Байесовский вывод: этот метод использует теорему Байеса для обновления вероятности гипотезы на основе новых фактов или данных.

Байесовские сети: это графические модели, которые представляют вероятностные связи между переменными. Они полезны для рассуждений в условиях неопределенности и прогнозирования.

Методы Монте-Карло Марковской цепи (MCMC): методы MCMC, такие как выборка Гиббса и алгоритм Метрополиса-Гастингса, используются для оценки апостериорных вероятностей в сложных байесовских моделях.

Вариационный вывод. Этот метод аппроксимирует сложные апостериорные распределения более простыми распределениями, что делает байесовский вывод вычислительно возможным.

Усреднение байесовской модели. Оно предполагает объединение нескольких байесовских моделей для получения более точных прогнозов путем усреднения по пространству модели.

Байесовский информационный критерий (BIC): BIC — это критерий выбора модели в байесовском анализе. Он позволяет сбалансировать соответствие модели и ее сложность, чтобы выбрать наиболее подходящую модель.

Иерархические байесовские модели. Эти модели позволяют включать в данные иерархические структуры, что позволяет оценивать параметры на разных уровнях.

Сравнение байесовских моделей. Этот метод сравнивает различные байесовские модели, чтобы определить, какая из них лучше всего объясняет наблюдаемые данные.