章节14： 贝叶斯推断的介绍 Lec. 14: Introduction to
数学大学
章节14： 贝叶斯推断的介
概率论——不确定性的科学 · 单元7：贝叶斯推断 Unit 7: Bayesian inference
按 空格/→ 演示下一步
全部页面点击任意一页，跳回舞台从这页播放
数学大学
章节14： 贝叶斯推断的介
概率论——不确定性的科学 · 单元7：贝叶斯推断 Unit 7: Bayesian inference
Overview of some applica
贝叶斯推断的应用版图：定位、诊断、信号检测、参数学习同属一个框架。
共同结构
未知量 + 含噪观测 + 反推未知量
领域举例
雷达定位、医学检测、垃圾邮件过滤
Types of inference probl
推断问题的类型学：参数连续或离散、观测连续或离散，组合出不同形态。
按未知量
离散假设检验 vs 连续参数估计
按观测
单次观测与多次观测的复杂度差异
The Bayesian inference f
贝叶斯框架三步：先验、似然、后验——把「学习」形式化。
先验
观测前对未知量的信念分布
似然
给定未知量时观测的分布
后验
贝叶斯法则合成的新信念
Discrete parameter, disc
最简情形：离散参数配离散观测，后验按贝叶斯法则逐项计算。
计算
后验 ∝ 似然 × 先验，再归一化
MAP
取后验最大的参数作为点估计
Summary
小结：贝叶斯框架把「从数据学习」统一成信念的乘法更新。
统一性
各领域差异只在先验与似然的具体形式
后续
连续参数与噪声模型在后续讲展开
本节要点
- ✓推断 = 先验 + 似然 → 后验
- ✓参数与观测的离散连续组合成不同形态
- ✓MAP 取后验最大者为点估计
延伸主题：手算一次离散后验思考一个自己领域的推断问题
课后思考
先自己回答，再展开参考答案——能讲出来才算真懂。
1贝叶斯框架为什么能统一如此多的推断问题？
参考答案任何推断都是「带着旧信念面对新证据」。先验与似然各自建模未知量与观测机制，贝叶斯法则机械地完成更新——领域的差别被隔离在两个输入模型里，更新机制完全通用。
2MAP 估计与完整后验各适合什么场景？
参考答案只需一个决策值时用 MAP（后验最大点）；需要量化不确定性（置信区间、后续决策期望）时必须保留完整后验。单点估计会丢掉后验的形状信息。
3MAP 估计在不对称后验下有什么盲点？
参考答案MAP 只看后验密度峰值，峰的位置受参数化方式影响（换变量后峰可能移动），且完全忽略峰旁的质量分布。需要稳健决策时应基于后验期望或完整分布计算期望损失。