2015 年上半年，我参加了机器学习的 coursera 课程（由 Andrew Ng 教授，GREAT course）。并学习了机器学习的基础知识（线性回归、逻辑回归、SVM、神经网络……）
此外，我已经做了 10 年的开发人员，所以学习一门新的编程语言不是问题。
最近，我开始学习 R 以实现机器学习算法。
但是我已经意识到，如果我想继续学习，我需要更正式的统计知识，目前我对它有非正规的知识，但非常有限，例如，我无法正确确定几个线性模型中的哪一个会更好（通常我倾向于使用 R-square，但显然这不是一个好主意）。
所以对我来说，我需要学习统计学的基础知识似乎很明显（我在大学学过，但大部分都忘记了），我应该在哪里学习，请注意，我并不需要一个完全全面的课程，只是一些东西在一个月内让我知道的足够多，所以我可以变得渴望并了解更多:)。
到目前为止，我已经阅读了“没有眼泪的统计”，还有其他建议吗？
我会建议你一个关于如何去做的基本路线图：
奖金：
Metacademy是此类路线图的绝佳站点，我个人保证它是网络上最好的数据科学资源之一。
Gitxiv是另一个漂亮的网站，它将 Arxiv 关于数据科学的研究论文与相关的开源实现/库联系起来。
您是否查看过Think Stats或Think Bayes ——它们都是面向程序员的（免费）统计书籍，并且包含大量 Python 代码。
此外，如果您对学习R感兴趣，那么CRAN有很多（免费）pdf 可供您查看，例如Introduction to Probability and Statistics Using R。还有一个Coursera 课程使用了很多人非常喜欢的R（他们使用这本教科书，您可能也想查看它，并且我相信在DataCamp上有实验室）。
此外，如果您想复习一些统计主题，您可以随时在可汗学院观看一些视频。
如果你曾经，甚至在遥远的过去，能够解决这个列表中的问题，那么你应该尝试“正确地”研究应用统计。我会给你一个简单的两步算法。
首先，熟悉概率论。有很多很棒的书。我最喜欢的是费勒的经典著作。它被称为“介绍”，但不要被标题所迷惑，它有你想去的深度，但如果你只是想略读表面，它写得很好而且很简单。
第二步是统计。再说一次，有很多好书。我会给你一个我用过的，古吉拉特语“基本计量经济学”第四版的一个不错的介绍文本。计量经济学是应用于经济学的统计学。作为参考，伯克利经济学家哈尔瓦里安（Hal Varian）是所有人都认为数据科学家将成为未来 10 年最性感的工作的人。很多机器学习的东西都是基于基本的统计、回归等。这本书涵盖了所有内容，你不需要通读，它的编写方式可以让你按照自己的顺序选择章节。
当 Ng 的课在阅读这些课文时快速填满后，您会惊讶地发现有多少空缺。
作为一个从业者，经过这两个步骤，你不需要太多的理论。您可以继续学习 ML 技术，专门阅读该领域的书籍。重要的是不要在一开始就深入到概率和统计数据中。首先让您的代码用于 ML，然后在进行中填补空白。
每个人都在推荐 Casella & Berger，它几乎普遍用于研究生统计课程。这不是一本糟糕的参考书，但我不确定我会做的不仅仅是浏览前 4-5 章。我认为在深入研究“统计”（即数据分析）之前，您不需要了解如何构建 Neyman-Pearson 类型测试的理论。
相反，我会专注于学习方法。我的研究生课程使用应用线性统计方法进行频率测试，这是一本相当不错的综合参考书，但从自学的角度来看，它可能不是最平易近人的书。来自 MIT 或 coursera 的一两门课程可能是一个更好的开始方式，因为与阅读一本书相比，你会通过更多示例获得更广泛的概述。
对于贝叶斯来说，我看到最常用的一本书是《做贝叶斯数据分析》，里面附有小狗图片（显然，这使得这本书优于其他贝叶斯入门教科书）。我自己从未使用过这本书，但我已经翻阅过它，它看起来相当不错 - 比 Gelman 的书要好得多，在贝叶斯统计的两节课之后我发现它有点难以理解 - 解释很糟糕。