本来开始以为多元统计会讲一点点大维矩阵，于是选了这课，结果基本上就是统计+线性代数，倒也正常。

不过有一次课讲了一下Wishart矩阵的特征值的density function，还是很bc的。

前两天去和老师聊了聊天，杨老师真的是一个很有意思的人，知道好多好多奇奇怪怪的知识。建议以后的学生可以多和杨老师聊聊天，也不是非得聊跟课程相关的。杨老师应该挺愿意和学生聊天的。

管统之光！（然而偌大的管统就这么一个讲课特别好的老师，是否也是一种悲哀呢

先来给这门课刷个好评，这学期唯一认真听课的课，从课程内容到作业到上机都收获很大。

前半个学期课程的主要内容是球对称分布，wishart矩阵，以及相关的一些检验。这个部分感觉主要还是对于矩阵的一些分布和运算的熟悉，其中wishart矩阵与我这个学期写的project的证明的内容也强相关。后半个学期主要学习的是一些矩阵相关的分解逼近和标准化技巧，以及其对于数据逼近，数据分类的应用，从最初等的线性代数出发，解释了很多实用的算法。

理论作业主要还是一些课程内容中重要证明的重现，还有少部分的拔高，总体比较友好简单。上机作业主要是课程内容相关的算法的应用，杨老师也会详细给出样例代码和算法的理论教学，十分实用并且写的时候也完全不会有压力。

在这门课中，对我收获最大的还是，让我补上了线代的一些基础。在这个学期之前不能说线代完全不会，但是绝对是基础薄弱的，线代B1和B2的教学安排并没有让我学会并且灵活运用线代中的结论和直观。但是这门课，也特别庆幸这学期教学了一位安大石溪学院应统专业同学的应用线性代数的课程（这门课的内容安排真的是爆杀妮可），我最终也能稍微补上一部分线代的基础。

还有一部分收获就是让我熟悉了一些矩阵向量范数的运算，以及范数不等式的运用。从这门课已经我目前做的project，focus on bagging方法在weak signal condition下的渐进性质，用到了许多相关的随机矩阵的基础已经范数不等式的技巧。

感觉这门课真的是可以再加一些课时，添加一些内容，完全替代上个学期的机器学习。这门课主要的两个收获的内容，线性代数以及熟悉范数运算，提供了足够的先修基础理论学习机器学习这门课程。上个学期学机器学习概论的时候对于范数运算和线性代数真是一窍不通，导致过程很痛苦，最后的收获也不大。

本课程首先介绍了几种经典的分布，比如说球对称分布、球面均匀分布，Dirchlet分布等以及高斯图模型，涉及到一些分析与线性代数的技巧以及一些统计的方法（比如delta方法），然后花了很大的篇幅讲解了卡方分布在高维的推广——Wishart分布及其性质、密度函数，这一块相信学习概率方向的同学会非常感兴趣。在介绍完Wishart分布的相关性质后介绍了几种正态下比较经典的检验——多变量方差分析（MANOVA检验）以及Wilks检验。上面基本上是前一半内容。

在之后讲了一些经典的数据降维方法，比如说“因子分析”、“主成分分析法（PCA）”、“对应分析”、“点则相关分析(CCA)”法，用到了一些线性代数的方法，其中最重要的无疑是奇异值分解（SVD），这部分老师会专门花一章来补充相关的知识以及低秩逼近的内容。我认为这些是这门课最有意思的一部分，老师会举出大量的生动的、具有生活气息的例子（比如说体育比赛、欧洲自然地理等），并且这些内容在之后的应用是非常广泛的。

最后老师会讲一些和机器学习(无监督学习）比如聚类分析等，会讲k-means算法和k-medrid算法等。为此会补充一些关于距离和配列的知识。

总体上讲这门课内容丰富、知识覆盖面广泛，是一门非常充实的课程。

作业量不是很大，平均大概两周一次，不过选题目非常经典。上机实验也是非常具有训练意义的内容，主要是对几种分析方法的复现。

这门课是一门有用（知识量多、内容丰富、应用广泛）、有趣（大量生活中的实例告诉我们统计的作用）的课程。两位助教也是非常认真负责任，改作业很细致，回复问题也很及时。

伟大，无需多言。

最让我印象深刻的是杨老师有时候会自己出作业答案，解题方面融入了很多自己的思想。

我真的是必须有感而发来评论一下。

管统感觉跟多元统计分析比较相似的一门课是隔壁属性数据分析。相似点如下：

1. 有理论作业.
2. 有上机作业，要用R.
3. 从某种程度上讲都是在学多元统计，各种模型的拟合和估计.

但是同样是上机作业，yyn老师的上机作业简直薄纱了属性数据分析那门课的上机作业.