第一部分 基礎(chǔ)篇
第1章 引 言
1.1 貝葉斯統(tǒng)計和傳統(tǒng)統(tǒng)計
1.2 貝葉斯編程計算的意義
1.3 本書的構(gòu)成和內(nèi)容安排
1.4 習(xí) 題
第2章 基本概念
2.1 概率的規(guī)則及貝葉斯定理
2.2 決策的基本概念
2.3 貝葉斯統(tǒng)計的基本概念
2.4 共軛先驗分布族
2.5 可能性和最大似然原理
2.6 習(xí) 題

第二部分 幾個常用初等貝葉斯模型
第3章 比例的推斷: Bernoulli 試驗
3.1 采用簡單共軛先驗分布
3.2 稍微復(fù)雜的共軛先驗分布
3.3 習(xí) 題
第4章 發(fā)生率的推斷: Poisson 模型
4.1 Poisson 模型和例子
4.2 對例 4.1 的分析和計算
4.3 習(xí) 題
第5章 正態(tài)總體的情況
5.1 正態(tài)分布模型
5.2 均值未知而精度已知的情況
5.3 兩個參數(shù)皆為未知的情況
5.4 習(xí) 題

第三部分 算法、概率編程及貝葉斯專門軟件
第6章 貝葉斯推斷中的一些算法
6.1 概 述
6.2 最大后驗概率法
6.3 拉普拉斯近似
6.4 馬爾可夫鏈蒙特卡羅方法
6.5 EM 算法
6.6 變分貝葉斯近似
第7章 概率編程/貝葉斯編程
7.1 引 言
7.2 概率編程概述
7.3 貝葉斯計算專用軟件
7.4 R/Stan
7.5 Python/PyMC
7.6 通過一個著名例子進一步熟悉R/Stan 和 Python/PyMC
7.7 R 中基于 Stan 的兩個程序包
7.8 Python 中的 BayesPy 模塊簡介
7.9 習(xí) 題
第 8 章 在常用模型中使用 R/Stan和 Python/PyMC 的例子
8.1 熱身: 一些簡單例子
8.2 第3章例子的貝葉斯編程計算Bernoulli/二項分布模型參數(shù)的后驗分布
8.3 第4章例子的貝葉斯編程計算Poisson模型參數(shù)的后驗分布
8.4 第5章例子的貝葉斯編程計算后驗分布的正態(tài)分布例子
8.5 習(xí) 題

第四部分 更多的貝葉斯模型
第9章 貝葉斯廣義線性模型
9.1 指數(shù)分布族和廣義線性模型
9.2 線性回歸
9.3 二水平變量問題: logistic 回歸
9.4 分層線性回歸: 多水平模型
9.5 分層logistic 回歸
9.6 習(xí) 題
第10章 生存分析
10.1 生存分析的基本概念
10.2 數(shù)值計算例子
10.3 習(xí) 題
第11章 樸素貝葉斯
11.1 基本概念
11.2 樸素貝葉斯方法分類數(shù)值例子
11.3 本章的 Python 代碼
11.4 習(xí) 題
第12章 貝葉斯網(wǎng)絡(luò)
12.1 概 述
12.2 學(xué)習(xí)貝葉斯網(wǎng)絡(luò)
12.3 貝葉斯網(wǎng)絡(luò)的數(shù)值例子及計算
第13章 隱馬爾可夫模型 *
13.1 概 述
13.2 HMM 的三個主要問題
13.3 HMM 的數(shù)值例子和計算
第14章 貝葉斯深度學(xué)習(xí)簡介
14.1 神經(jīng)網(wǎng)絡(luò)概述
14.2 深度神經(jīng)網(wǎng)絡(luò)的局限性和貝葉斯思維
14.3 貝葉斯神經(jīng)網(wǎng)絡(luò)
14.4 貝葉斯深度神經(jīng)網(wǎng)絡(luò) PyTorch 實現(xiàn)
第15章 強化學(xué)習(xí)中的貝葉斯元素
15.1 強化學(xué)習(xí)簡介
15.2 在強化學(xué)習(xí)中的貝葉斯范式

參考文獻