我从事商业工作已有六年，并拥有物理学和应用数学/统计学士学位。肖恩卡罗尔（加州理工学院物理学家）的“大图景”让我认识到贝叶斯统计是思考任何事情的一种有用方式 - 不可避免地你持有先验，你应该在获得更多信息时更新你的信任。
有没有办法训练你的直觉以这种方式思考？至关重要的是，它需要通过包含许多问题和解决方案的课程或自学来反复练习并提供可验证的答案。我不相信仅仅阅读就可以了。
可能的资源，在阅读了本网站上的所有相关问题后，我可以找到：
如果这是我需要走的多年道路，从别处开始，我很高兴这样做！理想情况下，我会避免使用常客方法，因为我对它们没有用处。
我的目标不是成为一名科学家，而是利用对现实如何运作的洞察力超越商业中的既定思维。
非常感谢您的任何建议！
我已经开始了自己理解贝叶斯思维方式的道路，我将分享我的观点。我开始阅读有关各种采样器的经典论文，并通过共轭情况的推导，我认为这并没有让我走得太远。诚然，精英们将编写自己的采样器并利用每一个可能的共轭机会。但是，如果您想对该方法有一个好的感觉并可能获得一些有用的方法，那么还有更直接的方法。
我的建议是找到一个很好的贝叶斯建模工具来处理采样并让您专注于指定可能性和先验。对我来说，这就是斯坦。它基于不需要太多修补的特定采样器。用户指南和参考手册（可在文档页面上获得）读起来就像一本教科书，您可以通过阅读示例学到很多东西。当你有一个新模型的想法时，你可以尝试一下，通常不需要太多时间就能得到一些工作。你可以在这里看到我自己的一些实验。
我们正处于一个专注于管理对庞大数据集的计算的时代，而像 Stan 这样的软件将鼓励您对即使是小数据集（取决于模型）执行密集计算。但我认为值得花时间学习和理解。仍然存在大量“小数据”问题，很高兴能够在贝叶斯上下文（实际上有理论！）中构建机器学习（例如，L2 正则化）中的想法。
从您的业务角度来看，您可能会受到贝叶斯决策理论的启发，这是一种应用贝叶斯推理在不确定性下做出决策的方法。
如果是这样，您会发现贝叶斯分析的介绍经常关注的主题（例如指定各种先验和似然分布以及分析地执行采样计算或推导）只是实现这一最终目的的手段。
以下是一些专门针对此主题的资源：
上学期我上了一门关于贝叶斯数据分析的课程。它假定没有以前的背景。这是讲师放置所有材料的课程主页：https ://michael-franke.github.io/BDACM_2017/
我们在课程中使用了 Kruschke 教科书。结果很好。我不认为在 R 中工作有什么问题。你仍然可以理解事情是如何工作的。