第1章 概率思維——貝葉斯推斷指南
1.1 以建模為中心的統計學
1.1.1 探索式數據分析
1.1.2 統計推斷
1.2 概率與不確定性
1.2.1 概率分布
1.2.2 貝葉斯定理與統計推斷
1.3 單參數推斷
1.3.1 拋硬幣問題
1.3.2 報告貝葉斯分析結果
1.3.3 模型注釋和可視化
1.3.4 總結後驗
1.4 後驗預測檢查
1.5 安裝必要的Python庫
1.6 總結
1.7 練習
第2章 概率編程——PyMC3 編程指南
2.1 概率編程
2.1.1 推斷引擎
2.2 PyMC3介紹
2.2.1 用計算的方法解決拋硬幣問題
2.3 總結後驗
2.3.1 基於後驗的決策
2.4 總結
2.5 深入閱讀
2.6 練習
第3章 多參和分層模型
3.1 冗餘參數和邊緣概率分布
3.2 隨處可見的高斯分布
3.2.1 高斯推斷
3.2.2 魯棒推斷
3.3 組間比較
3.3.1 “小費”數據集
3.3.2 Cohen’s d
3.3.3 概率優勢
3.4 分層模型
3.4.1 收縮
3.5 總結
3.6 深入閱讀
3.7 練習
第4章 利用線性回歸模型理解並預測數據
4.1 一元線性回歸
4.1.1 與機器學習的聯繫
4.1.2 線性回歸模型的核心
4.1.3 線性模型與高自相關性
4.1.4 對後驗進行解釋和可視化
4.1.5 皮爾遜相關繫數
4.2 魯棒線性回歸
4.3 分層線性回歸
4.3.1 相關性與因果性