为机器学习爱好者推荐一本书《贝叶斯方法：概率编程与贝叶斯推断》

本书的内容特色：

• 学习贝叶斯思维方式

• ·理解计算机如何进行贝叶斯推断

• ·利用PyMC Python库进行编程来实现贝叶斯分析

• ·利用PyMC建模以及调试

• ·测试模型的拟合优度

• ·打开马尔科夫链蒙特卡洛算法的黑盒子，看看它如何工作

• ·利用大数定律的力量

• ·掌握聚类、收敛、自相关、细化等关键概念

• ·根据目标和预期的结果，利用损失函数来推断缺陷

• ·选择合理的先验，并理解其如何随着样本量的大小而变化

• ·克服“研发与开发”的困境：判断是否已经足够好了

• ·利用贝叶斯推断改良A/B测试

• 在可用数据量小的情况下，解决数据科学的问题

贝叶斯方法是一种常用的推断方法，然而对读者来说它通常隐藏在乏味的数学分析章节背后。关于贝叶斯推断的书通常包含两到三章关于概率论的内容，然后才会阐述什么是贝叶斯推断。不幸的是，由于大多数贝叶斯模型在数学上难以处理，这些书只会为读者展示简单、人造的例子。这会导致贝叶斯推断给读者留下“那又如何？”的印象。实际上，这曾是我自己的先验观点。

最近贝叶斯方法在一些机器学习竞赛上取得了成功，让我决定再次研究这一主题。然而即便以我的数学功底，我也花了整整3天时间来阅读范例，并试图将它们汇总起来以便理解这一方法。那时并没有足够的文献将理论和实际结合起来。而让我产生理解偏差的正是由于没能将贝叶斯数学理论和概率编程实践结合起来。当然，如今读者已经无需再遭遇我当时的情景。本书就是为了填补这一空缺而编写的。

如果我们最终是要进行贝叶斯推断，那么一方面我们可以采用数学分析来实现这一目的，而另一方面，随着计算成本的下降，我们已经可以通过概率编程来完成这一任务。后一种方法更加有用，因为它避免了在每一步介入数学干预，而这也使得进行贝叶斯推断不再以通常很棘手的数学分析为前提。简而言之，后一种计算途径，是从问题起点经过小幅中间步骤到达问题终点，而前一种途径则大幅跃进，并通常最后远离目标。此外，如果没有深厚的数学功底，也根本无法完成前一种途径所需要的数学分析。

《贝叶斯方法：概率编程与贝叶斯推断》首先从计算和理解的角