ベイジアン思考への道を学ぶ？

私はビジネスの役割を6年間務めており、物理学と応用数学/統計学の学士号を持っています。ショーンキャロル（Caltechの物理学者）の「全体像」から、ベイジアン統計は何かについて考えるための1つの有用な方法であるという考えに私を導きました-必然的に事前情報を保持します。

このように考える直感を訓練する方法はありますか？批判的には、コース、または多くの問題と解決策を含む自己学習を通じて検証可能な答えを用いて繰り返し練習する必要があります。ただ読むだけでいいとは思いません。

このサイトで関連するすべての質問を読んだら、考えられるリソース：

• Jaynesによる「確率論」。プロ：分析的; ベイジアン統計の直感的な説明。欠点：前提条件。不足している問題/解決策。
• "Does Bayesian Data Analysis" by Kruschke。プロ：問題と解決策が含まれます。「代数とさびた微積分」だけが必要です。短所：Rで動作しますが、分析よりも直感的な学習が少ないと思います（私は間違っているかもしれません）。

それが私が取るべき複数年の道であるなら、他の場所から始めて、私はそうすることができて嬉しいです！理想的には、私はそれらを使用しないので、常連主義の方法を避けるでしょう。

私の目標は科学者ではなく、ビジネスで確立された思考を超えて現実がどのように機能するかについての洞察を活用することです。

提案をありがとう！

私はベイジアンの考え方を理解するために自分自身の道を歩み始めました、そして私は私の見解を共有します。私は、さまざまなサンプラーに関する古典的な論文を読み始め、共役のケースの派生を検討することから始めましたが、それが私をそれほど遠くに導いたとは思いません。確かに、エリートたちは独自のサンプラーを作成し、可能なあらゆる共役の機会を活用します。しかし、アプローチの良い感じを得て、潜在的にいくつかの有用な方法を得たい場合は、より直接的な方法があります。

私の推奨は、サンプリングを処理し、可能性と事前分布の指定に集中できる優れたベイジアンモデリングツールを見つけることです。私にとって、これはスタンです。これは、いじくり回す必要のない特定のサンプラーに基づいています。『ユーザーズガイド』および 『リファレンスマニュアル』（ドキュメントページから入手可能）は教科書のように読まれ、例を使用して多くのことを学ぶことができます。新しいモデルのアイデアが出たら、それを試して、通常はあまり時間をかけずに何かを機能させることができます。ここに私の独自の実験のいくつかを見ることができます。

私たちは、膨大なデータセットの計算を管理することに焦点を当てている時代にあり、Stanのようなソフトウェアは、（モデルによっては）小さなデータセットでも強力な計算を実行することを奨励します。でも、勉強して理解する価値はあると思います。まだ「小さなデータ」の問題はたくさんありますが、ベイジアンコンテキスト（実際には理論があるところ）で機械学習（L2正則化など）のアイデアを組み立てることができるのは素晴らしいことです。

ビジネスの観点からすると、ベイジアン推論を適用してベイジアン推論を適用し、不確実性の下で意思決定を行うことができます。

もしそうなら、ベイジアン分析の導入がしばしば焦点を当てるトピック（たとえば、さまざまな事前分布と尤度分布の指定、サンプリング計算または導出の分析の実行など）は、この究極の目的への単なる手段であることがわかります。

このトピックに関する具体的なリソースを以下に示します。

• http://www.cs.haifa.ac.il/~rita/ml_course/lectures/Bayesian_Decision.pdf
• http://www.statsathome.com/2017/10/12/bayesian-decision-theory-made-ridiculously-simple/
• https://www.cc.gatech.edu/~hic/CS7616/pdf/lecture2.pdf

私は前学期にベイジアンデータ分析のコースを行いました。それは以前の背景を想定していません。これは、講師がすべての資料を配置したコースのホームページです。https：//michael-franke.github.io/BDACM_2017/

コースではKruschkeの教科書を使用しました。それはうまくいきました。Rでの作業にはそれほど問題はないと思います。物事がどのように機能するかを理解することができます。