标签
内容简介
本书从务实与编程的角度讲解贝叶斯统计的主要概念，并演示如何用Python概率编程库PyMC3构建、检查与扩展概率模型。全书以“概率思维”开篇，先把贝叶斯推断的核心思想——先验、似然、后验、可信区间——用直观方式讲清，再过渡到概率编程的具体写法。随后依次讨论多参数模型与分层模型，介绍线性回归如何用于理解并预测数据、逻辑回归如何完成分类任务；再以独立一章讲模型比较，说明在不确定条件下如何借助信息准则等方法评估与选择模型；之后进入混合模型与高斯过程等更进阶的主题，处理异质总体、聚类结构与非线性关系。书中使用手工构造的数据和部分真实数据来演示建模流程，强调的是“能跑起来的代码”和结果解读，而非数学推导。读者读完后应能独立实现、诊断和修改贝叶斯模型，并借助后验预测检验评估模型表现。本书不要求统计学前置知识，但需要读者具备Python编程经验。
编辑推荐
贝叶斯统计的入门门槛往往不在概念，而在于“怎么算”。本书的独特之处是作者本人就是PyMC3的核心开发者之一，因此书里的代码不是翻译数学公式，而是地道的概率编程实践：模型怎么写、采样怎么诊断、结果怎么读，都从实操顺序讲起。全书只有216页，篇幅紧凑却不偷工，从概率思维一路讲到混合模型和高斯过程，覆盖了建模工作的主干路线。对已有Python基础但没系统学过统计的读者来说，这是一条相对短的学习路径：不先啃公式，而是先把模型跑起来，再回过头理解背后的道理。需要注意，书中的示例基于PyMC3，该库目前已由PyMC接续，动手时可能需要自行迁移少量API；若要跟进较新的接口与ArviZ可视化，可考虑2023年的第2版。
适合谁读
适合
- 有Python编程基础、想入门贝叶斯统计的数据分析人员
- 做A/B测试、用户行为分析等需要量化不确定性的从业者
- 统计学课程学过公式但缺少代码落地经验的学生与研究者
- 希望用概率模型做预测与分类的机器学习工程实践者
不适合
- 完全没有编程经验、也未接触过Python的读者
- 希望系统研读贝叶斯统计数学推导与测度论的理论型读者
- 只想使用现成统计软件、不打算动手写代码的人
阅读建议
- 先读第1、2章并动手复现代码，把先验、后验和采样诊断跑通再往下走。
- 阅读时准备一份自己的数据，边学边把书中模型迁移到熟悉的问题上。
- 注意PyMC3已更名为PyMC，示例代码可能需要参照新版文档做少量调整。
- 读到第6章模型比较时，回到前几章的模型做对比，理解模型选择的实际含义。
出版社简介
人民邮电出版社
中国 · 成立于 1953 年
人民邮电出版社以科技、计算机与信息通信类图书见长，并由此延伸至摄影、艺术、软件学习与励志成长等门类，形成较为多元的出版方向。库内图书既涵盖《重构与模式（修订版）》《华为交换机学习指南（第二版）》等计算机与通信技术读物，也收录《小王子（中英法彩绘典藏纪念版）》《了不起的盖茨比》《假如给我三天光明》等双语典藏类作品；《北京十年：1980-1990》与《鬼刀 WLOP个人插画作品集》则体现其在摄影与艺术领域的布局。作者资源包括安东尼·圣埃克苏佩里、海伦·凯勒、Joshua Kerievsky、王达、张兆增与WLOP等。
目录
- 第1章 概率思维——贝叶斯推断指南
- 第2章 概率编程——PyMC3编程指南
- 第3章 多参数和分层模型
- 第4章 利用线性回归模型理解并预测数据
- 第5章 利用逻辑回归对结果进行分类
- 第6章 模型比较
- 第7章 混合模型
- 第8章 高斯过程
常见问题
这本书需要什么统计学基础？
不需要统计学基础。作者明确说明读者无需统计学前置知识，贝叶斯的核心概念会在第1章用直观方式引入；但需要具备Python编程经验，否则代码部分会成为障碍。
书里的代码用的是什么库？
所有贝叶斯模型都用PyMC3实现，书中介绍了它的多项特性。需要注意的是PyMC3后来已发展为PyMC，动手时代码可能需要参照新版文档做少量迁移调整。
第一版和第二版有什么区别？
第一版2018年出版，译者田俊，共216页；第2版2023年出版，译者张天旭、黄雪菊，共276页，副标题为“用PyMC3和ArviZ进行统计建模和概率编程”，补充了ArviZ可视化、推断引擎与拓展学习等内容。
这本书学完能达到什么水平？
能够独立用概率编程实现贝叶斯模型，对模型进行检查与后验预测评估，并按问题类型选择合适的模型，包括回归、分类、分层、混合与高斯过程模型。
读者评论
查询本书
本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。
