贝叶斯方法 pdf epub mobi txt 电子书下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:人民邮电出版社

作者:[加] Cameron Davidson-Pilon

出品人:

页数:214

译者:辛愿

出版时间:2017-1-1

价格:59.00元

装帧:平装

isbn号码:9787115438805

丛书系列:

图书标签:

贝叶斯方法
Python
贝叶斯
统计学
机器学习
概率编程与贝叶斯推断
计算机科学
数据挖掘
贝叶斯方法
概率统计
机器学习
数据分析
统计推断
数学建模
深度学习
数据科学
算法
统计学

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到图书目录大全

book.wenda123.org

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

具体描述

贝叶斯推理的方法非常自然和极其强大。然而，大多数图书讨论贝叶斯推理，依赖于非常复杂的数学分析和人工的例子，使没有强大数学背景的人无法接触。不过，现在好了，卡梅伦的这本书从编程、计算的角度来介绍贝叶斯推理，把贝叶斯理论和编程实践结合起来，使大多数程序员都可以入门并掌握。

本书通过强大的Python语言库PyMC，以及相关的Python工具，包括NumPySciPyMatplotlib讲解了概率编程。通过本书介绍的方法，读者只需付出很少的努力，就能掌握有效的贝叶斯分析方法。

概率建模的基石：面向应用的统计推断本书旨在为数据科学家、研究人员以及对复杂系统建模感兴趣的专业人士提供一套全面且深入的统计推断框架。我们聚焦于那些超越经典频率学派范畴，更侧重于利用先验知识和数据迭代更新信念的分析方法。核心思想在于将不确定性视为一个可量化的、可被持续修正的实体，而非仅仅是随机误差的残留。第一部分：概率论与信息论基础的回顾与深化在深入探讨推断方法之前，我们首先需要夯实概率论的理论基础，并引入信息论的视角来衡量不确定性和信息增益。 1.1 概率论的现代诠释：从柯尔莫哥洛夫到主观信念本章将重新审视概率的定义，重点探讨其在度量不确定性方面的实际意义。我们将区别于将概率视为长期的频率，而更多地将其视为对特定事件发生程度的理性信念度量。内容包括：条件概率与贝叶斯定理的内在逻辑：详细阐述边缘化、联合分布与条件分布之间的关系，并以大量实际案例说明条件概率在情景推理中的作用。随机变量的刻画：涵盖连续与离散分布的深层特性，包括矩生成函数、特征函数及其在描述分布形态上的优势。我们还将探讨多元随机变量的结构，特别是协方差矩阵的几何和统计含义。大数定律与中心极限定理的局限性：在处理小样本或非独立同分布数据时，经典极限定理的适用边界在哪里？我们引入更稳健的收敛概念，为后续的模拟方法做铺垫。 1.2 信息论视角下的模型选择信息论提供了一种量化模型复杂度与数据拟合程度之间权衡的优雅工具。本节关注如何用信息量来指导建模过程。熵、互信息与交叉熵：深入解析这些核心概念如何量化信息内容和依赖关系。互信息在衡量两个随机变量之间非线性关联方面的优越性将被充分讨论。 Kullback-Leibler (KL) 散度：详细阐述KL散度作为衡量两个概率分布差异的非对称指标，它是评估模型近似性能的关键工具。我们将探讨其在优化目标函数设计中的应用。有效信息量与模型惩罚：讨论如何利用信息准则（如AIC、BIC的更精细版本）在模型复杂度和拟合优度之间找到平衡点，避免过度拟合。第二部分：统计推断的框架构建本部分是全书的核心，专注于如何基于观察到的数据，对潜在的、未知的参数或结构进行量化推断。 2.1 经典推断方法的回顾与局限性为后续的革新方法提供参照，我们简要回顾最大似然估计（MLE）和矩估计（MoM）。重点分析它们在以下场景下的脆弱性：小样本问题： MLE在样本量不足时估计值的偏差和方差问题。病态模型或参数空间边界：当似然函数存在多个局部最大值或参数位于有效域的边缘时，优化算法的稳定性。层次结构与相关性：经典方法在处理具有内在层次结构的数据时，难以有效分离不同层次的变异性。 2.2 似然函数的构建与挑战似然函数是连接参数空间与观测数据的桥梁。本节深入探讨如何正确且高效地构建似然函数。指数族分布的统一视角：认识到许多常用分布（正态、泊松、二项等）同属指数族，这为统一推断方法提供了便利。复杂模型中的难以处理的似然：针对具有潜变量模型（如混合模型）、隐马尔可夫模型或涉及高维积分的模型，讨论近似似然构建技术，如边缘化和降维处理。 2.3 充分统计量与信息压缩理解哪些信息是冗余的，哪些是必需的，对于构建高效的推断统计量至关重要。费希尔-纳曼分解定理：从理论上证明充分统计量如何捕获所有可从数据中提取出的关于参数的信息。最小充分统计量的寻找：介绍如何通过因子分解或概率密度函数的结构，识别出简洁有效的统计量集合。第三部分：现代计算推断方法当解析解不可得，或模型复杂度使得传统积分无法计算时，计算方法成为统计推断的主导力量。本部分详细介绍目前最前沿的模拟与近似技术。 3.1 随机模拟的艺术：蒙特卡洛方法蒙特卡洛方法利用随机抽样来近似计算难以处理的期望或积分。基本采样技术：重新审视均匀分布和标准正态分布的采样方法，如逆变换法、Box-Muller变换。重要性采样（Importance Sampling）：深入解析如何通过构造巧妙的提议分布（Proposal Distribution）来高效估计高维积分，并探讨方差缩减的策略。拒绝采样（Acceptance-Rejection）：分析该方法的适用范围，特别是当目标分布的形状已知但难以直接采样的场景。 3.2 基于马尔可夫链的模拟（MCMC） MCMC是现代统计推断的支柱，它允许我们从复杂的后验分布中直接抽取样本。马尔可夫链的收敛性：讨论遍历性、平稳分布以及如何诊断链的收敛，确保抽样样本的有效性。 Metropolis-Hastings (MH) 算法：详细讲解MH算法的机制，特别是提议分布的选择对效率的影响，以及如何处理无法直接计算的归一化常数。 Gibbs 采样：针对多维参数集，如果所有条件分布易于采样，Gibbs采样如何简化推断过程。我们将展示它在隐变量模型（如混合高斯模型）中的强大应用。诊断与优化：介绍追踪图（Trace Plots）、自相关函数（Autocorrelation Function）以及Gelman-Rubin统计量等工具，用以评估MCMC采样的质量和收敛速度。 3.3 近似推断技术在MCMC计算成本过高时，寻找精确后验分布的合理近似是必要的。变分推断（Variational Inference, VI）：将后验近似问题转化为一个优化问题。详细解释KL散度的最小化如何引导我们找到一个“最接近”真实后验的简单分布族。探讨均场近似（Mean-Field Approximation）及其适用性。准概率近似（Laplace Approximation）：利用泰勒展开在后验分布的峰值处对分布进行二次逼近，这提供了一种快速的、基于正态分布的近似方法。讨论其在高维空间中的误差来源。第四部分：模型的复杂性与层次结构处理现实世界中的数据很少是简单独立同分布的。本部分聚焦于处理嵌套结构和多尺度依赖性的统计模型。 4.1 随机效应与线性混合模型该模型允许参数在不同组别间共享信息，同时保留组别特定的随机波动。随机效应的解释：理解随机效应与固定效应的区别，以及它们如何分别描述总体趋势和个体差异。模型设定与拟合：介绍如何使用最大似然或REML（限制性最大似然）方法估计混合模型中的固定参数和协方差参数。残差分析与诊断：检查模型中不同层次的残差，确保模型假设的有效性。 4.2 层次化模型的构建原则层次模型是处理多阶段抽样和分组数据的自然语言。先验的层级结构：如何设计层次化的先验分布，使得高层参数的分布信息可以“流入”到低层参数的估计中，实现信息的有效共享。完全条件分布的推导：展示在MCMC框架下，如何利用层次结构推导出易于采样的完全条件分布，从而高效地对所有层级的参数进行联合估计。 4.3 空间统计与时间序列的建模处理具有空间或时间相关性的数据需要特殊的模型结构来捕获依赖性。空间自相关性：引入自回归模型（如CAR模型）来描述地理邻近点之间的依赖关系，并讨论如何利用高斯过程（Gaussian Processes）来建模连续空间中的函数关系。时间序列依赖：探讨自回归移动平均（ARMA）模型族，并将其扩展到允许随机波动随时间变化的更灵活的模型框架中。第五部分：模型评估、比较与应用深化统计推断的最终目标是做出可靠的预测和决策。本章关注如何科学地评估模型的性能。 5.1 模型拟合优度与后验预测检验仅仅是参数估计准确并不足够，模型还必须能够重现观察到的数据的特征。后验预测检验（Posterior Predictive Checks）：如何利用模拟数据来检查模型是否在重要方面（如偏度、峰度、异常值）与真实数据匹配。残差的再审视：针对特定模型（如泊松回归），推导和使用定制化的残差（如皮尔逊残差、偏差残差）来识别模型错误设定。 5.2 模型比较的先进指标在多个竞争模型中进行选择，需要系统化的评估工具。信息准则的局限性与替代方案：讨论基于信息论的指标（如WAIC）和基于预测准确性的指标（如LOO交叉验证）。泊出样本预测准确性（Leave-One-Out Cross-Validation, LOO）：详细介绍如何通过Pareto Smoothing Importance Sampling (PSIS) 来高效地估计LOO的预测误差，这是评估模型泛化能力的关键。 5.3 实际案例分析本书将穿插多个跨学科的真实世界案例，展示上述理论和方法的应用。案例涵盖但不限于：流行病学中的传播动力学建模。金融时间序列中的波动率建模与风险度量。生态学中物种分布的概率回归分析。社会科学中对复杂调查数据的多层结构分析。通过对理论的严谨阐述与对计算实践的详细指导，本书旨在帮助读者掌握一套灵活、强大的工具集，用以解决当代科学和工程中最棘手的量化问题，并能清晰、量化地表达和管理推断中的不确定性。

作者简介

作者

Cameron Davidson-Pilon，接触过数学在多个领域的应用——从基因和疾病的动态演化，到金融价格的随机模型。他对于开源社区主要的贡献包括这本书以及lifelines项目。Cameron成长于加拿大的安大略省圭尔夫市，而就读于滑铁卢大学以及莫斯科独立大学。如今他住在安大略省渥太华市，并在电商领军者Shopify工作。

译者

辛愿，浙江大学硕士毕业，腾讯公司基础研究高级工程师，舆情系统开发经理。曾在百度从事推荐系统、用户画像、数据采集等相关研究工作，拥有多项专利，组织过上海大数据技术沙龙。目前专注于文本挖掘、舆情分析、智能聊天机器人等相关领域。

钟黎，腾讯公司研究员。曾在中国科学院、微软亚洲研究院、IBM研究院（新加坡）从事图像处理、语音处理、机器学习等相关研究工作，拥有多项专利，目前聚焦在自然语言处理、深度学习和人工智能等相关领域。

欧阳婷，华南理工大学硕士毕业，腾讯公司后台策略工程师。在电信、互联网行业参与过推荐系统、资源优化、KPI预测、用户画像等相关项目，拥有多项专利，目前聚焦在欺诈检测、时序分析、业务安全等相关领域。

审校者

余凯博士，地平线机器人技术创始人、CEO，国际杰出机器学习专家，中国人工智能学会副秘书长。余博士是前百度研究院执行院长，创建了百度深度学习研究院。他在百度所领导的团队在广告变现、搜索排序、语音识别、计算机视觉等领域做出杰出贡献，创纪录地连续三次获得公司高荣誉——“百度奖”。他还创建了中国公司自动驾驶项目，后发展为百度自动驾驶事业部。

岳亚丁博士，腾讯公司专家研究员，腾讯技术职级评委会基础研究岗位的负责委员。岳博士拥有19年在金融、电信、互联网行业的数据挖掘经验，主导或参与过用户画像、在线广告、推荐系统、CRM、欺诈检测、KPI预测等多种项目。他曾在微软（加拿大）从事行为定向广告的模型研发，另有11年的工程结构、海洋水文气象的力学研究及应用的工作经历。

目录信息

目录
第1章　贝叶斯推断的哲学　1
1.1　引言　1
1.1.1　贝叶斯思维　1
1.1.2　贝叶斯推断在实践中的运用　3
1.1.3　频率派的模型是错误的吗？　4
1.1.4　关于大数据　4
1.2　我们的贝叶斯框架　5
1.2.1　不得不讲的实例：抛硬币　5
1.2.2　实例：图书管理员还是农民　6
1.3　概率分布　8
1.3.1　离散情况　9
1.3.2　连续情况　10
1.3.3　什么是　12
1.4　使用计算机执行贝叶斯推断　12
1.4.1　实例：从短信数据推断行为　12
1.4.2　介绍我们的第一板斧：PyMC　14
1.4.3　说明　18
1.4.4　后验样本到底有什么用？　18
1.5　结论　20
1.6　补充说明　20
1.6.1　从统计学上确定两个l值是否真的不一样　20
1.6.2　扩充至两个转折点　22
1.7　习题　24
1.8　答案　24
第2章　进一步了解PyMC　27
2.1　引言　27
2.1.1　父变量与子变量的关系　27
2.1.2　PyMC变量　28
2.1.3　在模型中加入观测值　31
2.1.4　最后……　33
2.2　建模方法　33
2.2.1　同样的故事，不同的结局　35
2.2.2　实例：贝叶斯A B测试　38
2.2.3　一个简单的场景　38
2.2.4　A和B一起　41
2.2.5　实例：一种人类谎言的算法　45
2.2.6　二项分布　45
2.2.7　实例：学生作弊　46
2.2.8　另一种PyMC模型　50
2.2.9　更多的PyMC技巧　51
2.2.10　实例：挑战者号事故　52
2.2.11　正态分布　55
2.2.12　挑战者号事故当天发生了什么？　61
2.3　我们的模型适用吗？　61
2.4　结论　68
2.5　补充说明　68
2.6　习题　69
2.7　答案　69
第3章　打开MCMC的黑盒子　71
3.1　贝叶斯景象图　71
3.1.1　使用MCMC来探索景象图　77
3.1.2　MCMC算法的实现　78
3.1.3　后验的其他近似解法　79
3.1.4　实例：使用混合模型进行无监督聚类　79
3.1.5　不要混淆不同的后验样本　88
3.1.6　使用MAP来改进收敛性　91
3.2　收敛的判断　92
3.2.1　自相关　92
3.2.2　稀释　95
3.2.3　pymc.Matplot.plot()　97
3.3　MCMC的一些秘诀　98
3.3.1　聪明的初始值　98
3.3.2　先验　99
3.3.3　统计计算的无名定理　99
3.4　结论　99
第4章　从未言明的最伟大定理　101
4.1　引言　101
4.2　大数定律　101
4.2.1　直觉　101
4.2.2　实例：泊松随机变量的收敛　102
4.2.3　如何计算Var(Z)　106
4.2.4　期望和概率　106
4.2.5　所有这些与贝叶斯统计有什么关系呢　107
4.3　小数据的无序性　107
4.3.1　实例：地理数据聚合　107
4.3.2　实例：Kaggle的美国人口普查反馈比例预测比赛　109
4.3.3　实例：如何对Reddit网站上的评论进行排序　111
4.3.4　排序！　115
4.3.5　但是这样做的实时性太差了　117
4.3.6　推广到评星系统　122
4.4　结论　122
4.5　补充说明　122
4.6　习题　123
4.7　答案　124
第5章　失去一只手臂还是一条腿　127
5.1　引言　127
5.2　损失函数　127
5.2.1　现实世界中的损失函数　129
5.2.2　实例：优化“价格竞猜”游戏的展品出价　130
5.3　机器学习中的贝叶斯方法　138
5.3.1　实例：金融预测　139
5.3.2　实例：Kaggle观测暗世界大赛　144
5.3.3　数据　145
5.3.4　先验　146
5.3.5　训练和PyMC实现　147
5.4　结论　156
第6章　弄清楚先验　157
6.1　引言　157
6.2　主观与客观先验　157
6.2.1　客观先验　157
6.2.2　主观先验　158
6.2.3　决策，决策……　159
6.2.4　经验贝叶斯　160
6.3　需要知道的有用的先验　161
6.3.1　Gamma分布　161
6.3.2　威沙特分布　162
6.3.3　Beta分布　163
6.4　实例：贝叶斯多臂老虎机　164
6.4.1　应用　165
6.4.2　一个解决方案　165
6.4.3　好坏衡量标准　169
6.4.4　扩展算法　173
6.5　从领域专家处获得先验分布　176
6.5.1　试验轮盘赌法　176
6.5.2　实例：股票收益　177
6.5.3　对于威沙特分布的专业提示　184
6.6　共轭先验　185
6.7　杰弗里斯先验　185
6.8　当N增加时对先验的影响　187
6.9　结论　189
6.10　补充说明　190
6.10.1　带惩罚的线性回归的贝叶斯视角　190
6.10.2　选择退化的先验　192
第7章　贝叶斯A B测试　195
7.1　引言　195
7.2　转化率测试的简单重述　195
7.3　增加一个线性损失函数　198
7.3.1　收入期望的分析　198
7.3.2　延伸到A B测试　202
7.4　超越转化率：t检验　204
7.4.1　t检验的设定　204
7.5　增幅的估计　207
7.5.1　创建点估计　210
7.6　结论　211
术语表　213
· · · · · · (收起)

读后感

评分☆☆☆☆☆

只有六章 [https://download.csdn.net/download/wizardforcel/10307474] ==========================================================================================================================================================

评分☆☆☆☆☆

Jupyter http://nbviewer.jupyter.org/github/CamDavidsonPilon/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers/tree/master/ GitHub https://github.com/CamDavidsonPilon/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers

评分☆☆☆☆☆

用户评价

评分☆☆☆☆☆

这本书的内容深度远超我的预期，它不仅仅是一本入门读物，更像是一份详尽的工具箱，里面装满了解决实际问题的利器。我特别欣赏作者在处理模型选择和模型比较时的那份审慎态度。他没有急于推崇某一种“完美”的模型，而是花了大量篇幅去探讨不同假设条件下的模型适用性，并清晰地对比了最大似然估计（MLE）和贝叶斯估计（BE）在小样本和大数据集下的性能差异。当我尝试用它来分析我过去工作中遇到的一个金融时间序列数据时，书中关于“共轭先验”的章节简直就是及时雨。它详细解释了如何选择一个计算上友好、同时又能反映我对初始信息看法的先验分布，这在很多简化模型计算的实际操作中至关重要。更让我受益匪浅的是关于模型诊断的部分，作者强调了“检验模型是否合理”的重要性，远远高于“找到最好的参数估计值”。他介绍了几种后验预测检验（Posterior Predictive Checks）的方法，通过模拟数据与真实数据的对比，让我清晰地看到了自己建立的模型在哪些方面存在偏差和不足。这种强调批判性思维和模型验证的写作风格，使得这本书不仅教会了我如何“做”统计推断，更教会了我如何“思考”统计推断。

评分☆☆☆☆☆

这本书的阅读过程，与其说是学习知识，不如说是一次严谨的智力训练。它的行文风格极其凝练，几乎没有一句废话，每一个定义、每一个定理的提出，都像是经过了千锤百炼的打磨。对于那些对数理统计有一定基础的读者来说，这本书的价值在于它系统地梳理了贝叶斯学派的核心哲学和数学框架。比如，在讲解变分推断（Variational Inference, VI）那一章节时，作者没有停留在简单的KL散度最小化，而是深入剖析了VI与期望最大化（EM）算法之间的内在联系，这让我对VI的局限性——即倾向于低估真实后验分布的方差——有了更深刻的理解。他用精确的数学语言，构建了一座从概率论到统计推断的坚实桥梁，每一步推导都力求无懈可击。我尤其欣赏作者在引入复杂概念时所展现出的耐心，他会先建立一个简化的、二维或三维的模型，让读者在直观上把握住核心矛盾和解决方法，然后再将结论推广到更高维度的复杂情况。这种由浅入深的叙事结构，确保了即便是面对复杂的变分推断或高斯过程回归时，读者的心绪也不会彻底迷失在符号的海洋中。读完这些章节，我感觉自己对概率的理解都升华到了一个新的层次，不再是简单的“可能性”，而是对不确定性的度量和管理。

评分☆☆☆☆☆

这本书的参考价值令人赞叹，它不仅仅是知识的载体，更像是未来研究的索引。在每一章的末尾，作者都附带了详尽的延伸阅读和前沿研究的简要介绍，这对于希望将理论应用于实际工程或继续深造的读者来说，无疑是宝贵的指引。我注意到作者在讨论动态系统建模时，引用了许多近年来在机器学习领域非常热门的文献，这表明作者紧跟学术前沿，这本书的内容绝非陈旧的理论堆砌。比如，书中关于因果推断的章节，虽然篇幅不长，但清晰地区分了潜在结果框架（Potential Outcomes Framework）和结构方程模型（Structural Equation Modeling）在处理干预效应时的不同侧重点，并且巧妙地引入了贝叶斯网络作为统一的建模工具来阐述这些概念。这种跨学科的整合能力，让这本书的适用范围大大拓宽，它不仅适用于传统的统计学家，对于正在从事人工智能、生物信息学以及计量经济学的研究人员也具有极强的参考价值。我甚至发现，书中的某些算法描述，比我正在使用的某个商业软件的文档还要清晰易懂，这让我开始尝试用书中的方法去复现和验证一些外部工具的结果。

评分☆☆☆☆☆

这本书的语言风格非常独特，它拥有一种古典学者的严谨，但又透露着一种现代工程师的务实。在讲解参数估计时，作者十分强调“信息守恒”的理念，即我们应该尽可能地利用所有已知信息，而不是凭空假设。这种哲学观贯穿了全书，使得整套理论体系显得无比自洽和有力。我最喜欢的部分是关于层次化模型（Hierarchical Models）的论述。作者通过一个国家间教育水平差异的例子，生动地展示了如何利用层次结构来共享信息，从而在数据稀疏的子群体上获得更稳健的估计，这完美诠释了“局部信息与全局信息如何协同工作”这一核心思想。在讨论计算复杂性时，作者也表现得非常坦诚，他没有回避那些在实践中难以处理的“病态”模型，而是直接指出了它们的困难所在，并提供了近似解法的局限性分析，这体现了作者极高的学术诚实度。整体阅读体验下来，这本书给我留下的印象是：它是一部经过深思熟虑的、结构完整的心血之作，它要求读者投入时间，但回报给读者的，是对不确定性世界更深层次的理解和更强大的分析工具箱。

评分☆☆☆☆☆

这本书的封面设计得十分沉稳，墨绿色的背景搭配烫金的字体，散发着一种老派的学术气息，让我一拿到手就感觉这绝对是一本值得细细品味的著作。翻开内页，首先映入眼帘的是清晰的目录结构，章节划分逻辑严谨，从最基础的概率论回顾开始，逐步深入到复杂的概率模型构建与推断。作者在行文上非常注重理论与直觉的结合，不像有些教科书那样，堆砌着抽象的数学符号，让人望而生畏。相反，他似乎总能在关键时刻插入一些生动的比喻或者现实生活中的例子，比如用掷硬币的频率来解释先验概率的设定，或者用医疗诊断的准确率来阐述后验概率的更新过程。这种讲解方式极大地降低了初学者的入门门槛，让我感到原来看似高深莫测的统计推断，其核心思想是可以如此直观地被理解。尤其是关于马尔可夫链蒙特卡洛（MCMC）方法的介绍部分，作者并没有直接抛出复杂的算法流程，而是先用一个“寻找宝藏”的寻宝者故事来铺垫，阐述为什么我们需要这种随机抽样的方法来解决高维积分问题。读完这部分，我仿佛不再是面对一堆代码和公式，而是在参与一场智慧的探险，对这种强大的计算工具产生了由衷的敬佩之情。这本书的排版也做得很好，公式居中，重点内容加粗，阅读体验非常流畅，长时间阅读也不会感到视觉疲劳。

评分☆☆☆☆☆

缺相关理论知识

评分☆☆☆☆☆

耳目一新，案例引起兴趣，但是解释的不清楚

评分☆☆☆☆☆

内容还行，面向小白挺好的。语言特别绕，啰嗦又散，或许一些老外写书就是这样吧，但是翻译的也的确一般。

评分☆☆☆☆☆

用概率面拉扯解释贝叶斯很明白；翻译错误不少，译者显然在细节上功夫不够

评分☆☆☆☆☆

译本还在讲pymc，pymc3的版本在github上有了。本书权当离线中文版看。。