ทวีต

บทที่ ๑: เราศึกษาความน่าจะเป็นไปเพื่ออะไร

บทที่ ๒: มองความน่าจะเป็นว่าเป็นเหมือนการแบ่งพื้นที่

บทที่ ๓: ความน่าจะเป็นก่อนและหลังเหตุการณ์และทฤษฎีบทของเบย์

บทที่ ๔: ตัวแปรสุ่มและการแจกแจงความน่าจะเป็นของค่าแบบไม่ต่อเนื่อง

บทที่ ๕: การแจกแจงทวินามและการแจกแจงแบร์นูลี

บทที่ ๖: การแจกแจงแบบเรขาคณิตและการแจกแจงทวินามนิเสธ

บทที่ ๗: การแจกแจงปัวซง

บทที่ ๘: ความหนาแน่นของความน่าจะเป็นของค่าแบบต่อเนื่อง

บทที่ ๙: การแจกแจงความน่าจะเป็นที่ขึ้นกับตัวแปรสองตัวขึ้นไป

บทที่ ๑๐: การแจกแจงเอ็กซ์โพเนนเชียล

บทที่ ๑๑: การแจกแจงเบตากับความน่าจะเป็นของความน่าจะเป็น

บทที่ ๑๒: การแจกแจงแบบปกติและทฤษฎีขีดจำกัดกลาง

บทที่ ๑๓: ความแปรปรวนร่วมเกี่ยวและการแจกแจงแบบปกติหลายตัวแปร

บทที่ ๑๔: การหาค่าพารามิเตอร์ของการแจกแจงโดยพิจารณาฟังก์ชันควรจะเป็น

บทที่ ๑๕: การแจกแจงความน่าจะเป็นภายหลังของพารามิเตอร์จากความน่าจะเป็นก่อนหน้าสังยุค

บทที่ ๑๖: การแจกแจงแกมมากับพารามิเตอร์ของการแจกแจงความน่าจะเป็นแบบต่างๆ

บทที่ ๑๗: การแจกแจงวิชาร์ตกับเมทริกซ์ความเที่ยงตรงของการแจกแจงแบบปกติหลายตัวแปร

บทที่ ๑๘: การแจกแจงไคกำลังสอง

บทที่ ๑๙: การคาดการณ์ค่าที่พารามิเตอร์การแจกแจงมีความไม่แน่นอน

บทที่ ๒๐: การแจกแจงสติวเดนต์ที

บทที่ ๒๑: การแจกแจงอเนกนามและการแจกแจงแบบหมวดหมู่

บทที่ ๒๒: การแจกแจงดีริคเล

บทที่ ๑: การใช้ scipy.stats เพื่อสุ่มหรือคำนวณค่าต่างๆของการแจกแจงความน่าจะเป็นแบบต่างๆ

บทที่ ๒: การสุ่มตัวอย่างด้วยวิธีการยอมรับและปฏิเสธ (คัดเอาหรือคัดทิ้ง) แบบอย่างง่าย

บทที่ ๓: การสร้างค่าสุ่มด้วยวิธีการแปลงผกผัน

บทที่ ๔: การทำมอนเตการ์โลห่วงโซ่มาร์คอฟ (MCMC) ด้วยวิธีการเมโทรโพลิสแบบอย่างง่าย

บทที่ ๕: วิธีการมอนเตการ์โล

เนื้อหาที่เขียนในนี้รวบรวมจากหนังสือเหล่านี้ (เรียงลำดับตามปริมาณเนื้อหาที่ใช้)

- プログラミングのための確率統計

- 機械学習スタートアップシリーズ　ベイズ推論による機械学習入門

- 完全独習　ベイズ統計学入門

- ザ・確率論: 不確実な世界で合理的に考えるために 動的視覚化シリーズ

- Pythonで理解する統計解析の基礎

- ガチャではじめる確率論入門ー確率空間からカルマンフィルタまで

- ベイズ推定入門 モデル選択からベイズ的最適化まで

- ベイズ深層学習 (機械学習プロフェッショナルシリーズ)

- ガウス過程と機械学習 (機械学習プロフェッショナルシリーズ)

三