非参数贝叶斯模型、Dirichlet Process，Stick-Breaking

非参数贝叶斯模型

资料：
非参数贝叶斯模型概述
如何简单易懂地理解贝叶斯非参数模型？

为了讲清楚什么是非参数贝叶斯模型，先看看下面几个概念：

参数模型

参数模型就是知道总体（随机变量）的分布，但是不知道这个分布的参数，比如知道x服从参数为p的二项分布，因此我们得到x的样本后，要反推回p到底是什么。求解参数模型的常用方法比如最大似然估计（MLE），最大后验估计（MAP）。在参数模型中，常用的已知分布有：二项式分布、多项式分布、高斯分布。

非参数模型

非参数模型对于总体的分布不做任何假设，只是知道总体是一个随机变量，其分布是存在的（分布中也可能存在参数），但是无法知道其分布的形式，更不知道分布的相关参数，只有在给定一些样本的条件下，能够依据非参数统计的方法进行推断。
从上述的区别中可以看出，问题中有没有参数，并不是参数模型和非参数模型的区别。其区别主要在于总体的分布形式是否已知。而为何强调“参数”与“非参数”，主要原因在于参数模型的分布可以有参数直接确定。

非参数贝叶斯模型

Dirichlet Distribution（狄利克雷分布）与Dirichlet Process（狄利克雷过程）

Dirichlet Distribution（狄利克雷分布）与Dirichlet Process（狄利克雷过程）
如何理解狄利克雷过程（Dirichlet Process）

Stick-Breaking

如何理解狄利克雷过程（Dirichlet Process）
从折棍子（Stick Breaking）模型到狄利克雷过程（DP）