斯坦福大学校园内的胡佛塔（Hoover Tower）与麦克拉奇楼（McClatchy Hall），摄于 2011 年 5 月。作者：King of Hearts；来源：Wikimedia Commons；许可：CC BY-SA 3.0。
.jpg){kind=link}
斯坦福统计学家 Trevor Hastie 与 Robert Tibshirani 在 edX 开设的 Statistical Learning 分为 R 版和 Python 版：两版章节讲座相同，上机实验语言不同，配套教材 ISLR 第二版与 ISLP 可在官网免费下载 PDF。课程按需自学，官方建议约 11 周、每周 3–5 小时，可免费旁听，证书需付费。本文核对平台、费用、证书与访问状态，并说明适合人群和起步步骤。
两门课程与配套免费教材
Statistical Learning 是斯坦福在线（Stanford Online）通过 edX 提供的统计学习入门课，课程页列出的授课团队是斯坦福统计系的 Trevor Hastie 和 Robert Tibshirani。课程现分两门：最早的 Statistical Learning with R，和后来新增的 Statistical Learning with Python。按教材官网的说明，两门课的章节讲座视频相同，区别只在上机实验（lab）部分分别用 R 或 Python 讲解和编程。
两门课各对应一本教材：An Introduction to Statistical Learning, with Applications in R（ISLR，第一版 2013 年，第二版 2021 年）和 An Introduction to Statistical Learning, with Applications in Python（ISLP，2023 年，作者团队新增 Jonathan Taylor）。斯坦福课程页说明，两本书的 PDF 均可在教材官网免费获取，并已获 Springer 同意，但不得分发打印版。教材官网还提供各章幻灯片、数据集、实验代码（R 版有 .R、.Rmd 和 Jupyter 三种格式），以及注明引用即可用于教学演示的书中图表。
课程覆盖教材全部章节：统计学习概述、线性回归、分类、重抽样方法、线性模型选择与正则化、非线性方法、树模型、支持向量机、深度学习、生存分析与删失数据、无监督学习和多重检验。教材官网称，R 版课程截至 2023 年 11 月已有超过 29 万名学习者。
平台、费用、证书与访问状态
| 项目 | 核实情况 |
|---|---|
| 开课平台 | edX（StanfordOnline）；斯坦福在线课程页点击报名后跳转 edX |
| 形式 | 100% 在线、按需（on-demand），观看预录讲座，自定进度 |
| 时长 | 官方建议约 11 周，每周 3–5 小时 |
| 费用 | 可免费旁听（audit）；斯坦福课程页学费栏标注“Paid after free trial” |
| 证书 | 需付费升级 verified 轨道；价格待核对 |
| 语言 | 课程页与讲座列表均为英文；字幕语种待核对 |
| 访问状态 | 2026 年 10 月 18 日，两门课的斯坦福与 edX 页面均可打开；当前开课与结课日期待核对 |
费用上要把“学”和“证”分开看。edX 帮助中心说明：免费旁听轨道可以看视频、读材料、做不计分练习、参加讨论区，但访问有时限，到期后无法再进入课程，也不能做计分测验、拿不到证书；付费 verified 轨道包含计分作业和考试，及格后可获 verified 证书，课程归档后仍能查看材料。证书价格未能从 edX 官方课程页读取；第三方聚合页 Careers360 标注为 189 美元，尚未经官方核实，报名前请以 edX 结算页为准。
如果只需要内容、不需要证书，还有一条没有 edX 旁听时限的路径：Stanford Online 的 YouTube 频道公开了章节讲座与 R 实验视频，Python 实验另有单独的播放列表（标题注明 2023），两个链接都列在教材官网的课程页上。
适合人群与学习收获
斯坦福课程页把先修要求写为统计学、线性代数和计算的入门级理解。课程自述“不是重数学的课”，尽量不依赖公式讲解方法，R 和 Python 实验也从基础教程讲起。据此，它比较适合三类读者：学过一门统计入门课、需要在课题中做预测或分类建模的研究生和青年研究者；想从菜单式统计软件转向代码化分析的社科、医学研究者；以及想先打基础、再读 Hastie 与 Tibshirani 合著的进阶教材 The Elements of Statistical Learning 的读者。
按课程大纲，学完后应能做到：理解监督与无监督学习的区别以及模型选择中的偏差–方差权衡；用线性回归、逻辑回归、判别分析和 K 近邻处理回归与分类问题；用交叉验证和自助法（bootstrap）估计模型的测试误差；用岭回归和 lasso 做变量选择与正则化；使用样条、广义可加模型、决策树、随机森林、boosting、支持向量机和神经网络；做生存分析、主成分分析与聚类，并处理多重检验；在 R 或 Python 中复现每章的实验代码。
也要看清它的定位：课程页将其描述为入门级监督学习课程，重点是回归与分类方法。如果研究问题是估计因果效应，还需要另外补充因果推断方面的材料。
起步步骤
- 选版本：已有 R 基础或课题组用 R，选 R 版（教材 ISLR 第二版）；习惯 Python 或要对接 Python 机器学习生态，选 Python 版（教材 ISLP）。两版章节讲座相同，日后换语言不必重学理论部分。
- 下载教材与材料：在 statlearning.com 下载对应 PDF，并在资源页取得数据集、幻灯片和每章实验代码。
- 配置环境：R 版安装 R 与 RStudio；Python 版安装 Python 与 Jupyter Notebook，并按教材官网说明安装 ISLP 包。R 版第 10 章深度学习实验原用依赖 Python 的 keras，官网另提供无需 Python 的 torch 版本，但运行较慢。
- 报名或直接看视频：在 edX 选择旁听即可开始；需要证书的，在升级截止日期前转为 verified 轨道。不想受旁听时限约束，可以直接看 YouTube 播放列表。
- 安排节奏：按官方估计每周 3–5 小时、约 11 周。每章先看讲座，再读教材对应章节，最后把 lab 代码完整跑一遍。
Statistical Learning 学习路径示意：选择版本、下载教材、配置环境、观看讲座，再按章循环“讲座＋教材＋上机实验”，全程约 11 周、每周 3–5 小时。步骤与时长依据斯坦福在线课程页和教材官网 statlearning.com 整理。AI 生成示意图。