bayesi：面向量化分析师和机器学习研究生的贝叶斯统计学教程

bayesi是由ANDERSON482维护的GitHub开源教程项目，专注贝叶斯统计学与计量经济学，旨在为量化分析师和机器学习领域的研究生提供系统学习材料，降低贝叶斯方法的学习门槛。

贝叶斯方法因独特的概率解释框架和灵活的建模能力在数据科学领域备受关注，但量化分析师和ML研究生的学习曲线相对陡峭。bayesi项目正是为降低这一门槛而创建的开源教程项目。

贝叶斯学派与频率学派的根本区别在于将概率视为信念程度的量化，带来三大优势：1.直接对参数进行概率陈述；2.天然支持先验知识整合（数据稀缺时尤有价值）；3.提供统一框架处理复杂模型（层次、混合、非参数等）。

教程涵盖多层面内容：基础理论（贝叶斯定理、先验/似然/后验分布）；计算方法（MCMC、变分推断、HMC等）；计量经济学应用（回归、时间序列、面板数据、工具变量等）；机器学习结合（贝叶斯优化、神经网络、高斯过程、概率图模型等）。

项目提供Python生态主流工具的代码示例，包括PyMC、Stan、TensorFlow Probability、NumPyro等，帮助学习者将贝叶斯方法应用于实际数据分析项目。

1.量化分析师：学习金融风险建模、时间序列贝叶斯建模、模型选择与平均、贝叶斯优化调参；2.ML研究生：理解概率图模型、贝叶斯神经网络、高斯过程，为贝叶斯深度学习研究奠基。

作为开源项目，bayesi欢迎社区参与：提交内容改进建议、分享实际应用案例、补充代码示例、开展翻译和本地化工作。

bayesi为贝叶斯统计学习提供宝贵开源资源，帮助学习者跨越理论与实践鸿沟，掌握核心技能。对于希望深入应用贝叶斯方法的量化分析师和研究者，是值得投入学习的优质资源。