贝叶斯
自 1763 年以来，帮助人类应对不确定性。
这是一个正在进行的尝试，用文字 python 表达一些简单的概率论，以说明贝叶斯推理在数据分析上下文中的工作方式。 开始于最后。
笔记本：
关键概念：
对假设的严格跟踪
不确定性的普遍性，以及Pr(theta|d)和相关分布中“数据” d和“参数” theta之间的对称性。
从 PDF 中抽取的样本的有用性和重要性
强调信仰而不是真理
挑战：
制作遵守概率论规则的对象，同时在能够生成样本方面保持功能，将自己表示为乳胶字符串等。
保持笔记本的紧凑和可读性，并且始终可以通过 nbviewer 整体查看
人们：
菲尔·马歇尔（KIPAC，斯坦福大学）
Jonathan Sick（皇后大学，金斯顿）
杰克范德普拉斯（华盛顿大学）
David W. Hogg（纽约大学）
我们对通过问题和拉取请求进行协作持开放态度！ 叉开，保持
