Den eksponentielle veksten i datakraft har gjort Bayesian-metoder for uendelig-dimensjonale modeller - Bayesian nonparametrics - til en nesten universell ramme for inferens. Dette har ført til praktisk anvendelse i mange ulike fagområder. Boken "Fundamentals of Nonparametric Bayesian Inference" er skrevet av ledende forskere og tilbyr en autoritativ gjennomgang av teoriframgangene de siste tjue årene. Den dekker alle aspekter av Bayesian nonparametrics, fra prior-konstruksjon til beregning og oppførsel av posteriors i store utvalg. Forståelse av posteriors oppførsel er avgjørende for å velge effektive priors, og derfor utvikles teori for store utvalg systematisk. Boken er rikt illustrert med forskjellige eksempler på modeller og prior-kombinasjoner. Den inneholder også presise tilstrekkelige betingelser med fullstendige bevis som sikrer ønskelige egenskaper og oppførsel for posteriors. Hver kapittel avsluttes med historiske noter og et variert utvalg oppgaver som hjelper leseren til å utdype og styrke sin forståelse, noe som gjør boken uvurderlig for både masterstudenter og forskere innen statistikk.
