AI 必須！從做中學貝氏統計：從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器

　　貝氏統計因 AI 機器學習的發展而再度翻紅，其核心是利用統計推論的方法，在觀測到新證據或取得新資訊時，利用科學方法循環更新先前假設的機率，非常適合只能依據僅有的且不夠完整的資訊進行假設評估的技術。目前廣泛應用於機器學習、深度學習、資料科學、大數據分析等領域。

 

　　正經八百的念經書只會讓人想睡覺，而本書很不一樣，作者依其自身的（慘痛）經歷規劃出這本神奇之書，隨時與學習者站在一起，將腦海經常冒出來的疑問，以豐富的圖表、實作輔助並提供許多參考資源的問答方法呈現。對於重要觀念與公式，也用不同顏色標示（對了！本書是彩色書，灑花），不斷的前後呼應提醒，才不會讀到後面卻忘了前面，進而確實掌握貝氏統計的精髓。本書討論到 MCMC （馬可夫鏈蒙地卡羅法）之處尤其精彩，一般貝氏書籍或網路文章只講理論或舉個簡單例子交代一下就完事了，而本書是實實在在的帶領讀者一遍一遍的演練，落實從做中學的精神。

 

　　對於想瞭解貝氏統計的各領域專業人員，包括機器學習、深度學習、生命與醫學、心理學、公共衛生、商業數據分析等，都是淺顯易懂的好書。也適合學習統計、人工智慧相關領域大學高年級與研究所程度的學生。

 

 

　　○由施威銘研究室監修內容，適時補充編註與譯註，幫助讀者確實理解內容。

　　○貫徹『講七遍、做二十一遍』的精神，真正從做中學會的就不會忘記。

　　○本書厚達六百多頁，為考慮到學習的便利性與舒適性，採用全彩印刷容易分辨重點、並以軟精裝裝訂可攤平閱讀。

　　○額外提供原文書也沒有的書中分佈函數 Python 程式碼下載，可自行修改參數觀察函數圖形變化。

Ch01 先來瞭解一下機率

Ch02 聯合機率、邊際機率、條件機率

 

Ch03 貝氏定理

Ch04 貝氏推論

Ch05 作者問題：包含兩個假設的貝氏推論

Ch06 生日問題：包含多個假設的貝氏推論

Ch07 肖像問題：利用聯合概似性進行貝氏推論

 

Ch08 機率質量函數

Ch09 機率密度函數

 

Ch10 白宮問題：Beta－二項式共軛

Ch11 鯊魚攻擊問題：Gamma－卜瓦松共軛

Ch12 楓糖問題：常態－常態共軛

 

Ch13 回顧鯊魚攻擊問題：以 Metropolis 演算法進行 MCMC 分析

Ch14 MCMC 診斷技巧

Ch15 回顧白宮問題：以 Metropolis－Hastings 演算法進行 MCMC 分析

Ch16 回顧楓糖問題：以 Gibbs 抽樣進行 MCMC 分析

 

Ch17 生存遊戲問題：以 MCMC 進行簡單線性迴歸

Ch18 繼續討論生存遊戲問題：介紹貝氏模型選擇

Ch19 羅雷司問題：介紹貝氏網路

Ch20 萬事樂問題：介紹決策樹

 

A1 Beta－二項式共軛解

A2 Gamma－卜瓦松共軛解

A3 常態－常態共軛解

A4 簡單線性迴歸的共軛解

A5 迴歸資料的標準化

 

 

　　Therese Donovan 是美國地質調查暨魚類和野生動物生物學家。在佛蒙特大學魯賓斯坦環境與自然資源學院研究所教授生態建模與保育生物學，並與專業人員共同研究脊椎動物保護問題。

 

 

　　Ruth Mickey 是佛蒙特大學數學與統計學系榮譽教授。她教授多變量分析、分類數據、調查取樣、變異數分析與機率學等課程，亦擔任碩博士委員會顧問。她致力於開發統計方法與應用以推動公共衛生與自然資源事務。

 

 

 

　　國立臺灣大學腦與心智科學研究所碩士班畢業後，曾擔任過行銷、產品設計等工作。有 Java 與 Python 程式語言基礎，對於科學與科技議題抱有高度興趣，隨後投入翻譯工作，目前譯有《無限的力量》、《深度強化式學習》、《深度學習的16堂課》等，同時經營自己的英文部落格：Neurozo Innovation Blog。