贝叶斯思维:统计建模的Python学习法9787115384287

艾伦·唐尼, 欧林工程学院计算机科学系的教授。他曾在韦尔斯利学院、科尔比学院和加州大学伯克利分校教授计算机课程。他拥有U.C.伯克利的计算机科学博士学位和麻省理工学院的硕士及学士学位。许杨毅, 新浪网系统架构师,技 术保障部总监, 毕业于湖南大学, 拥有15年互联网工作经验。

第1章 贝叶斯定理

1.1 条件概率

1.2 联合概率

1.3 曲奇饼问题

1.4 贝叶斯定理

1.5 历时诠释

1.6 M&M豆问题

1.7 Monty Hall难题

1.8 讨论

第2章 统计计算

2.1 分布

2.2 曲奇饼问题

2.3 贝叶斯框架

2.4 Monty Hall难题

2.5 封装框架

2.6 M&M豆问题

2.7 讨论

2.8 练习

第3章 估计

3.1 骰子问题

3.2 火车头问题

3.3 怎样看待先验概率？

3.4 其他先验概率

3.5 置信区间

3.6 累积分布函数

3.7 德军坦克问题

3.8 讨论

3.9 练习

第4章 估计进阶

4.1　欧元问题

4.2　后验概率的概述

4.3　先验概率的湮没

4.4　优化

4.5　Beta分布

4.6　讨论

4.7　练习

第5章 胜率和加数

5.1 胜率

5.2 贝叶斯定理的胜率形式

5.3 奥利弗的血迹

5.4 加数

5.5 化

5.6 混合分布

5.7 讨论

第6章 决策分析

6.1 “正确的价格”问题

6.2 先验概率

6.3 概率密度函数

6.4 PDF的表示

6.5 选手建模

6.6 似然度

6.7 更新

6.8 出价

6.9 讨论

第7章 预测

7.1　波士顿棕熊队问题

7.2　泊松过程

7.3　后验

7.4　进球分布

7.5　获胜的概率

7.6　突然死亡法则

7.7　讨论

7.8　练习

第8章 观察者的偏差

8.1　红线问题

8.2　模型

8.3　等待时间

8.4　预测等待时间

8.5　估计到达率

8.6　消除不确定性

8.7　决策分析

8.8　讨论

8.9　练习

第9章 二维问题

9.1 彩弹

9.2 Suite对象

9.3 三角学

9.4 似然度

9.5 联合分布

9.6 条件分布

9.7 置信区间

9.8 讨论

9.9 练习

0章 贝叶斯近似计算

10.1 变异性假说

10.2 均值和标准差

10.3 更新

10.4 CV的后验分布

10.5 数据下溢

10.6 对数似然

10.7 一个小的优化

10.8 ABC（近似贝叶斯计算）

10.9 估计的可靠性

10.10 谁的变异性更大？

10.11 讨论

10.12 练习

1章 假设检验

11.1 回到欧元问题

11.2 来一个公平的对比

11.3 三角前验

11.4 讨论

11.5 练习

2章 证据

12.1 解读SAT

12.2 比例得分SAT

12.3 先验

12.4 后验

12.5 一个更好的模型

12.6 校准

12.7 效率的后验分布

12.8 预测分布

12.9 讨论

3章 模拟

13.1 肾肿瘤的问题

13.2 一个简化模型

13.3 更普遍的模型

13.4 实现

13.5 缓存联合分布

13.6 条件分布

13.7 序列相关性

13.8 讨论

4章 层次化模型

14.1 盖革计数器问题

14.2 从简单的开始

14.3 分层模型

14.4 一个小优化

14.5 抽取后验

14.6 讨论

14.7 练习

5章 处理多维问题

15.1 脐部细菌

15.2 狮子，老虎和熊

15.3 分层版本

15.4 抽样

15.5 优化

15.6 堆叠的层次结构

15.7 另一个问题

15.8 还有工作要做

15.9 肚脐数据

15.10 预测分布

15.11 联合后验

15.12 覆盖

15.13 讨论

本书共计15章, 讨论了怎样解决十几个现实生活中的实际问题。在这些问题的解决过程中, 作者还潜移默化地帮助读者形成了建模决策的方法论, 建模误差和数值误差怎么取舍, 怎样为具体问题建立数学模型, 如何抓住问题中的主要矛盾 (模型中的关键参数), 再一步一步地优化或者验证模型的有效性