如果你是个文科生，又对贝叶斯推理十分好奇，强烈推荐这本书！这是一本人人都能懂的贝叶斯统计学。 全书没有一个让人眼花瞭乱、望而却步的复杂公式，也几乎没有概率符号。那怎么算呢？用长方形的面积图，就可以进行贝叶斯推理，简单而高效。而且效果毫不逊色于使用概率符号的讲解方式。 不说虚的，的确如此。我是个文科生，数学不好。但书中给出的方法，都非常通俗易懂、简单实用。前半本书的练习题，我都自己计算过了（后边的没算，是因为自己太懒）。看上去难于登天的贝叶斯推理，原来可以如此简单。 书中的例子，也都非常有意思。你可以通过自己计算，用结果把本来不相信的自己轻松说服。比如著名的蒙蒂霍尔问题，为什么说你最好换一个选项？你自己算算就明白啦！ 来，开启一场有意思的烧脑之旅吧！

作者用更容易理解的图形呈现方式，示范如何用贝叶斯计算法。非常适合入门级别的人。如果你讨厌方程式，又想要理解贝叶斯算法，那这本书太适合你了。这本书有两大部分，前半部分解释了简单易懂的图形贝叶斯算法，这是我觉得最棒的地方。下半部分稍微复杂，如果想精进可以慢慢地品会。这本书非常适合与其他得到课程一起学习。尤其是概率课和人生算法课。

一句话总结，第一次遇到一本书把贝叶斯公式讲得这么直观清晰，利用面积图完全讲清楚了贝叶斯统计背后的原理。

本书是 “贝叶斯统计学” 的超级入门书。“超级” 的含义：● 从零基础开始学习● 抛开烦琐的符号和计算过程，学习运用贝叶斯统计● 不只是随便说说，而是毫无保留地传授知识对贝叶斯统计学感兴趣的人不在少数。然而此前的教科书，导入部分编写浅显，中途却难度骤增，这使很多读者大受挫折。这是因为在尚未理解贝叶斯统计的本质时，就被灌输了一大堆概率符号，使得理解起来更为困难。

通过阅读本书可以得知，贝叶斯统计的优势在于，“在数据少的情况下也可以进行推测，数据越多，推测结果越准确”，以及 “对所获的信息可做出瞬时反应，自动升级推测” 的学习功能。了解了这一点之后，就完全可以理解为什么贝叶斯统计是非常适合应用于高端商业的技术了。从事商业活动的人，如果能够熟练使用贝叶斯统计，那是再好不过的。本书中的案例和解说，为这一类人群提供了很好的参考。

这本书带有浓厚的日本书籍的气息。书看的多了，就会发现，有一些书，读上一端就能猜出是哪个国家的作者。像这本书，一读上去就知道是日本作家的书，因为读过好几本日本作者的理工科的书，就是很讲究用特别浅显，深入浅出的具体的例子去讲透一些概念，尤其还要配上一些图，虽然说句老实话，有的时候图看的头疼。但是这本书还是挺好的，贝叶斯概率正好前段时间找了一些资料，但是不好看懂，不理解，就放下来了。读完这本书，真的是恍然大悟，虽然可能还是对于理解公式那些还有点困难，但是至少通过这本书理解了贝叶斯概率的本质，再去读相关的书籍就不会有畏难情绪了。但是还是得吐槽一下翻译，不知道翻译是不是专门从事数学方面的学者，但是明显有些地方不符合国内教学内容，就不如说期待值这个概念，虽然理解是什么意思，但是国内从中学达大学，一直是用的期望这个词，所以希望翻译时还是要遵循国内的习惯。

化繁为简，由浅入深，这是入门了解统计学的好书！

不够专业，好多概率都看不懂

之前读大学概率论时，一大堆贝叶斯公式，愣是不明白有啥用，今天无意间看到这本书，两个小时读下来，轻松搞明白了。我印象最深刻的几个收获：1. 如果被检查出得了某种癌症，历史统计患病率很低，那不要一下子就觉得完了，根据贝叶斯定理，可能只有百分之几的概率真正患病，再去复查下。2. 垃圾邮件判断的底层逻辑就是根据贝叶斯来的，比如邮件中有没有链接地址，一些广告词之类的就可以八九不离十判断出来。3. 那有没有可能判断错呢？当然有，但是贝叶斯定理厉害之处就是可以不断通过更多次信息校准的，

我自幼就很喜欢数学，学生时代两获奥数奖。进了文科班，一个人把班的数学均分抬高，超过最差的理科班，高考数学 149。写文科的硕士论文时，运用了一点统计学技巧，论文就被推优。数学不是抽象的枯燥，它有力量的！

我的收获：“若某对夫妇生的第一胎为女孩，那么第二胎依然为女孩的概率是多少” 贝叶斯推理的结论是，该夫妇生的第一胎为女孩，那么第二胎依然为女孩的概率为：3/4。同理，我的一个孩子是男孩，准备生二胎，但生男孩的概率为：3/4。生还是不生😅。

可能是不认真也受限于数学功底，最后讲正态分布与贝叶斯关系的时候有点晕菜，不过整体上还是有所得的说

贝叶斯理论是大学高等数学的课程，作者说，如今已放入高中课本，可见学生进阶程度在加快。该书大概看了下，回顾了贝叶斯理论，核心观点就是通过理论或者客观的先验概率来推断出发生事实的后验概率。而且可以把一个贝叶斯系统嵌入另一个贝叶斯系统，以此来提高准确率。

到后面上公式的时候基本都跳过了，在地铁看书确实难进入专注的思考状态，只被前面的画图部分吸引了。看完本书 get 到一个概念：贝叶斯公式就是带着假设看问题，观测到对象的变化后，抛弃原本不符合实际的那部分想法，对问题的整体进行更新，如此循环下去，得到更精确的预测。

“统计” 一词，好像是从 “统计局” 这么一个部门开始的。曾以为这是政府为了解、掌握庞大数值的而设置的，甚至有言论说 “统计局” 是清水衙门，无职权、无社会和经济产出，可有可无。在好奇心驱使下，听看了此书，才对 “统计” 有了一点感悟，原来 “统计学” 是一门大学问。在大力发展数字经济的当下，“统计学” 表现出强大的转化和呈现能力，就可以让数字 “活” 起来。在生活和社会活动中，它能化繁去冗，让我们看清和理解事物的本质，让眼、脑匹配起来，甄别真实和干扰。在得到，这个好奇心随时能得到满足，真好！

在我回忆中，发现没有一个老师是真正把统计学好好的跟我们解释一遍，所以真正能让我理解的原来是这本书，把统计学用通俗的语言，结合案例跟我们简单介绍出来。其实这本书是有一种野心的，那就是称为统计学的入门以及必读书目，我觉得他们已经达到了这个目的。因为假设有一天很多学科都消失了，统计学这门学科还是不会消失，他是所有学科了一个艰深而隐藏的基础，我们因此可以得出非常多的结论，从而恢复所有消失的学科。这样的重要性就不用多说了，我建议大家都要好好读一下。

本书的设计亮点在于用面积的对比来表示概率大小对比，过渡到后面符号函数叙述时理解概率密度与概率（积分）就十分自然。以前上学时学条件概率都过于死记硬背了，而按本书的写作逻辑前段确保读者就算不理解也可以套用面积法先解决实际问题，后段再对原理思路进行理解。

统计学在各学科中有着重要的地位，并且衍生出像统计物理学、统计金融等新学科。统计学有两个重要的分支，分别是贝叶斯统计学和标准统计学（也称为费希尔 - 内曼 - 皮尔逊统计学）。虽然这两个分支都使用过，但从未思考过它们的底层逻辑和思想，也没有认真思考过它们之间的异同点，然而这本书告诉了我们，并且采用浅显易懂的方式。贝叶斯统计学和标准统计学之间共通共融的思想是极大似然原理。贝叶斯统计学直接运用极大似然原理得出推理结果，因为后验概率为（先验概率）×（条件概率）的比例，因此，先验概率大或条件概率大从而更容易被选择的原因，就体现了极大似然原理。标准统计学中极大似然原理并不是运用于推理本身，而是运用于 “为统计推理添加依据” 的过程当中，并不直接参与推理。“为统计推理添加依据” 就是为标准统计学的推理选取最优参数，而最优参数选取的思想，就是运用了极大似然原理。贝叶斯统计学和标准统计学在思考方式、逻辑等方面存在不同之处：一是思考方式不同。基于标准统计学的推理明快、严格，以大数定律为基础。如果缺乏合适的显著水平，有可能无法给出结果。基于贝叶斯统计学的推理无论在任何条件下都能给出暂时的结果，它没有像标准统计学的假设检验那样，有关于显著水平的设定。贝叶斯推理的强项是 “无论在何种条件下，都能得出一个暂时的结果”，因此，贝叶斯推理显得 “主观”、“牵强”。贝叶斯推理之所以显得有些 “牵强”，主要是因为其中的先验概率。所谓先验概率，是指 “在没有任何信息的情况下，暂且把所有可能性的概率设定为对等的（理由不充分原理）”，或者 “从主观上进行设定” 等，因而会令人感到 “牵强”。但反过来说，正是由于设定了这样的先验概率，贝叶斯推理从而具备了 “即使只有少量信息（数据），也能够进行推理” 的优点。二是结果的产生立场不同。通过对于 “大概” 一词的解释，我们能够明显地看出标准统计学与贝叶斯统计学之间的立场差异。在标准统计学的推导中，“大概是 B” 这一结论，是基于 “虽然可能出错，但还是确定结论为 B” 的考虑而确定的。这是在了解风险的情况下，从两种可能性中选出一种的立场。而在贝叶斯推理中，“大概是 B” 这一结论，是基于 “可能为 A，也可能为 B，而 B 的可能性更大一些” 的考虑而确定的。这样，既不确定是 A，也不确定是 B，而是认为两者都有可能；与此同时，对于 A 和 B 的重视程度有所不同，这就是贝叶斯推理的立场。三是推理的风险不同。基于标准统计学的推理风险是蕴含在方法论 (假设检验和显著性水平的设定) 中，而基于贝叶斯统计学的推理风险仅在具体的案例 (具体结果的后验概率) 中。用比喻性的说法来解释：假设检验的风险存在于结论之外，而贝叶斯推理的风险则存在于结论的后验概率本身之中。从积极的态度来说，贝叶斯推理是思想性、哲学性的，这也正是 “主观” 的内容处在数理科学中的地位。然而，从 “观察到的结果” 来追溯 “引起该结果的原因”，就需要某种 “逻辑上的飞跃”。这里重要的是，这个 “逻辑上的飞跃” 是否具备自始至终的方法论和明确性，以及作为一项技术，是否具备实践的有效性。而贝叶斯推理具备了这两个方面的优势，从而推翻了 “不靠谱” 的怀疑，因而有着独特的魅力。贝叶斯推理正是由于它的思想性，才拥有生命力。统计学的魅力，尤其是贝叶斯统计学的魅力被这本书展现的淋漓尽致，让你情不自禁的仰视那些致力于统计学研究的科学家，像贝叶斯、费希尔、内曼、皮尔逊、高尔顿、萨维奇等，同时也能激发起你对统计学的好奇心。

后半部分要重新读，很实用，需要请教 cha 老师

越看越糊涂，不用数学公式的坏处就在这吧