Python贝叶斯分析（第2版）

第9章　拓展学习

我写本书是为了向那些已经熟悉Python和Python数据栈，但对统计分析不太熟悉的人介绍贝叶斯统计的主要概念和实践。在阅读了前面的8章之后，你应该对贝叶斯统计的很多主要主题有了一个合理的实际理解。尽管你不会是一个“专家、贝叶斯、忍者、黑客”（无论是什么），但你应该能够创建概率模型来解决自己的数据分析问题。如果你真的对贝叶斯统计很感兴趣，那么这本书是不够的——可能没有一本书是足够的。为了更熟练地掌握贝叶斯统计，你需要练习、时间、耐心、热情和更多的实践，也需要从不同的角度重新审视思想观念。

在本书配套源码中，你会发现一些示例补充了本书中讨论的示例。这些例子不适合本书，可能是由于空间或时间关系的影响。实际上，在写本书的时候，GitHubê库中还没有额外的例子，但我会时不时地在那里添加例子。要收集额外的资料，还是要查看PyMC3官方文档。尤其是“示例”部分，其中包含本书中涉及的很多模型示例以及其他很多未涉及的模型示例。正如你已经知道的，ArviZ是一个非常新的库，但是我们已经在编写一些关于贝叶斯模型探索性分析的教程。我们希望这将是一个有用的参考，特别是对于贝叶斯建模的新手。

下面列出了一些确实影响了我的“贝叶斯思维方式”的材料。这个列表绝不是完备的。我相信你会发现，至少有一部分材料非常有用和鼓舞人心。

如果你想继续学习一般的贝叶斯统计，请查看以下资料。

● 我强烈建议你阅读Richard McElreath的Statistical Rethinking。这是一本关于贝叶斯分析的极好的入门书，但这本书有一个问题：这些例子是用R/Stan表示的。因此，有些志愿者将这本书中的示例移植到Python/PyMC3中。读者可以搜索GitHub仓库以获取更多信息。

● 由John ...