Thomas Haslwanter

| PART 1_Python和統計學 |
Chapter 1 為什麼要學統計學？

Chapter 2 Python
2.1 開始
2.2 Python 資料結構
2.3 IPython/Jupyter：一個互動式的 Python 程式設計環境
2.4 開發 Python 程式
2.5 Pandas：用於統計學的資料結構
2.6 Statsmodels：統計建模的工具
2.7 Seaborn：資料視覺化
2.8 一般慣例
2.9 練習

Chapter 3 資料輸入
3.1 從文字檔中輸入
3.2 從 MS Excel 中匯入
3.3 從其他格式匯入資料

Chapter 4 統計資料的展示
4.1 資料類型
4.2 在 Python 中繪圖
4.3 展示統計資料集
4.4 練習

| PART 2_分布和假設檢定 |
Chapter 5 背景
5.1 母體與樣本
5.2 機率分布
5.3 自由度
5.4 研究設計

Chapter 6 單變數的分布
6.1 分布的特徵描述
6.2 離散分布
6.3 常態分布
6.4 來自常態分布的連續分布
6.5 其他連續分布
6.6 練習

Chapter 7 假設檢定
7.1 典型分析流程
7.2 假設概念、錯誤、p 值與樣本數
7.3 敏感性和特異性
7.4 ROC 曲線

Chapter 8 數值型資料的平均數檢定
8.1 樣本平均數的分布
8.2 兩組之間的比較
8.3 多組比較
8.4 總結：選擇正確的檢定方法進行組間比較
8.5 練習

Chapter 9 類別型資料的檢定
9.1 單一比例（one proportion）
9.2 次數表
9.3 練習

Chapter 10 存活時間分析
10.1 存活分布
10.2 存活機率
10.3 在兩組間比較存活曲線

| PART 3_統計建模 |
Chapter 11 線性迴歸模型
11.1 線性相關
11.2 廣義線性迴歸模型
11.3 Patsy：公式語言
11.4 用 Python 進行線性迴歸分析
11.5 線性迴歸模型的結果
11.6 線性迴歸模型的假設
11.7 線性迴歸模型結果的解釋
11.8 Bootstrapping
11.9 練習

Chapter 12 多變量資料分析
12.1 視覺化多變量相關性
12.2 多重線性迴歸

Chapter 13 離散型資料的檢定
13.1 等級資料的組間比較
13.2 邏輯迴歸
13.3 廣義線性模型
13.4 順序邏輯迴歸

Chapter 14 貝氏統計
14.1 貝氏學派與頻率學派的解釋
14.2 電腦時代的貝氏方法
14.3 例子：用馬可夫鏈蒙地卡羅法模擬分析挑戰者號災難
14.4 總結

Appendix_附錄
A 參考解答
B 術語表
C 參考文獻

| PART 1_Python和統計學 |
Chapter 1 為什麼要學統計學？

Chapter 2 Python
2.1 開始
2.2 Python 資料結構
2.3 IPython/Jupyter：一個互動式的 Python 程式設計環境
2.4 開發 Python 程式
2.5 Pandas：用於統計學的資料結構
2.6 Statsmodels：統計建模的工具
2.7 Seaborn：資料視覺化
2.8 一般慣例
2.9 練習

Chapter 3 資料輸入
3.1 從文字檔中輸入
3.2 從 MS Excel 中匯入
3.3 從其他格式匯入資料

Chapter 4 統計資料的展示
4.1 資料類型
4.2 在 Python 中繪圖
4.3 展示統計資料集
4.4 練習

| PART 2_分布和假設檢定 |
Chapter 5 背...