只给一个预测数字，常常不够：医生、研究者或数据分析师还想知道，这个结果究竟有多大把握。贝叶斯统计会先表达分析前的不确定性，再用数据更新判断；它给出的后验分布，可以直接说明参数或预测结果落在某个区间的概率。这本教材的第二版，试图把这套思路连同计算方法和机器学习应用，压缩进一个紧凑框架。
据 Routledge/Chapman & Hall 官方页面，新版由 Brian J. Reich 与 Sujit K. Ghosh 合著，2026 年出版。它新增一章，讨论面向大型、复杂数据集的贝叶斯机器学习，并增加展示不确定性量化价值的应用。全书还覆盖先验选择、MCMC——用抽样近似难以直接计算的后验分布——以及模型比较、拟合诊断、BART、深度学习和大数据计算。教材提供完整 R 代码，并与频率学派方法对照，定位为高年级本科或研究生的一学期课程。
JASA 于 2026 年 10 月 20 日上线 Bruno Sansó 撰写的第二版书评。对关注书目更新的读者来说，它的意义不在于提出单项新算法，而在于把传统贝叶斯基础、可信计算和当下机器学习议题编排进同一本应用型教材。现有书评摘录很短，未提供更具体的评价细节。