Abstract: 本文为数理统计理论基础的第一篇，作为概览，从总体介绍数理统计系列的学习线路和相关博客写作的大体思路
Keywords: 统计学基础，数理统计学基础
数理统计理论 概览
开篇废话
好几天没有更新博客了，前一段时间有点用力过猛，而且最近正在补习英语，所以博客更新的没有前面那么频繁了，博客现在每天流量有100多的IP，大部分来自CSDN，有几天特别想把博客流量做大，但是后来一想，这不是就是取经路上被妖怪色诱了么，我的目的是分享和深入研究，每天要是为了流量总想着怎么SEO那就有点太不务正业了，所以，流量什么的就随他去吧，我要干的还是研究要研究的东西，以及分享一些我认为有意思的想法。
作为人工智能或者机器学习类学科的基础知识，微积分，线性代数相对来讲，相对容易些，注意我说的是对于AI和ML研究者的要求，要是深入研究，难到不知道哪里去了，相对来说概率和统计相对难一些，本系列主要针对的是统计的理论部分，国外把这称为数理统计学，就是统计的数学分析部分，当然应用部分是不包含在内的，但是国内的分发是统计学是一门人文学科，所以我们数学的统计学就叫数理统计学了，包括应用，当然，我们本系列不讲应用，有专门的一个系列讲应用，应用部分有大部分应该是需要编程的，如果可能我应该会使用CUDA并完成一个独立的项目。当然这是后面的事。我们本系列把目光聚焦在统计学的数学分析上。
数理统计知识关系
没错，我犹豫了很久最后还是用了陈希孺先生的《数理统计学教程》，这本书说实话，有些难度，不适合自学，因为没人告诉你哪部分要学，哪部分不要学，虽然前言中有建议，但是建议学习的部分中还是有一些不建议学习的内容，所以这就是有老师和没老师代的区别，当然，我考虑了很久，还是放弃了前面概率论时候用的教材《概率统计》，原因是，这本书太详细，以至于，我觉得有点墨迹，但是这本书绝对适合入门，虽然是英文的，但是基本能读懂。
本系列的主要参考就是《数理统计学教程》当然可能会参考《数理统计引论》，不过非常不建议大家去研究数理统计学引论，这本书不适合入门。参考一些知识就行了，啃下来可能是后面的事了。
我们的知识点结构图如下：
你可以找到完整版：
https://github.com/Tony-Tan/MachineLearningMath
这里的五个层大概是从概率理论到实际使用的结构分析，注意概率和统计的关系，他们是两回事，但是统计使用了概率作为工具，千万不要认为他们是一回事，因为我们平时看到统计总是跟在概率后面的，这并不意味着统计是概率的分支或者什么的。
我们主要会学习下面这些知识点：
- 点估计
- 假设检验
- 区间检验
- 贝叶斯统计
- 线性模型
- 多元分析
每一部分的深入程度不同，比如多元分析，可能后面我们会单独用一系列来研究。
本系列只能作为入门了解基础知识点使用，如果你的需求是考研，或者从事专门的数理统计学研究工作，那么这些文章对你应该是没什么帮助的。
总结
本文作为数理统计学基础的第一篇，从全局上介绍了一下我们本系列的大致内容，希望大家继续支持。