bayesian-machine-learning

收录理由

这份仓库里的笔记不是零散代码的堆砌，而是一套循序渐进的课程。每个主题都从数学原理讲起，先用纯 NumPy/SciPy 写出实现，随后在多个案例中用 scikit-learn、PyMC3、GPy 或 JAX 重写同一模型，让读者直观看到理论如何变成可运行的代码，也体会到不同框架表达同一思想的差异。内容覆盖贝叶斯线性回归、高斯过程回归与分类、稀疏高斯过程、用于超参数调优的贝叶斯优化、变分推断以及变分自编码器。无论你是初学者想系统入门，还是实践中遇到不太放心的概率模型想查证细节，这套笔记都能当参考。笔记本可以直接在 Colab 里打开，公式经 nbviewer 渲染也很清晰，按自己的节奏推导一遍，再转向更重的生产工具，会顺畅很多。