我的数据科学路-未解之题

为什么我要知道统计学，最小描述长度，最大似然估计，最小二乘估计，大数定律，贝叶斯，信息熵，辛普森悖论，假设检验，混淆矩阵，F1值，p值，置信区间，基尼系数，数据分布，自由度，方差。经典逻辑，量子计算。

这些概念，帮助我，从纷繁复杂的表象中获得真相，从不确定中获得确定的规律。

问题是，这么多要学的东西，我先学哪个，最实用？

先列问题：

1、为什么L1、L2正则化，可以降低模型的过拟合？

2、做a/b test，达到95%的置信度，需要多少样本？

3、最大似然估计，最小二乘估计；是什么？

4、t检验的，自由度，是什么？

5、怎么样检验模型，得到的是，最准确且稳定的模型？

6、各个模型的使用场景，以及背后的原理是什么？xgboost原理是什么？

7、熵是什么，交叉熵是什么？

8、相关性是如何计算的？

我觉着，需要找本李航的，统计机器学习，来看一下。