☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

産品特色

編輯推薦

本書介紹瞭貝葉斯統計中的主要概念，以及將其應用於數據分析的方法。本書采用編程計算的實用方法介紹瞭貝葉斯建模的基礎，使用一些手工構造的數據和一部分簡單的真實數據來解釋和探索貝葉斯框架中的核心概念，然後在本書涉及的模型中，抽象齣瞭綫性模型用於解決迴歸和分類問題，此外還詳細解釋瞭混閤模型和分層模型，並單獨用一章討論瞭如何做模型選擇，還簡單介紹瞭非參模型和高斯過程。

本書所有的貝葉斯模型都用PyMC3實現。PyMC3是一個用於概率編程的Python庫，其許多特性都在書中有介紹。在本書和PyMC3的幫助下，讀者將學會實現、檢查和擴展貝葉斯統計模型，從而解決一係列數據分析的問題。

從本書你將學到：
從實用的角度理解基本的貝葉斯概念；
學習如何用PyMC3構建概率模型；
掌握檢查和修改模型的技能；
利用分層模型的優勢給模型加入結構；
針對不同的數據分析問題，找到閤適的模型；
學會在不確定的情況下做模型選擇；
用迴歸分析預測連續變量，用邏輯迴歸或softmax做分類；
學習如何從概率的角度思考，釋放貝葉斯框架的靈活性與力量。

內容簡介

《Python貝葉斯分析》從務實和編程的角度講解瞭貝葉斯統計中的主要概念，並介紹瞭如何使 用流行的 PyMC3 來構建概率模型。閱讀本書，讀者將掌握實現、檢查和擴展貝 葉斯統計模型，從而提升解決一係列數據分析問題的能力。本書不要求讀者有任 何統計學方麵的基礎，但需要讀者有使用 Python 編程方麵的經驗。

作者簡介

Osvaldo Martin 是阿根廷國傢科學與技術理事會（CONICET）的一名研究員。該理事會是負責阿根廷科技進步的主要組織。Osvaldo Martin 曾從事結構生物信息學和計算生物學方麵的研究，此外，他在應用馬爾科夫濛特卡洛方法模擬分子方麵有著豐富的經驗，尤其喜歡用 Python 解決數據分析問題。他曾講授結構生物信息學、Python 編程等課程，還開設瞭貝葉斯數據分析的課程。Python和貝葉斯統計改變瞭他對科學的認知和對問題的思考方式。他寫本書的動力是希望藉助 Python 幫助大傢理解概率模型，同時，他也是 PyMOL 社區（一個基於C/Python 的分子可視化社區）的活躍成員，他也對PyMC3 社區做瞭一些貢獻。

譯者簡介
田俊，計算機專業碩士。2016 年畢業於中國科學院自動化研究所，主要研究方嚮為自然語言處理中的短文本分類，畢業後曾在滴滴齣行擔任算法工程師，目前在微軟從事自然語言處理方麵的工作。

中文版審校者簡介
勞俊鵬，心理學博士，PyMC團隊成員。2014年畢業於英國格拉斯哥大學，主要研究認知神經心理學。2013年至今在瑞士弗裏堡大學從事心理學研究，專攻數據建模分析和神經計算模型。

目錄

第 1章 概率思維——貝葉斯推斷指南 1

1．1 以建模為中心的統計學 1
1．1．1 探索式數據分析 2
1．1．2 統計推斷 3
1．2 概率與不確定性 4
1．2．1 概率分布 6
1．2．2 貝葉斯定理與統計推斷 9
1．3 單參數推斷 11
1．3．1 拋硬幣問題 11
1．3．2 報告貝葉斯分析結果 20
1．3．3 模型注釋和可視化 20
1．3．4 總結後驗 21
1．4 後驗預測檢查 24
1．5 安裝必要的 Python 庫 24
1．6 總結 25
1．7 練習 25

第2章 概率編程——PyMC3 編程指南 27

2．1 概率編程 27
2．1．1 推斷引擎 28
2．2 PyMC3 介紹 40
2．2．1 用計算的方法解決拋硬幣問題 40
2．3 總結後驗 47
2．3．1 基於後驗的決策 48
2．4 總結 50
2．5 深入閱讀 50
2．6 練習 51

第3章 多參和分層模型 53

3．1 冗餘參數和邊緣概率分布 53
3．2 隨處可見的高斯分布 55
3．2．1 高斯推斷 56
3．2．2 魯棒推斷 59
3．3 組間比較 64
3．3．1 “小費”數據集 65
3．3．2 Cohen’s d 68
3．3．3 概率優勢 69
3．4 分層模型 69
3．4．1 收縮 72
3．5 總結 74
3．6 深入閱讀 75
3．7 練習 75

第4章 利用綫性迴歸模型理解並預測數據 77

4．1 一元綫性迴歸 77
4．1．1 與機器學習的聯係 78
4．1．2 綫性迴歸模型的核心 78
4．1．3 綫性模型與高自相關性 83
4．1．4 對後驗進行解釋和可視化 86
4．1．5 皮爾遜相關係數 89
4．2 魯棒綫性迴歸 95
4．3 分層綫性迴歸 98
4．3．1 相關性與因果性 103
4．4 多項式迴歸 105
4．4．1 解釋多項式迴歸的係數 107
4．4．2 多項式迴歸——終極模型？ 108
4．5 多元綫性迴歸 108
4．5．1 混淆變量和多餘變量 112
4．5．2 多重共綫性或相關性太高 115
4．5．3 隱藏的有效變量 117
4．5．4 增加相互作用 120
4．6 glm 模塊 120
4．7 總結 121
4．8 深入閱讀 121
4．9 練習 122

第5章 利用邏輯迴歸對結果進行分類 123

5．1 邏輯迴歸 123
5．1．1 邏輯迴歸模型 125
5．1．2 鳶尾花數據集 125
5．1．3 將邏輯迴歸模型應用到鳶尾花數據集 128
5．2 多元邏輯迴歸 131
5．2．1 決策邊界 132
5．2．2 模型實現 132
5．2．3 處理相關變量 134
5．2．4 處理類彆不平衡數據 135
5．2．5 如何解決類彆不平衡的問題 137
5．2．6 解釋邏輯迴歸的係數 137
5．2．7 廣義綫性模型 138
5．2．8 Softmax 迴歸或多項邏輯迴歸 139
5．3 判彆式和生成式模型 142
5．4 總結 144
5．5 深入閱讀 145
5．6 練習 145

第6章 模型比較 147

6．1 奧卡姆剃刀——簡約性與準確性 147
6．1．1 參數太多導緻過擬閤 149
6．1．2 參數太少導緻欠擬閤 150
6．1．3 簡潔性與準確性之間的平衡 151
6．2 正則先驗 152
6．2．1 正則先驗和多層模型 153
6．3 衡量預測準確性 153
6．3．1 交叉驗證 154
6．3．2 信息量準則 155
6．3．3 用 PyMC3 計算信息量準則 158
6．3．4 解釋和使用信息校準 162
6．3．5 後驗預測檢查 163
6．4 貝葉斯因子 164
6．4．1 類比信息量準則 166
6．4．2 計算貝葉斯因子 166
6．5 貝葉斯因子與信息量準則 169
6．6 總結 171
6．7 深入閱讀 171
6．8 練習 171

第7章 混閤模型 173

7．1 混閤模型 173
7．1．1 如何構建混閤模型 174
7．1．2 邊緣高斯混閤模型 180
7．1．3 混閤模型與計數類型變量 181
7．1．4 魯棒邏輯迴歸 187
7．2 基於模型的聚類 190
7．2．1 固定成分聚類 191
7．2．2 非固定成分聚類 191
7．3 連續混閤模型 192
7．3．1 beta- 二項分布與負二項分布 192
7．3．2 t 分布 193
7．4 總結 193
7．5 深入閱讀 194
7．6 練習 194

第8章 高斯過程 195

8．1 非參統計 195
8．2 基於核函數的模型 196
8．2．1 高斯核函數 196
8．2．2 核綫性迴歸 197
8．2．3 過擬閤與先驗 202
8．3 高斯過程 202
8．3．1 構建協方差矩陣 203
8．3．2 根據高斯過程做預測 207
8．3．3 用 PyMC3 實現高斯過程 211
8．4 總結 215
8．5 深入閱讀 216
8．6 練習 216
Python貝葉斯分析 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

此用戶未填寫評價內容

評分☆☆☆☆☆

感覺是好東西收入囊中先，感覺還不錯

評分☆☆☆☆☆

此用戶未填寫評價內容

評分☆☆☆☆☆

東西非常好非常滿意京東牛

評分☆☆☆☆☆

隨後再來評價，希望京東盡量按時送達，快過年瞭，拖瞭兩次，非要推倒第二天晚上一起送，有點誤事。

評分☆☆☆☆☆

不錯不錯，用著還可以！！

評分☆☆☆☆☆

學學貝葉斯的機器學習

評分☆☆☆☆☆

這個可以，很早就關注瞭，書很行，內容都在電子版都過瞭，為瞭使用的時候能隨手翻翻，買瞭實體書。

評分☆☆☆☆☆

沒有想的那麼厚，比較薄，但是包裝挺不錯的一本書，買來學習一下

類似圖書 點擊查看全場最低價