📊贝叶斯学习入门
1 引言：课程目标与内容介绍
AI贝叶斯学习2 引言：贝叶斯学习的背景
AI贝叶斯学习3 统计推断的基本概念
AI贝叶斯学习4 贝叶斯定理基础之贝叶斯定理的推导
AI贝叶斯学习5 贝叶斯定理基础之先验分布与后验分布
AI贝叶斯学习6 贝叶斯定理基础之更新规则与例子
AI贝叶斯学习7 最大后验估计 (MAP)
AI贝叶斯学习8 贝叶斯估计与频率估计的比较
AI贝叶斯学习9 贝叶斯学习与统计推断教程：参数的选择与评估
AI贝叶斯学习10 贝叶斯学习与统计推断：模型复杂度的选择
AI贝叶斯学习11 贝叶斯因子与模型比较
AI贝叶斯学习12 贝叶斯学习与统计推断：模型选择之过拟合与正则化
AI贝叶斯学习13 贝叶斯回归之线性回归模型
AI贝叶斯学习14 贝叶斯回归之先验选择与后验分析
AI贝叶斯学习15 贝叶斯回归之预测与不确定性量化
AI贝叶斯学习16 贝叶斯分类的基本理论
AI贝叶斯学习17 贝叶斯分类之朴素贝叶斯分类器
AI贝叶斯学习18 贝叶斯分类之模型评估与改进
AI贝叶斯学习19 贝叶斯学习与统计推断教程：马尔可夫链蒙特卡洛方法之MCMC方法的基础
AI贝叶斯学习20 Gibbs采样：贝叶斯学习与统计推断
AI贝叶斯学习21 Metropolis-Hastings算法
AI贝叶斯学习22 贝叶斯学习在实际中的应用
AI贝叶斯学习23 应用案例之案例研究：医学诊断
AI贝叶斯学习24 贝叶斯学习与统计推断教程：应用案例之案例研究 - 市场分析
AI贝叶斯学习