贝叶斯思维:统计建模的Python学习法
Allen B. Downey
许杨毅 译
出版时间:2015年03月
页数:168
如果你了解Python编程,同时也具有一些概率知识,那么就可以着手考虑贝叶斯统计了。本书为大家展示了使用Python程序而不是数学语言,使用离散概率分布而不是连续数学方法,来处理统计学问题。一旦摆脱了数学的羁绊,贝叶斯方法就变得简洁起来,大家可以把这个技术应用到实际当中去。
贝叶斯方法正在变得越来越常见与重要,但是却没有太多可以借鉴的资料来帮助初学者。基于Allen Downey在大学讲授的本科课程,本书的计算方法能帮助你获得一个良好的开端。

· 使用已有的编程技巧学习和理解贝叶斯统计
· 处理估计、预测、决策分析、假设的证据、假设检验等问题
· 从简单的例子开始,包括硬币问题、M&Ms豆问题、《龙与地下城》勇士投骰子问题、彩弹游戏和冰球比赛问题
· 学习计算方法,解决诸如SAT分数含义、模拟肾肿瘤和人体微生物建模问题
  1. 第1章 贝叶斯定理
  2. 1.1 条件概率
  3. 1.2 联合概率
  4. 1.3 曲奇饼问题
  5. 1.4 贝叶斯定理
  6. 1.5 历时诠释
  7. 1.6 M&M豆问题
  8. 1.7 Monty Hall难题
  9. 1.8 讨论
  10. 第2章 统计计算
  11. 2.1 分布
  12. 2.2 曲奇饼问题
  13. 2.3 贝叶斯框架
  14. 2.4 Monty Hall难题
  15. 2.5 封装框架
  16. 2.6 M&M豆问题
  17. 2.7 讨论
  18. 2.8 练习
  19. 第3章 估计
  20. 3.1 骰子问题
  21. 3.2 火车头问题
  22. 3.3 怎样看待先验概率?
  23. 3.4 其他先验概率
  24. 3.5 置信区间
  25. 3.6 累积分布函数
  26. 3.7 德军坦克问题
  27. 3.8 讨论
  28. 3.9 练习
  29. 第4章 估计进阶
  30. 4.1 欧元问题
  31. 4.2 后验概率的概述
  32. 4.3 先验概率的湮没
  33. 4.4 优化
  34. 4.5 Beta分布
  35. 4.6 讨论
  36. 4.7 练习
  37. 第5章 胜率和加数
  38. 5.1 胜率
  39. 5.2 贝叶斯定理的胜率形式
  40. 5.3 奥利弗的血迹
  41. 5.4 加数
  42. 5.5 最大化
  43. 5.6 混合分布
  44. 5.7 讨论
  45. 第6章 决策分析
  46. 6.1 “正确的价格”问题
  47. 6.2 先验概率
  48. 6.3 概率密度函数
  49. 6.4 PDF的表示
  50. 6.5 选手建模
  51. 6.6 似然度
  52. 6.7 更新
  53. 6.8 最优出价
  54. 6.9 讨论
  55. 第7章 预测
  56. 7.1 波士顿棕熊队问题
  57. 7.2 泊松过程
  58. 7.3 后验
  59. 7.4 进球分布
  60. 7.5 获胜的概率
  61. 7.6 突然死亡法则
  62. 7.7 讨论
  63. 7.8 练习
  64. 第8章 观察者的偏差
  65. 8.1 红线问题
  66. 8.2 模型
  67. 8.3 等待时间
  68. 8.4 预测等待时间
  69. 8.5 估计到达率
  70. 8.6 消除不确定性
  71. 8.7 决策分析
  72. 8.8 讨论
  73. 8.9 练习
  74. 第9章 二维问题
  75. 9.1 彩弹
  76. 9.2 Suite对象
  77. 9.3 三角学
  78. 9.4 似然度
  79. 9.5 联合分布
  80. 9.6 条件分布
  81. 9.7 置信区间
  82. 9.8 讨论
  83. 9.9 练习
  84. 第10章 贝叶斯近似计算
  85. 10.1 变异性假说
  86. 10.2 均值和标准差
  87. 10.3 更新
  88. 10.4 CV的后验分布
  89. 10.5 数据下溢
  90. 10.6 对数似然
  91. 10.7 一个小的优化
  92. 10.8 ABC(近似贝叶斯计算)
  93. 10.9 估计的可靠性
  94. 10.10 谁的变异性更大?
  95. 10.11 讨论
  96. 10.12 练习
  97. 第11章 假设检验
  98. 11.1 回到欧元问题
  99. 11.2 来一个公平的对比
  100. 11.3 三角前验
  101. 11.4 讨论
  102. 11.5 练习
  103. 第12章 证据
  104. 12.1 解读SAT成绩
  105. 12.2 比例得分SAT
  106. 12.3 先验
  107. 12.4 后验
  108. 12.5 一个更好的模型
  109. 12.6 校准
  110. 12.7 效率的后验分布
  111. 12.8 预测分布
  112. 12.9 讨论
  113. 第13章 模拟
  114. 13.1 肾肿瘤的问题
  115. 13.2 一个简化模型
  116. 13.3 更普遍的模型
  117. 13.4 实现
  118. 13.5 缓存联合分布
  119. 13.6 条件分布
  120. 13.7 序列相关性
  121. 13.8 讨论
  122. 第14章 层次化模型
  123. 14.1 盖革计数器问题
  124. 14.2 从简单的开始
  125. 14.3 分层模型
  126. 14.4 一个小优化
  127. 14.5 抽取后验
  128. 14.6 讨论
  129. 14.7 练习
  130. 第15章 处理多维问题
  131. 15.1 脐部细菌
  132. 15.2 狮子,老虎和熊
  133. 15.3 分层版本
  134. 15.4 随机抽样
  135. 15.5 优化
  136. 15.6 堆叠的层次结构
  137. 15.7 另一个问题
  138. 15.8 还有工作要做
  139. 15.9 肚脐数据
  140. 15.10 预测分布
  141. 15.11 联合后验
  142. 15.12 覆盖
  143. 15.13 讨论
书名:贝叶斯思维:统计建模的Python学习法
作者:Allen B. Downey
译者:许杨毅 译
国内出版社:人民邮电出版社
出版时间:2015年03月
页数:168
书号:978-7-115-38428-7
原版书书名:Think Bayes
原版书出版商:O'Reilly Media
Allen B. Downey
 
allen downey是欧林工程学院的计算机科学教授。他从加州大学伯克利分校获得计算机科学博士学位,从mit获得学士和硕士学位。他曾在韦尔斯利学院、科尔比学院及加州大学伯克利分校教授计算机科学课程。他基于自己教授计算机程序设计课程的经验,开创了“像计算机科学家一样思考”(how to think like a computer scientist)的教学理念和方法,并藉此编写了多本编程语言书籍。