贝叶斯统计的概念很简单，有一些固定的数据（固定的意思是指我们无法改变观测值），和一些感兴趣的参数，剩下要做的就是探索这些参数可能的取值，其中所有的不确定性都通过概率进行建模。说句白话，能够用已有的资料做基础，尝试预测未来。在别的统计学范式中，未知量有多种不同的表示方式，而在贝叶斯的框架中，所有未知量都是同等对待的，如果不知道某个变量，我们就给其赋予一个概率分布。因此，贝叶斯定理就是将先验概率分布（在观测到数据之前我们对问题的理解）转化成后验分布（观测到数据之后所得到的信息），换句话说，贝叶斯统计就是一种机器学习的过程。以上公式看不懂没关系，其实就是说的由已经知道的，可以推导出大概率的结论。比如，小王以前偷盗成性，以后在监狱里吃牢饭的几率就很高，俗话说的“江山易改，本性难移”就说的这个道理。PythonMatlab机器学习深度学习视频/神经网络算法淘宝￥30购买已下架尽管概念上很简单，纯粹的概率模型得到的表达式通常分析起来很棘手。许多年来，这都是一个问题，大概也是影响贝叶斯方法广泛应用的最大原因之一。随着计算时代的到来，数值化方法的发展使得计算几乎任意模型的后验成为了可能，这极大地促进了贝叶斯方法的应用。我们可以把这些数值化方法当作通用引擎，按照PyMC3的核心开发者之一ThomasWiecki的说法，只需要按下按钮，推断部分就可以自动完成了。自动化推断促进了概率编程语言的发展，从而使得模型构建和推断相分离。在概率编程语言的框架中，用户只需要寥寥数行代码描述概率模型，后面的推断过程就能自动完成了。概率编程使得人们能够更快速地构建复杂的概率模型并减少出错的可能，可以预见，这将给数据科学和其他学科带来极大的影响。我认为，编程语言对科学计算的影响可以与60多年前Fortran语言的问世相对比。尽管如今Fortran语言风光不再，不过在当时Fortran语言被认为是相当革命性的。科学家们第一次从计算的细节中解放出来，开始用一种更自然的方式
转载请注明：http://www.aierlanlan.com/rzgz/6781.html
