教材链接：https://seeing-theory.brown.edu/cn.html#firstPage
该书共分为 6 章，分别为基础概率论、进阶概率论、概率分布、统计推断：频率学派、统计推断：贝叶斯学派和回归分析，每章分为三个小节，如图所示：
一本可以玩的统计概率入门书
还记得中学课本上的「抛硬币」实验吗？与我们最开始接触统计概率知识时一样，这本书也是从「抛硬币」开始讲起。但不同的是，这本书真的可以让你「抛硬币」！你可以选择点击图中的「抛一次硬币」或「抛 100 次硬币」按钮，左图中的「observed outcomes」柱状图就会发生变化。
上图是打开这本书时的原始界面。现在让我们开始试验：点击「抛 100 次硬币」
点击 1 次「抛 100 次硬币」的结果
点击 10 次「抛 100 次硬币」的结果
随着抛硬币次数的增加，左图不断发生变化。有时间的同学可以玩一下（or 一天）。类似的玩法还有掷骰子、抽牌等。其中，掷骰子时还可以设置每一面的权重，这样最终期望值也会很不一样。
当然，以上只是一些入门级的玩法。作者从第二章开始介绍「进阶概率论」。此时，可视化的优势变得更加明显，玩法也更加复杂。
「古典概型」部分的可视化。
「置信区间」部分的可视化。设置好概率分布类型、样本大小和置信水平之后，就可以点击「开始生成样本」，左右两边的图都开始随着样本增加发生变化。
当然，「好玩」只是这本教材的附加属性，其核心属性还是干货满满的知识讲解及其可视化。下文将以第 5 章中的「贝叶斯公式」一节为例展现本书的核心特点。
贝叶斯公式
在「贝叶斯公式」这一节，使用了「健康/患病」和「阳性/阴性」两个二值变量来进行贝叶斯公式的后验概率计算。
我们可以通过鼠标拖动来改变健康和患病人数的比例，这决定了先验概率 P(患病)。如下图所示，P(Healthy) 或 P(H)=1，即 P(患病)=0。
右侧能看到对应的图示，蓝色点标示健康。
再把健康人数比例调到 0.66。
人群分布图也同时发生了变化。
然后，我们可以继续设置似然度 P(阳性 | 患病) 等的值。
这样也顺便统计出了 P(阳性) 的值。知道 P(患病)=0.34、P(阳性 | 患病)=0.75、P(阳性)=0.58，就可以直接计算后验概率 P(患病 | 阳性)=0.34x0.75/0.42=0.60。
我们可以选择只陆续采样一个样本，看看检查结果如何，右下方可以看到被检查出阳性或阴性的健康人数和患病人数的分布。
选择检查所有样本之后，就可以立即看到最终的健康/患病人数的分布。
可惜的是，这些计算并没有按照逐个采样进行动态更新，而是一次性根据所有样本得到的，从而难以体会贝叶斯学派和频率学派的区别所在，感兴趣的读者也可以自己按照逐个采样的结果来计算后验概率。
关于作者
本教材的主要设计者 Daniel Kunin 现在是斯坦福大学的在读硕士生，主修计算和数学工程。他对学科之间的联系感兴趣，热衷于将数据可视化作为一种教学工具，希望用数学模型来帮助大家理解复杂的过程。他们设计的这一教材获得了 2017 年的 Kantar Information is Beautiful 奖项。数据可视化使用 Mike Bostock 的 javascript 库 D3.js 制作。
