我是一位计算机科学工程师，没有统计学或高级数学背景。
我正在学习Raschka和Mirjalili撰写的《Python机器学习》一书，但是当我试图理解机器学习的数学时，我无法理解一位朋友向我推荐的《统计学习的要素》这本书。
您知道用于机器学习的更简单的统计资料和数学书籍吗？如果不这样做，我应该怎么走？
Answers:
尽管您需要一本书，但我还是建议您分别学习以下课程，以了解用于机器学习和数据科学中其他任务的统计信息。他们是免费的。
如果我想推荐一本书，我将推荐以下本书，该书在CC许可下是免费的。它有很好的例子，非常实用。此外，其中包含许多代码，可帮助您了解真实示例中的统计数据。
另外，以下链接可能会有所帮助：
线性代数入门https://math.mit.edu/~gs/linearalgebra/是一个很好的起点。确保您对概率论，线性代数和统计学都比较满意。可能不需要很深入的知识，但需要具备良好的知识。
在成为Analytics（分析）硕士之前，我的学长建议我仔细阅读这两本书，以了解有关机器学习和统计的更多信息。
即：
如果您无法在线找到这些书，请告诉我将共享链接，因为我将这些书放在驱动器上。这些书以通俗易懂的例子帮助我理解了统计的基础。
如果您正在寻找一些在线课程，请告诉我可以为您推荐一些不错的课程（大多数都是免费的）。
我不能从您的问题中看出您在数学方面的熟练程度或学习的目的。我假设您是计算机软件工程师，所以您熟悉代数，几何学，也许还有一些微积分。
我建议您通过阅读统计信息并理解概念（例如描述性，探索性数据分析，相关性，分布等）来开始学习。我发现您更喜欢书籍而不是视频，因此我会半途而遇，并为您提供一些在线书籍，以及您可以购买印刷版的一两本书。
首先，我将推荐宾夕法尼亚州立大学在线统计学研究生课程。您可以使用左侧的菜单探索他们的每门课程。选择课程后，向下滚动至该课程的网页，然后单击显示“在线课程注释”的链接。这些课程的课程笔记不仅仅是笔记，而且读起来像整本书。他们很有启发性。另外，如果您发现研究生课程中的某些内容过于先进并且需要“简单”的说明，还可以查看统计中的宾夕法尼亚州立大学在线本科课程课程。
第二，回顾约翰·麦克唐纳（John H. McDonald）撰写的《生物统计手册》。不要让标题欺骗了你；本书是适用于任何领域的统计和数据分析的出色入门。
第三，回顾Gerard Dallal撰写的《统计小手册》。再说一次，不要让标题欺骗了你；本书是另一本让您了解一些重要的统计基础知识的瑰宝。
第四，查阅Allen Downey 的著作Think Stats。在线有一个较早版本的免费版本。您必须购买的最新版本。不过，这是值得的，特别是如果您使用Python。在本书中，作者教您使用Python进行统计和数据分析，以分析实际（玩具）数据集。这是一本非常好的书。
最后，请参阅 Joel Grus撰写的Scratch中的Data Science。本书更侧重于数据分析（而不是统计基础知识），而更侧重于机器学习和建模。它使用Python（和Python数据科学堆栈）引导您完成对真实（玩具）数据集的分析和预测分析。另一本很棒的书。
请记住，尽管我拥有应用统计学硕士学位，但我将为您提供一个非常简单的答案：参加概率课程。
大多数现代ML编程框架都将大部分数学带出了数据科学领域。您实际上在大多数情况下都不需要它。但是，您将始终需要能够理解结果的能力，并且大多数结果都以概率表示。如果我是数据科学的新手，我会上一门关于概率的（简要）课程，试图理解比例和百分比的真正含义，然后我会真正非常了解一个框架（如Tensorflow）。如果可以的话，您可以编写一些非常有趣的算法，而不必对数学有所迷恋。