貝葉斯數(shù)據(jù)分析：基于R與Python的實(shí)現(xiàn)

第一部分 基礎(chǔ)篇
第1章 引言
1．1 為什么用貝葉斯
1．1．1 傳統(tǒng)數(shù)理統(tǒng)計(jì)的先天缺陷
1．1．2 貝葉斯方法是基于貝葉斯定理發(fā)展起來(lái)的用于系統(tǒng)地闡述和解決統(tǒng)計(jì)問(wèn)題的方法
1．2 本書(shū)所強(qiáng)調(diào)的貝葉斯編程計(jì)算的意義
1．3 本書(shū)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
2．1．1 概率的規(guī)則
2．1．2 概率規(guī)則的合理性、貝葉斯定理、優(yōu)勢(shì)比、后驗(yàn)分布
2．1．3 貝葉斯和經(jīng)典統(tǒng)計(jì)基本概念的一些比較
2．2 決策的基本概念
2．3 貝葉斯統(tǒng)計(jì)的基本概念
2．3．1 貝葉斯定理
2．3．2 似然函數(shù)
2．3．3 后驗(yàn)分布包含的信息
2．3．4 幾個(gè)簡(jiǎn)單例子
2．3．5 先驗(yàn)分布的形式
2．4 共軛先驗(yàn)分布族
2．4．1 常用分布及其參數(shù)的共軛先驗(yàn)分布*
2．4．2 指數(shù)先驗(yàn)分布族的一些理論結(jié)果*
2．5 習(xí)題
第3章 基本軟件： R和Python
3．1 R 簡(jiǎn)介――為領(lǐng)悟而運(yùn)行
3．1．1 簡(jiǎn)介
3．1．2 安裝和運(yùn)行小貼士
3．1．3 動(dòng)手
3．1．4 實(shí)踐
3．2 Python 簡(jiǎn)介――為領(lǐng)悟而運(yùn)行
3．2．1 引言
3．2．2 安裝
3．2．3 基本模塊的編程
3．2．4 Numpy 模塊
3．2．5 Pandas 模塊
3．2．6 Matplotlib 模塊
3．3 習(xí)題
第二部分 幾個(gè)常用初等貝葉斯模型71
第4章 比例的推斷： Bernoulli 試驗(yàn)
4．1 采用簡(jiǎn)單共軛先驗(yàn)分布
4．1．1 例4．1 的關(guān)于θ的后驗(yàn)分布及其最高密度區(qū)域
4．1．2 例4．1 的關(guān)于θ 的最高密度區(qū)域的R 代碼計(jì)算
4．1．3 例4．1 的關(guān)于θ 的最高密度區(qū)域的Python 代碼計(jì)算
4．2 稍微復(fù)雜的共軛先驗(yàn)分布
4．2．1 模型(4．2．1) ～ (4．2．3) 擬合例
4．2 數(shù)據(jù)直接按公式計(jì)算的R 代碼
4．2．2 模型(4．2．1) ～ (4．2．3) 擬合例
4．2 數(shù)據(jù)直接按公式計(jì)算的Python 代碼
4．3 習(xí)題
第5章 發(fā)生率的推斷： Poisson 模型
5．1 Poisson 模型和例子
5．2 對(duì)例5．1 的分析和計(jì)算
5．2．1 通過(guò)R代碼利用公式分析例5．1
5．2．2 例5．1 最高密度區(qū)域的Python代碼
5．3 習(xí)題
第6章 正態(tài)總體的情況
6．1 正態(tài)分布模型
6．2 均值未知而精度已知的情況
6．2．1 利用公式(6．2．1)、(6．2．2) 擬合例6．1 的數(shù)據(jù)(R)
6．2．2 利用公式(6．2．1)、(6．2．2) 擬合例6．1 數(shù)據(jù)的后驗(yàn)最高密度區(qū)域(Python)
6．3 兩個(gè)參數(shù)皆為未知的情況
6．3．1 使用公式(6．3．1)、(6．3．2) 對(duì)例6．1 的分析(R)
6．3．2 使用公式(6．3．1)、(6．3．2) 對(duì)例6．1 的分析(Python)
6．4 習(xí)題
第三部分 算法、概率編程及貝葉斯專門(mén)軟件
第7章 貝葉斯推斷中的一些算法
7．1 最大后驗(yàn)概率法
7．2 拉普拉斯近似
7．3 馬爾可夫鏈蒙特卡羅方法
7．3．1 蒙特卡羅積分
7．3．2 馬爾可夫鏈
7．3．3 MCMC 方法綜述
7．3．4 Metropolis 算法
7．3．5 Metropolis-Hastings 算法
7．3．6 Gibbs 抽樣
7．3．7 Hamiltonian 蒙特卡羅方法
7．4 EM 算法
7．5 變分貝葉斯近似
第8章 概率編程/貝葉斯編程
8．1 引言
8．2 概率編程概述
8．2．1 概率編程要點(diǎn)
8．2．2 先驗(yàn)分布的選擇――從概率編程的角度
8．3 貝葉斯計(jì)算專用軟件
8．4 R/Stan
8．4．1 概述
8．4．2 安裝
8．4．3 對(duì)例8．1 的數(shù)據(jù)運(yùn)行R/Stan
8．5 Python/PyMC3
8．5．1 概述
8．5．2 安裝
8．5．3 對(duì)例8．1 的數(shù)據(jù)運(yùn)行Python/PyMC3
8．6 通過(guò)一個(gè)著名例子進(jìn)一步熟悉R/Stan 和Python/PyMC3
8．6．1 R/Stan 關(guān)于例8．2 的模型(8．6．1) ～ (8．6．4) 的代碼
8．6．2 Python/PyMC3 關(guān)于例8．2的模型(8．6．1) ～ (8．6．4) 的代碼
8．7 R 中基于Stan 的兩個(gè)程序包
8．7．1 R 中基于Stan 的rstanarm 程序包
8．7．2 R 中基于Stan 的brms 程序包
8．8 Python 中的BayesPy 模塊簡(jiǎn)介
8．9 習(xí)題
第9章 在常用模型中使用R/Stan和Python/PyMC3 的例子
9．1 熱身： 一些簡(jiǎn)單例子
9．1．1 拋硬幣： 二項(xiàng)分布
9．1．2 正態(tài)分布例子
9．1．3 簡(jiǎn)單回歸例子
9．1．4 簡(jiǎn)單logistic 回歸例子
9．2 第4章例子的貝葉斯編程計(jì)算Bernoulli/二項(xiàng)分布模型參數(shù)的后驗(yàn)分布
9．2．1 通過(guò)R/Stan 用模型(9．2．1) ～(9．2．3) 擬合例4．2 的數(shù)據(jù)
9．2．2 通過(guò)Python/PyMC3 用模型(9．2．1) ～ (9．2．3) 擬合例4．2 的數(shù)據(jù)
9．3 第5章例子的貝葉斯編程計(jì)算Poisson 模型參數(shù)的后驗(yàn)分布
9．3．1 使用R/Stan 的代碼用模型(5．1．1)、(5．1．2) 擬合例5．1 的數(shù)據(jù)
9．3．2 使用Python/PyMC3 的代碼用模型(5．1．1)、(5．1．2) 擬合例5．1的數(shù)據(jù)
9．4 第6章例子的貝葉斯編程計(jì)算后驗(yàn)分布的正態(tài)分布例子
9．4．1 通過(guò)R/Stan 代碼用模型(9．4．1) ～ (9．4．3) 擬合例6．1 的數(shù)據(jù)
9．4．2 通過(guò)Python/PyMC3 代碼用模型(9．4．1) ～ (9．4．3) 擬合例6．1 的數(shù)據(jù)
9．5 習(xí)題
第四部分 更多的貝葉斯模型185
第10章 貝葉斯廣義線性模型
10．1 可能性和最大似然原理
10．2 指數(shù)分布族和廣義線性模型
10．2．1 指數(shù)分布族的典則形式
10．2．2 廣義線性模型和連接函數(shù)
10．3 線性回歸
10．3．1 應(yīng)用R/Stan 代碼于例10．3的模型(10．3．1) ～ (10．3．6)
10．3．2 應(yīng)用Python/PyMC3 代碼于例10．3 的模型(10．3．1) ～ (10．3．6)
10．4 二水平變量問(wèn)題： logistic 回歸
10．4．1 應(yīng)用R/Stan 代碼于例10．4的模型(10．4．2) ～ (10．4．4)
10．4．2 應(yīng)用Python/PyMC3 代碼于例10．4 的模型(10．4．2) ～ (10．4．4)
10．5 分層線性回歸： 多水平模型
10．5．1 應(yīng)用R/Stan 代碼于例10．5的模型(10．5．3) ～ (10．5．6)
10．5．2 應(yīng)用Python/PyMC3 代碼于例10．5 的模型(10．5．3) ～ (10．5．6)
10．6 分層logistic 回歸
10．6．1 應(yīng)用R/Stan 代碼于例10．6的模型(10．6．2) ～ (10．6．5)
10．6．2 應(yīng)用Python/PyMC3 代碼于例10．6 的模型(10．6．2) ～ (10．6．5)
10．7 習(xí)題
第11章 生存分析
11．1 生存分析的基本概念
11．1．1 本章的例子
11．1．2 Cox PH 模型
11．1．3 參數(shù)PH 模型
11．1．4 加速失效時(shí)間模型
11．2 數(shù)值計(jì)算例子
11．2．1 Cox PH 模型*
11．2．2 AFT 模型： Weibull 分布
11．2．3 AFT 模型： log-logistic 分布
11．2．4 Weibull 模型
11．3 習(xí)題
第12章 樸素貝葉斯
12．1 基本概念
12．1．1 類條件獨(dú)立性假定
12．1．2 樸素貝葉斯分類器類型
12．2 樸素貝葉斯方法分類數(shù)值例子
12．3 本章的Python 代碼
12．4 習(xí)題
第13章 貝葉斯網(wǎng)絡(luò)
13．1 概述
13．1．1 基本概念
13．1．2 貝葉斯網(wǎng)絡(luò)的難點(diǎn)及優(yōu)缺點(diǎn)
13．1．3 貝葉斯網(wǎng)絡(luò)的一個(gè)簡(jiǎn)單例子
13．2 學(xué)習(xí)貝葉斯網(wǎng)絡(luò)
13．2．1 貝葉斯網(wǎng)絡(luò)中的條件獨(dú)立性概念
13．2．2 網(wǎng)絡(luò)學(xué)習(xí)算法的種類
13．2．3 幾種可能面對(duì)的問(wèn)題
13．3 貝葉斯網(wǎng)絡(luò)的數(shù)值例子及計(jì)算
13．3．1 全部變量是離散變量的情況
13．3．2 全部變量是連續(xù)變量的情況
13．3．3 連續(xù)變量和離散變量混合的情況
第14章 隱馬爾可夫模型*
14．1 概述
14．2 HMM 的三個(gè)主要問(wèn)題
14．2．1 評(píng)估問(wèn)題
14．2．2 解碼問(wèn)題
14．2．3 學(xué)習(xí)問(wèn)題
14．3 HMM 的數(shù)值例子和計(jì)算
14．3．1 數(shù)值例子
14．3．2 使用HMM 方法于例14．1(R)
14．3．3 使用HMM 方法于例14．1(Python)
參考文獻(xiàn)