打扰了
想问有没有推荐偏向实务性的传统统计线上课程或书
本身读的是医疗相关科系
最近因为兴趣在学机器学习、神经网络
在收集资料阶段也想要会传统统计
有先看过网络推荐的台大开放统计学课程
能理解大致上的概念
但实作的时候发现有我蛮多东西不知道
例如t检定前要检查统计分布跟变异数
但case>30的时候就算非常态分布仍然能用t检定
回归模型要检查分布、抓异常值
odds ratio/hazard ratio/生存分析怎么做
为什么要分unadjusted跟adjusted ORs等等
所以想找个更深入的课程弄清楚
希望是偏实务性如什么样的资料/条件该选什么统计方法、用之前要检查什么东西之类的
太数学的我可能看不懂也记不起来
现在会用python跟r
不考虑sas跟spss等付费软件（工作场所不会买）
纯统计教学可有跟工具搭配的更好
资料处理部分已经会用python或r来弄
可接受Udemy等付费线上课程
之前买python bootcamp每堂课都会有作业实作收获良多
不过coursera plus就有点超出预算（生活繁忙可能会看好几个月）
感谢大家

个人觉得 Udemy 上统计课程偏简单，想要扎实一点的话可以看清华大学郑少为老师的课，但就会比较多数学了；陈正仓老师写的应用统计学比较浅显易懂，例子也比较接近生活。前者是线上可以找到影音，后者可以去书局或图书馆翻翻看

感谢推荐 书查了一下目录好像蛮适合的 会找时间去图书馆借 清大的很多人推不过对我来说有点硬 可能会留到最后再研究XD

少为把拔不过传统统计在ML, DL的占比越来越少

单一课程似乎很难满足你的需要，一般性适合的课程网络上不确知有没有，需要的话就查询统计学系所的统计方法统计分析或资料分析类的课程，但不一定符合和满足你的需求。如 odds ratio, adjusted odds ratio 是在离散（类别）资料分析， hazard ratio 是在存活分析。至于什么 n > 30 可用t 检定是基本统计学课程中学到的吧，但可惜严格来说那是错误的，是对中央极限定理及 t 分布的错误理解所造成的。较正确的说法在某些英文统计教本中可看到，例如Moore, D. S.的

医疗相关领域的话那从生物统计的课程去找可能较好入门

请教yhliu大, 有看过说t统计量(不是t分布) 本身会converge in distribution to normal不需要母体是normal, 例如考虑单样本, mu=0的情况sqrt(n)*(sample mean) converge in distribution toN(0,1), 而sample variance converge in prabability to

t 统计量渐近常态，用的是中央极限定理，大数法则，和Slutsky 定理。首先，t 统计量的分子应用CLT渐近常态，其次t 的分母, 样本变异数引用 LLN 收敛至群体变异数；最后，引用 Slutsky 定理完成证明。当然，群体分布需具有平均数变异数，这不仅是分子中的样本平均数适用 CLT 的条件，也是分母中样本变异数收敛至群体变异数所需条件。承先前我的看法，如统计方法一类的课程可能一学期介绍几种统计方法，但都不会深入，如统计分析或资料分析，可能是分析方法的实际操演步骤，甚至不谈原理。而这些绝不可能涵盖个人需要或有兴趣的各种方法，专门针对个人兴趣的应用领域的课程可能好一点，但大概也只是方法的粗浅介绍。举个例子如回归分析中影响点特异点侦测，模型诊断残差分析等，大概只能在回归分析或回归模型这样的课程学到，先前说的包含多种分析方法的课程最多只能从一个例子学到选择模型的程序及从几个残差图许看模型中存在的重大问题，很难学到较完整的分析程序。另外，现在很多人使用统计都是依赖套装软件，上课也多是软件应用操作，要学到原理可能还需专门课程及专书

请问原po说的python bootcamp是在Udemy的吗？谢谢

对 我是买这个“100 Days of Code: The Complete Python Pro Bootcamp” 他内容很多 我只看前面一小部分就开始找自己想弄的题目写了

你应该没完全看懂台大开放式课程，你说的问题如果有看懂，应该很容易理解你的问题自己重复看了5遍以上，每一个老师教的观念都要真的懂，似懂非懂，就算看再进阶的课程都只是徒增自己的困惑统计基础要扎实，不然只会套模型，哪天连违反基本假设也不知道