馬可夫鏈蒙地卡羅法（Markov Chain Monte Carlo，MCMC）結合了蒙地卡羅抽樣與馬可夫鏈收斂到穩態的特性。這讓我們能從任何後驗分佈（即使未知）進行抽樣。來檢視一下你對 MCMC 的直覺吧！
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
踏出進入貝氏世界的第一步。 在本章中，你將認識機率與統計分配的基礎概念，以及貝氏方法的基石——知名的貝氏定理（Bayes' Theorem）。 最後，你會建立第一個貝氏模型，從隨機擲幣的結果中做出推論。
現在該掀開貝氏方法的引擎蓋了。 你將學會如何把貝氏定理應用到藥效資料，使用格點近似法來估計機率分配的參數，並在有新資料進來時更新這些估計。 接著，你會學到如何把先驗知識納入模型，最後練習一項關鍵能力：把結果清楚地向非技術背景的受眾報告。
把你新學到的貝氏資料分析技巧用來解決真實的商業問題。 你將使用線上行銷銷售資料，進行 A/B 測試、決策分析，以及以線性迴歸模型進行預測。
在最後一章，你將善用強大的 PyMC3 套件，輕鬆擬合貝氏迴歸模型、對模型收斂進行合理性檢查、在競爭模型間做選擇，並為新資料產生預測。 作為收尾，你會把所學應用到一個貝氏資料分析個案研究上，找出酪梨的最佳價格。 祝你順利！
當前練習
