內容大鋼
這本書旨在幫助那些希望用數學工具解決實際問題的人們，僅有的要求可能就是懂一點概率知識和程序設計。貝葉斯方法是一種常見的利用概率學知識去解決不確定性問題的數學方法，對於一個電腦專業人士，應當熟悉其在諸如機器翻譯、語音識別、垃圾郵件檢測等常見的電腦領域的應用。
本書實際上會擴大你的視野，即使不是一個電腦專業人士，你也可以看到在戰爭環境下（第二次世界大戰德軍坦克問題），法律問題上（腎腫瘤的假設驗證），體育博彩領域中（棕熊隊和加人隊NHL比賽問題）貝葉斯方法的威力。怎麼從有限的信息判斷德軍裝甲部隊的規模？你所支持的球隊有多大可能贏得冠軍？在《龍與地下城》勇士中，你應當對遊戲角色屬性的最大值有怎樣的預期？甚至在普通的彩彈射擊遊戲中，擁有一些貝葉斯思維也能幫助你提高遊戲水平。
除此以外，本書在共計15章的篇幅中討論了怎樣解決十幾個現實生活中的實際問題。在這些問題的解決過程中，作者還潛移默化地幫助讀者形成了建模決策的方法論，建模誤差和數值誤差怎麼取捨，怎樣為具體問題建立數學模型，如何抓住問題中的主要矛盾（模型中的關鍵參數），再一步一步地優化或者驗證模型的有效性或者局限性。在這個意義上，這本書又是一本關於數學建模的成功樣本。
目錄
第1章 貝葉斯定理
1.1 條件概率
1.1 聯合概率
1.3 曲奇餅問題
1.4 貝葉斯定理
1.5 歷時詮釋
1.6 M&M豆問題
1.7 Monty Hall難題
1.8 討論
第2章 統計計算
2.1 分佈
2.1 曲奇餅問題
2.3 貝葉斯框架
2.4 Monty Hall難題
2.5 封裝框架
2.6 M&M豆問題
2.7 討論
2.8 練習
第3章 估計
3.1 骰子問題
3.1 火車頭問題
3.3 怎樣看待先驗概率？
3.4 其他先驗概率
3.5 置信區間
3.6 累積分佈函數
3.7 德軍坦克問題
3.8 討論
3.9 練習
第4章 估計進階
4.1 歐元問題
4.1 后驗概率的概述
4.3 先驗概率的湮沒
4.4 優化
4.5 Beta分佈
4.6 討論
4.7 練習
第5章 勝率和加數
5.1 勝率
5.1 貝葉斯定理的勝率形式
5.3 奧利弗的血跡
5.4 加數
5.5 1大化
5.6 混合分佈
5.7 討論
第6章 決策分析
6.1 「正確的價格」問題
6.1 先驗概率
6.3 概率密度函數
6.4 PDF的表示
6.5 選手建模
6.6 似然度
6.7 更新
6.8 1優出價
6.9 討論
第7章 預測
7.1 波士頓棕熊隊問題
7.1 泊松過程
7.3 后驗
7.4 進球分佈
7.5 獲勝的概率
7.6 突然死亡法則
7.7 討論
7.8 練習
第8章 觀察者的偏差
8.1 紅線問題
8.1 模型
8.3 等待時間
8.4 預測等待時間
8.5 估計到達率
8.6 消除不確定性
8.7 決策分析
8.8 討論
8.9 練習
第9章 二維問題
9.1 彩彈
9.1 Suite對象
9.3 三角學
9.4 似然度
9.5 聯合分佈
9.6 條件分佈
9.7 置信區間
9.8 討論
9.9 練習
第10章 貝葉斯近似計算
10.1 1異性假說
10.1 均值和標準差
10.3 更新
10.4 CV的后驗分佈
10.5 數據下溢
10.6 對數似然
10.7 一個小的優化
10.8 ABC（近似貝葉斯計算）
10.9 估計的可靠性
10.10 誰的1異性更大？
10.11 討論
10.11 練習
第11章 假設檢驗
11.1 回到歐元問題
11.1 來一個公平的對比
11.3 三角前驗
11.4 討論
11.5 練習
第12章 證據
12.1 解讀SAT成績
12.1 比例得分SAT
12.3 先驗
12.4 后驗
12.5 一個更好的模型
12.6 校準
12.7 效率的后驗分佈
12.8 預測分佈
12.9 討論
第13章 模擬
13.1 腎腫瘤的問題
13.1 一個簡化模型
13.3 更普遍的模型
13.4 實現
13.5 緩存聯合分佈
13.6 條件分佈
13.7 序列相關性
13.8 討論
第14章 層次化模型
14.1 蓋革計數器問題
14.1 從簡單的開始
14.3 分層模型
14.4 一個小優化
14.5 抽取后驗
14.6 討論
14.7 練習
第15章 處理多維問題
15.1 臍部細菌
15.1 獅子，老虎和熊
15.3 分層版本
15.4 隨機抽樣
15.5 優化
15.6 堆疊的層次結構
15.7 另一�
[