贝叶斯方法 概率编程与贝叶斯推断

1 (p1): 第1章 贝叶斯推断的哲学
1 (p1-1): 1.1引言
1 (p1-1-1): 1.1.1贝叶斯思维
3 (p1-1-2): 1.1.2贝叶斯推断在实践中的运用
4 (p1-1-3): 1.1.3频率派的模型是错误的吗？
4 (p1-1-4): 1.1.4关于大数据
5 (p1-2): 1.2我们的贝叶斯框架
5 (p1-2-1): 1.2.1不得不讲的实例：抛硬币
6 (p1-2-2): 1.2.2实例：图书管理员还是农民
8 (p1-3): 1.3概率分布
9 (p1-3-1): 1.3.1离散情况
10 (p1-3-2): 1.3.2连续情况
12 (p1-3-3): 1.3.3什么是λ
12 (p1-4): 1.4使用计算机执行贝叶斯推断
12 (p1-4-1): 1.4.1实例：从短信数据推断行为
14 (p1-4-2): 1.4.2介绍我们的第一板斧：PyMC
18 (p1-4-3): 1.4.3说明
18 (p1-4-4): 1.4.4后验样本到底有什么用？
20 (p1-5): 1.5结论
20 (p1-6): 1.6补充说明
20 (p1-6-1): 1.6.1从统计学上确定两个λ值是否真的不一样
22 (p1-6-2): 1.6.2扩充至两个转折点
24 (p1-7): 1.7习题
24 (p1-8): 1.8答案
27 (p2): 第2章 进一步了解PyM C
27 (p2-1): 2.1引言
27 (p2-1-1): 2.1.1 父变量与子变量的关系
28 (p2-1-2): 2.1.2 PyMC变量
31 (p2-1-3): 2.1.3在模型中加入观测值
33 (p2-1-4): 2.1.4最后
33 (p2-2): 2.2建模方法
35 (p2-2-1): 2.2.1同样的故事，不同的结局
38 (p2-2-2): 2.2.2实例：贝叶斯A/B测试
38 (p2-2-3): 2.2.3一个简单的场景
41 (p2-2-4): 2.2.4 A和B一起
45 (p2-2-5): 2.2.5实例：一种人类谎言的算法
45 (p2-2-6): 2.2.6二项分布
46 (p2-2-7): 2.2.7实例：学生作弊
50 (p2-2-8): 2.2.8另一种PyMC模型
51 (p2-2-9): 2.2.9更多的PyM C技巧
52 (p2-2-10): 2.2.10实例：挑战者号事故
55 (p2-2-11): 2.2.11正态分布
61 (p2-2-12): 2.2.12挑战者号事故当天发生了什么？
61 (p2-3): 2.3我们的模型适用吗？
68 (p2-4): 2.4结论
68 (p2-5): 2.5 补充说明
69 (p2-6): 2.6习题
69 (p2-7): 2.7答案
71 (p3): 第3章 打开MCMC的黑盒子
71 (p3-1): 3.1贝叶斯景象图
77 (p3-1-1): 3.1.1使用MCMC来探索景象图
78 (p3-1-2): 3.1.2 MCMC算法的实现
79 (p3-1-3): 3.1.3后验的其他近似解法
79 (p3-1-4): 3.1.4实例：使用混合模型进行无监督聚类
88 (p3-1-5): 3.1.5不要混淆不同的后验样本
91 (p3-1-6): 3.1.6使用MAP来改进收敛性
92 (p3-2): 3.2收敛的判断
92 (p3-2-1): 3.2.1自相关
95 (p3-2-2): 3.2.2稀释
97 (p3-2-3): 3.2.3 pymc.Matplot.plot（）
98 (p3-3): 3.3 MCMC的一些秘诀
98 (p3-3-1): 3.3.1聪明的初始值
99 (p3-3-2): 3.3.2先验
99 (p3-3-3): 3.3.3统计计算的无名定理
99 (p3-4): 3.4结论
101 (p4): 第4章 从未言明的最伟大定理
101 (p4-1): 4.1引言
101 (p4-2): 4.2大数定律
101 (p4-2-1): 4.2.1直觉
102 (p4-2-2): 4.2.2实例：泊松随机变量的收敛
106 (p4-2-3): 4.2.3如何计算 Var（Z）
106 (p4-2-4): 4.2.4期望和概率
107 (p4-2-5): 4.2.5所有这些与贝叶斯统计有什么关系呢
107 (p4-3): 4.3小数据的无序性
107 (p4-3-1): 4.3.1实例：地理数据聚合
109 (p4-3-2): 4.3.2实例：Kaggle的美国人口普查反馈比例预测比赛
111 (p4-3-3): 4.3.3实例：如何对Reddit网站上的评论进行排序
115 (p4-3-4):…