学习贝叶斯统计的入门。公式不复杂，适合刚入门。

贝叶斯分析食谱 介绍 我最近受到贝叶斯统计分析的灵活和强大的启发。 然而，与许多事情一样，灵活性通常意味着要对易用性进行权衡。 我认为拥有一本可用于多种设置的代码手册对于将贝叶斯方法引入更通用的设置非常有帮助！ 目标 我的目标是每个型号有一个笔记本。 在每个笔记本中，您最终应该会发现： 这里正在解决的问题。 数据结构的描述。 示例数据表。 它通常最终会成为数据。 模型的 PyMC3 代码； 在某些笔记本中，同一型号可能有两个版本。 有关如何报告 MCMC 采样后验结果的示例。 我希望这些食谱对你有用！ （假设 我的假设遵循帕累托原则：大部分现实世界的问题基本上可以归结为几类问题，这些问题具有贝叶斯解释。 特别是，我有这样的预感，像ANOVA常用的方法，可以通过概念比较简单和更可解释的贝叶斯替代品取代，像约翰Kruschke最好的（B ayesianéstimation小号up

我也是找了好久，英文“Probabilistic Programming and Bayesian Methods for Hackers”，2分分享给大家，http://www.cnblogs.com/hxsyl/

MatlabStan：Matlab与Stan的接口，Stan是用于贝叶斯推理的程序包

Bayesian Networks Variable Elimination Algorithm：贝叶斯网络变量消除算法.ppt

层次分析matlab代码贝叶斯流行 贝叶斯推断人口患病率。 该软件包包括用于实现贝叶斯流行度推断的Matlab，Python和R的代码，如下所述： 人口患病率的贝叶斯推断RAA Ince，JW Kay和PG Schyns biorxiv： 考虑在心理学或神经影像学实验中的每个参与者，或在电生理学实验中记录的每个单个单元上执行统计测试（具有常见的假阳性率α）。 经过此第一级分析，我们可以仅使用三个数字来计算总体中此类测试的阳性结果阳性率的贝叶斯估计：测试总数n ，其中k为阳性，假阳性率（alpha） a 。 这些数字可以直接在函数调用中指定，也可以从表示在第一级应用各个测试的结果的变量中获取。 example_csv脚本提供了一个示例，该示例加载此第一级参与者内部有效数据并应用第二级患病率函数。 bayesprev_example.{m,R,py}在分层正态模型下模拟数据，在第一级上对每个参与者内的零进行t检验，在第二级上应用贝叶斯流行率推断。 用户可以调整此示例以加载自己的原始数据，将t检验替换为任何其他参与参与者的统计检验，或者直接加载指标变量的重要性并应用第二级检验（另请参见exa

压缩感知或稀疏编码是学习数据的稀疏表示。 最简单的方法是使用带有 L1 正则化的线性回归。 虽然这个包为稀疏编码问题提供了贝叶斯处理。 它使用变分贝叶斯来训练模型。 稀疏编码问题被建模为具有稀疏先验（自动相关性确定，ARD）的线性回归，也称为相关向量机（RVM）。 优点是可以自动进行模型选择。 因此，无需手动指定正则化参数（从数据中学习），可以获得更好的稀疏恢复。 请运行包中的演示脚本试一试。

David Barber 的一本书，贝叶斯推理和机器学习

贝叶斯统计概念是很容易描述的。它把统计看成研究不确定性的一门学 问，并且坚持认为不确定性只能用概率语言来进行合理的解释。引进一个效 用函数 (utility function) 并选择使期望效用最大的最优决策把上述思想立即 扩展到在不确定时的决策问题。下面更加详尽地解释这些基本原理。 贝叶斯论断的根本就在于，无论是直接用千推断或是在决策中与概率为基础的效用相结合，概率目前是仅有的产生合理过程的方法。概率的三个基 本规则和由它们导出的理论一起提供了完全的说明，以适用于你的推断和行 动。

大数据-算法-非参数Bayesian中的右中立过程.pdf