[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ericmjl--bayesian-analysis-recipes":3,"tool-ericmjl--bayesian-analysis-recipes":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":82,"owner_twitter":76,"owner_website":83,"owner_url":84,"languages":85,"stars":98,"forks":99,"last_commit_at":100,"license":101,"difficulty_score":23,"env_os":102,"env_gpu":103,"env_ram":103,"env_deps":104,"category_tags":108,"github_topics":109,"view_count":10,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":119,"updated_at":120,"faqs":121,"releases":150},432,"ericmjl\u002Fbayesian-analysis-recipes","bayesian-analysis-recipes","A collection of Bayesian data analysis recipes using PyMC3","bayesian-analysis-recipes 是一个面向实际应用的贝叶斯数据分析代码示例集合，基于 PyMC3 构建。它通过一个个独立的 Jupyter Notebook “菜谱”，展示如何用贝叶斯方法解决常见统计问题，比如组间比较、回归分析等。每个示例都包含问题背景、数据格式说明、整洁（tidy）的示例数据、可运行的模型代码，以及如何解读后验分布结果的指导。\n\n该项目旨在降低贝叶斯方法的使用门槛——尽管贝叶斯分析灵活强大，但初学者常因建模复杂而却步。作者认为，现实中大部分问题可归为少数几类模型，用贝叶斯替代传统方法（如 t 检验或 ANOVA）不仅能获得更丰富的推断信息（如完整的参数分布），还能避免多重检验校正等繁琐步骤。\n\nbayesian-analysis-recipes 特别适合有一定 Python 基础的数据分析师、科研人员或研究生使用，尤其推荐给希望从频率学派转向贝叶斯思维的实践者。其亮点在于强调“可复现”和“可迁移”：每个 Notebook 聚焦单一模型，结构清晰，并倡导使用直观、可解释的贝叶斯估计（如 BEST 方法）替代传统假设检验。项目还提供了丰富的延伸学习资","bayesian-analysis-recipes 是一个面向实际应用的贝叶斯数据分析代码示例集合，基于 PyMC3 构建。它通过一个个独立的 Jupyter Notebook “菜谱”，展示如何用贝叶斯方法解决常见统计问题，比如组间比较、回归分析等。每个示例都包含问题背景、数据格式说明、整洁（tidy）的示例数据、可运行的模型代码，以及如何解读后验分布结果的指导。\n\n该项目旨在降低贝叶斯方法的使用门槛——尽管贝叶斯分析灵活强大，但初学者常因建模复杂而却步。作者认为，现实中大部分问题可归为少数几类模型，用贝叶斯替代传统方法（如 t 检验或 ANOVA）不仅能获得更丰富的推断信息（如完整的参数分布），还能避免多重检验校正等繁琐步骤。\n\nbayesian-analysis-recipes 特别适合有一定 Python 基础的数据分析师、科研人员或研究生使用，尤其推荐给希望从频率学派转向贝叶斯思维的实践者。其亮点在于强调“可复现”和“可迁移”：每个 Notebook 聚焦单一模型，结构清晰，并倡导使用直观、可解释的贝叶斯估计（如 BEST 方法）替代传统假设检验。项目还提供了丰富的延伸学习资源，便于用户深入理解原理。","# bayesian-analysis-recipes\n\n[![Binder](https:\u002F\u002Fmybinder.org\u002Fbadge_logo.svg)](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fericmjl\u002Fbayesian-analysis-recipes\u002Fmaster)\n\n## introduction\n\nI've recently been inspired by how flexible and powerful Bayesian statistical analysis can be. Yet, as with many things, flexibility often means a tradeoff with ease-of-use. I think having a cookbook of code that can be used in a number of settings can be extremely helpful for bringing Bayesian methods to a more general setting!\n\n## goals\n\nMy goal here is to have one notebook per model. In each notebook, you should end up finding:\n\n- The kind of problem that is being tackled here.\n- A description of how the data should be structured.\n- An example data table. It generally will end up being **[tidy](http:\u002F\u002Fvita.had.co.nz\u002Fpapers\u002Ftidy-data.pdf)** data.\n- PyMC3 code for the model; in some notebooks, there may be two versions of the same model.\n- Examples on how to report findings from the MCMC-sampled posterior.\n\nIt is my hope that these recipes will be useful for you!\n\n## (hypo)thesis\n\nMy hypothesis here follows the Pareto principle: a large fraction of real-world problems can essentially be boiled down to a few categories of problems, which have a Bayesian interpretation.\n\nIn particular, I have this hunch that commonly-used methods like ANOVA can be replaced by conceptually simpler and much more interpretable Bayesian alternatives, like John Kruschke's BEST (**B**ayesian **E**stimation **S**upersedes the **T**-test). For example, ANOVA only tests whether means of multiple treatment groups are the same or not... but BEST gives us the estimated posterior distribution over each of the treatment groups, assuming each treatment group is identical. Hence, richer information can be gleaned: we can, given the data at hand, make statements about how any particular pair of groups are different, without requiring additional steps such as multiple hypothesis corrections etc.\n\n## further reading\u002Fwatching\u002Flistening\n\nBooks:\n\n- [Bayesian Methods for Hackers](https:\u002F\u002Fgithub.com\u002FCamDavidsonPilon\u002FProbabilistic-Programming-and-Bayesian-Methods-for-Hackers)\n- [Think Bayes](http:\u002F\u002Fgreenteapress.com\u002Fwp\u002Fthink-bayes\u002F)\n\nPapers:\n\n- [Bayesian Estimation Supersedes the t-Test](https:\u002F\u002Fdoi.org\u002F10.1037\u002Fa0029146)\n\nVideos:\n- [Computational Statistics I @ SciPy 2015](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=fMycLa1bsno)\n- [Computational Statistics II @ SciPy 2015](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=heFaYLKVZY4)\n- [Bayesian Statistical Analysis with Python @ PyCon 2017](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=p1IB4zWq9C8)\n- [Bayesian Estimation Supersedes the t-Test](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=fhw1j1Ru2i0)\n\n## got feedback?\n\nThere's a few ways you can help make this repository an awesome one for Bayesian method learners out there.\n\n1. **If you have a question:** Post a [GitHub issue](https:\u002F\u002Fgithub.com\u002Fericmjl\u002Fbayesian-analysis-recipes\u002Fissues) with your question. I'll try my best to respond.\n1. **If you have a suggested change:** Submit a [pull request](https:\u002F\u002Fgithub.com\u002Fericmjl\u002Fbayesian-analysis-recipes\u002Fpulls) detailing the change and why you think it's important. Keep it simple, no need to have essay-length justifications.\n","# bayesian-analysis-recipes\n\n[![Binder](https:\u002F\u002Fmybinder.org\u002Fbadge_logo.svg)](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fericmjl\u002Fbayesian-analysis-recipes\u002Fmaster)\n\n## 介绍\n\n我最近被贝叶斯（Bayesian）统计分析的灵活性和强大能力所启发。然而，与许多事情一样，灵活性往往意味着易用性上的权衡。我认为，如果能有一本适用于多种场景的代码“食谱”，将极大帮助贝叶斯方法在更广泛场景中的应用！\n\n## 目标\n\n我的目标是每个模型对应一个 notebook。在每个 notebook 中，你应该能找到以下内容：\n\n- 所要解决的问题类型。\n- 数据应如何组织的说明。\n- 一个示例数据表。通常这些数据会是 **[整洁数据（tidy data）](http:\u002F\u002Fvita.had.co.nz\u002Fpapers\u002Ftidy-data.pdf)**。\n- 模型的 PyMC3 代码；某些 notebook 中可能包含同一模型的两个版本。\n- 如何报告 MCMC（马尔可夫链蒙特卡洛）采样后验结果的示例。\n\n希望这些“食谱”对你有所帮助！\n\n## （假）设\n\n我的假设遵循帕累托原则（Pareto principle）：现实世界中的大部分问题本质上可以归结为少数几类问题，而这些问题都可以用贝叶斯方法进行解释。\n\n具体而言，我有一种直觉：像 ANOVA（方差分析）这样常用的方法，可以被概念上更简单、解释性更强的贝叶斯替代方案所取代，例如 John Kruschke 提出的 BEST（**B**ayesian **E**stimation **S**upersedes the **T**-test，贝叶斯估计优于 t 检验）。例如，ANOVA 只能检验多个处理组的均值是否相同……而 BEST 则在假设各处理组相同时，给出每个处理组的后验分布估计。因此，我们可以获得更丰富的信息：基于现有数据，可以直接对任意两组之间的差异做出判断，而无需额外进行多重假设校正等步骤。\n\n## 延伸阅读／观看／收听\n\n书籍：\n\n- [Bayesian Methods for Hackers](https:\u002F\u002Fgithub.com\u002FCamDavidsonPilon\u002FProbabilistic-Programming-and-Bayesian-Methods-for-Hackers)\n- [Think Bayes](http:\u002F\u002Fgreenteapress.com\u002Fwp\u002Fthink-bayes\u002F)\n\n论文：\n\n- [Bayesian Estimation Supersedes the t-Test](https:\u002F\u002Fdoi.org\u002F10.1037\u002Fa0029146)\n\n视频：\n- [Computational Statistics I @ SciPy 2015](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=fMycLa1bsno)\n- [Computational Statistics II @ SciPy 2015](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=heFaYLKVZY4)\n- [Bayesian Statistical Analysis with Python @ PyCon 2017](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=p1IB4zWq9C8)\n- [Bayesian Estimation Supersedes the t-Test](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=fhw1j1Ru2i0)\n\n## 有反馈？\n\n你可以通过以下几种方式帮助把这个仓库打造成贝叶斯方法学习者的绝佳资源：\n\n1. **如果你有问题**：请在 [GitHub issue](https:\u002F\u002Fgithub.com\u002Fericmjl\u002Fbayesian-analysis-recipes\u002Fissues) 中提出你的问题，我会尽力回复。\n2. **如果你有改进建议**：请提交一个 [pull request](https:\u002F\u002Fgithub.com\u002Fericmjl\u002Fbayesian-analysis-recipes\u002Fpulls)，说明你的修改内容及原因。保持简洁，无需长篇大论地论证。","# bayesian-analysis-recipes 快速上手指南\n\n## 环境准备\n\n- **操作系统**：支持 Linux、macOS 和 Windows\n- **Python 版本**：建议 Python 3.8 或更高版本\n- **前置依赖**：\n  - `jupyter`（用于运行 Notebook）\n  - `pymc3`（核心贝叶斯建模库）\n  - 其他依赖见项目 `requirements.txt`\n\n> 💡 建议使用虚拟环境（如 `venv` 或 `conda`）隔离依赖。\n\n## 安装步骤\n\n### 方法一：本地安装（推荐）\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fericmjl\u002Fbayesian-analysis-recipes.git\ncd bayesian-analysis-recipes\npip install -r requirements.txt\n```\n\n> 🇨🇳 国内用户可使用清华源加速安装：\n> ```bash\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n### 方法二：在线运行（无需安装）\n\n点击下方按钮直接在 Binder 上运行：\n\n[![Binder](https:\u002F\u002Fmybinder.org\u002Fbadge_logo.svg)](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fericmjl\u002Fbayesian-analysis-recipes\u002Fmaster)\n\n## 基本使用\n\n1. 启动 Jupyter Notebook：\n\n```bash\njupyter notebook\n```\n\n2. 在浏览器中打开任意 `.ipynb` 文件（例如 `01-one-sample-t-test.ipynb`）\n3. 按顺序运行 Notebook 中的单元格，查看贝叶斯模型代码、数据示例及后验分析结果\n\n每个 Notebook 包含：\n- 问题场景说明\n- 数据格式要求（通常为 tidy data）\n- PyMC3 模型实现\n- 后验结果解读示例\n\n> 示例：运行 `01-one-sample-t-test.ipynb` 可快速体验用贝叶斯方法替代传统 t 检验。","某电商平台的数据分析师小李正在评估两个新上线的促销策略（A\u002FB测试）对用户下单转化率的影响，需要判断哪种策略更有效，并量化差异的不确定性。\n\n### 没有 bayesian-analysis-recipes 时\n- 小李只能使用传统的t检验或卡方检验，仅能得到“是否有显著差异”的二元结论，无法直观了解转化率差异的具体分布。\n- 若想构建贝叶斯模型，需从零查阅文献、调试PyMC3代码，耗时且容易出错，尤其对非统计专业背景者门槛高。\n- 缺乏标准化的报告模板，难以向业务团队清晰传达“后验概率”“可信区间”等结果的实际业务含义。\n- 多次比较不同指标时，还需手动处理多重检验校正问题，流程繁琐且易遗漏。\n\n### 使用 bayesian-analysis-recipes 后\n- 直接参考仓库中的“BEST（Bayesian Estimation Supersedes the t-Test）”示例笔记本，快速复用结构清晰的PyMC3模型代码，几分钟内完成建模。\n- 输入符合tidy格式的A\u002FB测试数据后，自动获得两组转化率的后验分布，可直接计算“策略A优于B的概率为92%”等业务友好型结论。\n- 笔记本内含可视化与结果解读范例，帮助小李高效制作汇报材料，提升跨团队沟通效率。\n- 贝叶斯框架天然避免了多重比较问题，无需额外校正，分析逻辑更简洁一致。\n\nbayesian-analysis-recipes 将复杂的贝叶斯分析转化为即插即用的“菜谱”，让一线数据工作者能快速获得比传统方法更丰富、更可解释的决策依据。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fericmjl_bayesian-analysis-recipes_808c1c6b.png","ericmjl","Eric Ma","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fericmjl_a1475579.jpg","Find more about me at my personal website.","@modernatx ","Cambridge, MA",null,"https:\u002F\u002Fericmjl.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fericmjl",[86,90,94],{"name":87,"color":88,"percentage":89},"Jupyter Notebook","#DA5B0B",97.6,{"name":91,"color":92,"percentage":93},"Python","#3572A5",2.3,{"name":95,"color":96,"percentage":97},"Makefile","#427819",0.1,562,111,"2026-03-22T18:54:08","MIT","Linux, macOS, Windows","未说明",{"notes":105,"python":103,"dependencies":106},"项目通过 Jupyter Notebook 提供贝叶斯分析示例，支持通过 Binder 在线运行。数据格式建议采用 tidy data。主要依赖 PyMC3 进行建模，但 README 中未明确列出其他具体依赖库及版本要求。",[107],"PyMC3",[13,51],[110,111,112,113,114,115,116,117,118],"bayesian-inference","bayesian","bayesian-statistics","bayesian-data-analysis","bayesian-analysis","bayesian-methods","notebook","treatment-groups","neural-networks","2026-03-27T02:49:30.150509","2026-04-06T06:45:55.359231",[122,127,132,136,140,145],{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},1651,"《Bayesian Estimation Supersedes the t-Test》论文的链接失效了怎么办？","原链接已失效，建议使用 DOI 链接 https:\u002F\u002Fdoi.org\u002F10.1037\u002Fa0029146 访问该论文。同时需注意文档中（如 docs\u002Findex.md）可能也包含旧链接，应一并更新。","https:\u002F\u002Fgithub.com\u002Fericmjl\u002Fbayesian-analysis-recipes\u002Fissues\u002F11",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},1648,"我应该从哪个 notebook 开始学习这个仓库？这些 notebook 是相互独立的吗？","这些 notebook 基本上是独立且自包含的，你可以根据自己的兴趣或需求选择开始的顺序。不过建议先掌握贝叶斯分析的基础概念后再深入具体案例。","https:\u002F\u002Fgithub.com\u002Fericmjl\u002Fbayesian-analysis-recipes\u002Fissues\u002F1",{"id":133,"question_zh":134,"answer_zh":135,"source_url":131},1649,"什么时候应该选择贝叶斯框架而不是传统的频率学派方法？","当你希望显式地将先验知识纳入建模过程，或者数据量较少但又想尽可能利用已有信息时，贝叶斯方法特别有用。贝叶斯框架允许你定量表达对世界状态的先验信念，并在看到数据后严谨地更新这些信念。",{"id":137,"question_zh":138,"answer_zh":139,"source_url":131},1650,"有没有推荐的贝叶斯统计入门书籍或进一步阅读材料？","推荐《Think Bayes》和《Probabilistic Programming and Bayesian Methods for Hackers》。维护者也表示会在 README.md 中添加“进一步阅读”部分来汇总优质资源。",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},1652,"在哪里可以找到“贝叶斯神经网络”或“Forest Cover”示例的 notebook？","相关内容不在本仓库，而是在另一个名为 bayesian-deep-learning-demystified 的仓库中，地址是：https:\u002F\u002Fgithub.com\u002Fericmjl\u002Fbayesian-deep-learning-demystified。","https:\u002F\u002Fgithub.com\u002Fericmjl\u002Fbayesian-analysis-recipes\u002Fissues\u002F2",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},1653,"是否有棒球和雀鸟数据的分层模型示例？","有，这些示例可以在作者的另一个仓库 bayesian-stats-modelling-tutorial 中找到，地址是：https:\u002F\u002Fgithub.com\u002Fericmjl\u002Fbayesian-stats-modelling-tutorial。","https:\u002F\u002Fgithub.com\u002Fericmjl\u002Fbayesian-analysis-recipes\u002Fissues\u002F3",[]]