📊贝叶斯学习入门
最近更新:
分类: 贝叶斯学习入门
AI 教程网络
相关教程
专题导读
贝叶斯学习入门教程列表
文章分组
按三段查看
基础、实践、扩展三个阶段，按文章顺序排列。
扩展篇
第 19 - 24 篇 · 6 个小节
问题边界、替代方案和后续练习。
图文教程
图文文章
1 引言：课程目标与内容介绍
第 1 篇6 张图1.3k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「课程目标 -> 课程内容 -> 先验 -> 似然」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
2 引言：贝叶斯学习的背景
第 2 篇6 张图1.6k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「贝叶斯理论的基础 -> 从传统统计到贝叶斯学习 -> 贝叶斯学习的应用领域 -> 贝叶斯学习的优势与挑战」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
3 统计推断的基本概念
第 3 篇6 张图1.8k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「统计推断的核心目标 -> 例子：均值的点估计与区间估计 -> 贝叶斯统计与经典统计的对比 -> 案例代码：贝叶斯更新」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
4 贝叶斯定理基础之贝叶斯定理的推导
第 4 篇6 张图2.0k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「贝叶斯定理的形式 -> 贝叶斯定理的推导 -> 先验 -> 似然」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
5 贝叶斯定理基础之先验分布与后验分布
第 5 篇6 张图1.8k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「先验分布 -> 先验分布的类型 -> 示例：选择先验分布 -> 后验分布」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
6 贝叶斯定理基础之更新规则与例子
第 6 篇6 张图2.1k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「贝叶斯定理回顾 -> 更新规则 -> 更新概率的过程 -> 假设先验概率」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
7 最大后验估计 (MAP)
第 7 篇6 张图2.0k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「贝叶斯定理与后验分布 -> 最大后验估计 的定义 -> MAP的应用案例：硬币抛掷 -> 选择先验分布」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
8 贝叶斯估计与频率估计的比较
第 8 篇6 张图1.7k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「理论基础 -> 贝叶斯估计 -> 频率估计 -> 案例比较」建立结构，再回到正文里的代码、案例或指标做验证。
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
第 9 篇6 张图1.9k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「理论基础 -> 参数选择 -> 最大后验估计 -> 广义交叉验证」建立结构，再回到正文里的代码、案例或指标做验证。
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
第 10 篇6 张图1.7k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「模型复杂度的概念 -> 过拟合与欠拟合 -> 贝叶斯模型选择 -> 模型复杂度与贝叶斯因子」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
11 贝叶斯因子与模型比较
第 11 篇6 张图1.6k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「贝叶斯因子 -> 贝叶斯因子的计算 -> 示例：正态分布模型 -> Python示例代码」建立结构，再回到正文里的代码、案例或指标做验证。
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
第 12 篇6 张图1.3k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「过拟合 -> 过拟合的案例 -> 正则化 -> 正则化的原理」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
13 贝叶斯回归之线性回归模型
第 13 篇6 张图1.9k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「线性回归模型的基本概念 -> 贝叶斯推断 -> 选择先验分布 -> 联合分布与后验推断」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
14 贝叶斯回归之先验选择与后验分析
第 14 篇6 张图1.7k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「先验选择 -> 非信息性先验 -> 信息性先验 -> 后验分析」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
15 贝叶斯回归之预测与不确定性量化
第 15 篇6 张图1.6k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「贝叶斯回归的预测 -> 预测分布 -> 计算预测分布 -> 结果分析」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
16 贝叶斯分类的基本理论
第 16 篇6 张图1.8k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「贝叶斯分类器的基本思想 -> 先验概率、似然函数和边际概率 -> 先验概率 -> 似然函数」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
17 贝叶斯分类之朴素贝叶斯分类器
第 17 篇6 张图1.9k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「朴素贝叶斯分类器的基础 -> 例子：文本分类 -> 实现朴素贝叶斯分类器 -> 先验」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
18 贝叶斯分类之模型评估与改进
第 18 篇6 张图1.7k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「模型评估 -> 评估指标 -> 交叉验证 -> 混淆矩阵」建立结构，再回到正文里的代码、案例或指标做验证。
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
第 19 篇6 张图1.6k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「MCMC方法简介 -> MCMC的基本原理 -> 案例分析：MCMC在贝叶斯回归中的应用 -> 使用Python实现MCMC」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
20 Gibbs采样：贝叶斯学习与统计推断
第 20 篇6 张图1.8k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「Gibbs采样简介 -> 条件分布 -> Gibbs采样算法步骤 -> 应用实例」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
21 Metropolis-Hastings算法
第 21 篇6 张图1.6k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「算法原理 -> 目标分布 -> 提议分布 -> 接受率」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
22 贝叶斯学习在实际中的应用
第 22 篇6 张图1.4k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「贝叶斯学习概述 -> 实际应用案例 -> 金融风险评估 -> 图像识别」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习
23 应用案例之案例研究：医学诊断
第 23 篇6 张图2.0k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「贝叶斯理论在医学诊断中的基本原理 -> 案例研究：疾病检测中的贝叶斯分析 -> 步骤 1：计算证据的边际概率 $P$ -> 步骤 2：计算后验概率 $P$」建立结构，再回到正文里的代码、案例或指标做验...
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
第 24 篇6 张图1.6k 字贝叶斯学习的重点是把已有判断和新证据合在一起，并明确表达不确定性。阅读时可以按「贝叶斯市场分析概述 -> 案例背景 -> 先验分布的选择 -> 数据收集」建立结构，再回到正文里的代码、案例或指标做验证。
AI贝叶斯学习