罗(Markov Chain Monte Carlo)），多重采样，使用 GPU 进行编程
我（原作者）相信在 Duke 大学本专业内，这应该是第一次基于 Python 来讲的这门课，所以这门课会非常有意思。这也意味着教这门课需要准备很多新内容，我（原作者）就直接从已有的各种公有领域的 IPython notebook 里面来摘抄了。