説明がすっきりまとまっており頭に入りやすい。統計学の習得に最初に読む本ではないが、振り返りに良いと感じた。
使用しているPythonのライブラリはScipyとstatsmodels両方使用してあったがどちらかに統一してもらったほうが学習コストが下がったと思われる。
1部 統計学の基本
1章 統計学
2章 標本が得られるプロセス
3章 標本が得られるプロセスの抽象化
4章 記述統計の基礎
5章 母集団分布の推定
省略
6章 確率質量関数と確率密度関数
離散型確率の確率関数のことを確率質量と言うのは知らなかった。
7章 統計学の計算
7-8の標本分散が偏りを持つ理由は直感的な理解に役立った。
8章 確率論の基本
このへんはサラリと説明
9章 確率変数と確率分布
確率分布（密度）から確率を計算する方法がある。実際はPythonでやるので難しくはない。
2部 PythonとJupyter Notebookの基本
省略
3部 Pythonによるデータ分析
1章 Pythonによる記述統計:1変量データ編
1変量の統計量の紹介
2章 Pythonによる記述統計:多変量データ編
整然データのことは初めて知った。いわれてみればあとあと加工しやすい。ＤＢなどに保存している形に良く似ている。
共分散の説明がわかりやすい。
3章 matplotlib,seabornによるデータの可視化
省略
4章 母集団からの標本抽出シミュレーション
省略
5章 標本の統計量の性質
バイオリンプロットの利点が今回初めてわかった。標準偏差と標準誤差の違いがわかってなかった。
6章 正規分布とその応用
t分布に母数の推定に使えることを知った。
7章 推定
点推定、区間推定、信頼区間の説明があった。
8章 統計的仮説検定
いままでわかりにくかった検定が少しだけわかった。実際検定をやろうとするとこれだけの知識だけではダメな気もする。t値、p値(p203-p211)の説明がある。
9章 平均値の差の検定
t検定は平均値の差の検定に使用される。
10章 分割表の検定
統計にだまされそうな事例でした。
11章 検定の結果の解釈
結構実務的な内容
4部 統計モデルの基本
ここから現代的な？統計に入るのかな？
1章 統計モデル
2章 統計モデルの作り方
3章 データの表現とモデルの名称
4章 パラメタ推定:尤度の最大化
5章 パラメタ推定:損失の最小化
5-6最小二乗法と最尤法の関係はなるほどと思った。
6章 予測精度の評価と変数の選択
5部 正規線形モデル
1章 連続型の説明変数を1つ持つモデル（単回帰）
このへんからライブラリstatsmodelsの使い方が出てくる。結果の解釈の説明があったの良い。Q-Qプロットはあまりわからなかった。
2章 分散分析
全体的にレベルが高くついていけなかった。
3章 複数の説明変数をもつモデル
実用に使用できる内容であった。
6部 一般化線形モデル
1章 さまざまな確率分布
2章 一般化線形モデルの基本
線形予測子、リンク関数などかなり高度な内容であった。
3章 ロジスティック回帰
4章 一般化線形モデルの評価
5章 ポアソン回帰
7部 統計学と機械学習
省略
