這個系列的隨筆，起源于工作中遇到的問題：拿到一份試驗數據后，該如何分析其內容并得到有價值的結論？

一般說來，某個產品在上線之前，都會在小范圍內做實驗，看看用戶對產品新功能/新樣式的反映如何，實驗的結論會產出很多體現用戶反映的各種維度、各種指標的數據，而且量級都比較大（可能幾萬個甚至十幾萬個值）。那么問題來了：給你這樣一份數據，你能從中挖掘出什么有用的信息，來說明這個實驗的結果是好是壞？好在哪里、壞在哪里？如果是壞的，那么如何改進？

我發現項目組中的很多博士同學尤其是數學博士，對待這種問題有一套比較成熟的方法，比如他們會畫出各種圖表來證明數據是否對稱、有偏、某兩個特征的相關性、某個特征的權重等。

但我一直對這類問題沒有熟練掌握解決方法，究其原因，主要還是不懂得如何統計分析，大學學過的《概率論與數理統計》那一套基本還給老師了——即便還記得一些，也和當前遇到的問題對不上號，不懂得怎么使用。

當然，在從前使用統計機器學習模型的時候，特征都是自己選取的，也會用到一些特征度量方法，但僅限于簡單的看看特征分布（哪個值出現的多、哪個值和結果相關、值的范圍是不是歸一化的等等），還是沒有掌握一個整體的方法論。

偶然在一個公眾號下看到了這個斯坦福系列課程，感覺應該會對自己上面的困惑有幫助，所以決定抽時間系統地學習、總結一下。

安利課程鏈接：https://online.stanford.edu/courses/gse-yprobstat-probability-and-statistics

希望最終能達到這個系列學習的目的。2個月之后見