1. 读书笔记
  2. 贝叶斯思维 统计建模的Python学习法
贝叶斯思维 统计建模的Python学习法

贝叶斯思维 统计建模的Python学习法

作者： [美] Allen B.Downey 著；许扬毅 译
页数： 168
定价： 49.00
出版社： 人民邮电出版社
出版时间： 2015-03
购买地址： 京东   当当  

4

笔记

4

粉丝

推荐语：《贝叶斯思维:统计建模的Python学习法》介绍了基本贝叶斯方法，贝叶斯理论是一个偏重于解决实际问题的理论。书中的内容说得很清楚，而且实践参考性很强。

撰写笔记
seng于 2016-12-01 15:07已经看到
第1章 贝叶斯定理 1.4 贝叶斯定理
这节就把贝叶斯公式说出来了，
p(A|B)= p(A) * p(B|A)/ p(B)

在曲奇饼拿出香草味的示例里就变成这样：
p(B1|V)= p(B1) *p(V|B1) /p(V)=(碗1的概率)* （碗1拿出香草味的概率）/(香草味的概率)=(1/2) * (30/40)/(香草味的概率)
香草味的概率需要通过全概率公式计算，
p(D)= p(B1) p(V|B1)+p(B2) p(V|B2) =( (1/2) * (30/40) ) + ( (1/2) * (20/40))=5/8
p(B1|V) = (1/2) * (30/40)/ (5/8)=3/5
推荐(0) 评论(0)
seng于 2016-11-30 19:09已经看到
第1章 贝叶斯定理 1.3 曲奇饼问题
这章给了第一个Bayes’s theorem的问题The cookie problem
有2个碗放饼干，香草味和巧克力占比分别是30/10和20/20，拿出一个香草球，
问如何求：p(Bowl 1 | vanilla |)
推荐(0) 评论(0)
seng于 2016-11-29 22:24已经看到
第1章 贝叶斯定理 1.2 联合概率
Conjoint probability 联合概率的公式
p(A and B)= p(A) p(B|A)
推荐(0) 评论(0)
seng于 2016-11-27 22:22已经看到
第1章 贝叶斯定理 1.1 条件概率
最近我一直在看<贝叶斯思维 统计建模的Python学习法>,看的比较慢，问题主要在理论和应用方面，希望通过笔记和大家分享学习心得。
英文版本(http://www.greenteapress.com/thinkbayes/thinkbayes.pdf)为准。

这节主要介绍概率的基本概念：
概率：
A probability is a number between 0 and 1 (including both) that represents a degree of belief in a fact or prediction.
条件概率：
A conditional probability is a probability based on some background information.

条件概率一般用p(A|B)表示
推荐(0) 评论(0)
Python数据分析与挖掘实战

目录

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
4.6　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 最大化
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 最优出价
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
9.8 讨论
9.9 练习
第10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
第11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
11.5 练习
第12章 证据
12.1 解读SAT成绩
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
第13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
第14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
第15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 随机抽样
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

改版

反馈