1章 確率分布を理解する 1.1 ベイズ推論における確率分布の必要性 1.2 確率変数と確率分布 1.3 離散分布と連続分布 1.4 PyMCによる確率モデル定義とサンプリング 1.5 PyMCによるサンプリング結果分析 1.6 確率分布とPyMCプログラミングの関係 コラム 確率モデルとサンプル値(観測値)の関係を考える 2章 よく利用される確率分布 2.1 ベルヌーイ分布(pm.Bernoulli 関数) 2.2 2項分布(pm.Binomial関数) 2.3 正規分布(pm.Normal関数) 2.4 一様分布(pm.Uniform関数) 2.5 ベータ分布(pm.Beta関数) 2.6 半正規分布(pm.HalfNormal関数) コラム HDIとCIの違い 3章 ベイズ推論とは 3.1 ベイズ推論利用の目的 3.2 問題設定 3.3 最尤推定による解 3.4 ベイズ推論による解 3.5 ベイズ推論の精度を上げる方法 3.6 ベイズ推論の活用例 コラム 事前分布と事後分布 4章 はじめてのベイズ推論実習 4.1 問題設定 (再掲) 4.2 最尤推定 4.3 ベイズ推論 (確率モデル定義) 4.4 ベイズ推論 (サンプリング) 4.5 ベイズ推論 (結果分析) 4.6 ベイズ推論 (二項分布バージョン) 4.7 ベイズ推論 (試行数を増やす) 4.8 ベイズ推論 (事前分布の変更) 4.9 ベータ分布で直接確率分布を求める コラム ArbiZのFAQ 5章 ベイズ推論プログラミング 5.1 データ分布のベイズ推論 5.1.1 問題設定 5.1.2 データ準備 5.1.3 確率モデル定義 5.1.4 サンプリング 5.1.5 結果分析 5.1.6 正規分布関数と重ね描き 5.1.7 少ないサンプル数でベイズ推論 コラム tauによる確率モデルの定義 5.2 線形回帰のベイズ推論 5.2.1 問題設定 5.2.2 データ準備 5.2.3 確率モデル定義1 5.2.4 確率モデル定義2 5.2.5 サンプリングと結果分析 5.2.6 回帰直線と散布図の重ね描き 5.2.7 少ない観測値でのベイズ推論 コラム target_acceptによるチューニング 5.3 階層ベイズモデル 5.3.1 問題設定 5.3.2 データ準備 5.3.3 確率モデル定義 5.3.4 サンプリングと結果分析 5.3.5 散布図と回帰直線の重ね描き コラム PyMCの構成要素をどこまで細かく定義すべきか 5.4 潜在変数モデル 5.4.1 問題設定 5.4.2 データ準備 5.4.3 確率モデル定義 5.4.4 サンプリングと結果分析 5.4.5 ヒストグラムと分布関数の重ね描き 5.4.6 潜在変数の確率分布 コラム 潜在変数モデルにおけるベイス推論のツボ 6章 ベイズ推論の業務活用事例 6.1 ABテストの効果検証 6.1.1 問題設定 6.1.2 確率モデル構築 6.1.3 サンプリングと結果分析 6.1.4 山田さんケースの分析 6.1.5 確率モデルを直接使った別解 コラム ABテスト評価にベイズ推論を使う必要はないのか 6.2 ベイズ回帰モデルによる効果検証 6.2.1 問題設定 6.2.2 データ読み込み 6.2.3 データ確認 6.2.4 データ加工 6.2.5 確率モデル定義 6.2.6 サンプリングと結果分析 6.2.7 結果解釈 コラム チュートリアルの確率モデル 6.3 IRTによるテスト結果評価 6.3.1 IRT(Item Response Theory)とは 6.3.2 問題設定 6.3.3 データ読み込み 6.3.4 データ加工 6.3.5 確率モデル定義 6.3.6 サンプリングと結果分析 6.3.7 詳細分析 6.3.8 偏差値と能力値の関係 6.3.9 同じ偏差値の受験者間の能力値の違い分析 コラム 変分推論法の利用