Bayesovské metódy pre hackerov: Pravdepodobnostné programovanie a bayesovská inferencia

Recenzie čitateľov

Kniha je praktickým sprievodcom pravdepodobnostným programovaním pomocou PyMC, chválená pre svoj zrozumiteľný obsah a praktický prístup. Viacerí recenzenti však upozornili na problémy s kvalitou a zrozumiteľnosťou tlačeného vydania, ako aj na niektoré problémy súvisiace s kompatibilitou verzií a chybami v kóde.

Vynikajúci obsah, jasné vysvetlenie pojmov, silný praktický prístup k učeniu, skvelé doplnkové materiály, užitočné Jupyter notebooky dostupné na GitHube, oceňované pre premostenie začiatočníckych a pokročilých tém v bayesovskej analýze.

Slabá kvalita tlače vo fyzických vydaniach, nedostatočný matematický formalizmus, chyby v kóde prítomné v knihe, chýbajúce usmernenie k verziám Pythonu a PyMC, ohromné množstvo kódu, ktorý by sa dal zjednodušiť, a niektorí ju považovali za zavádzajúcu, pokiaľ ide o jej publikum.

(na základe 45 čitateľských recenzií)

Pôvodný názov:

Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference

Obsah knihy:

Zvládnite bayesovskú inferenciu prostredníctvom praktických príkladov a výpočtov - bez pokročilej matematickej analýzy

Bayesovské metódy odvodzovania sú hlboko prirodzené a mimoriadne výkonné. Väčšina diskusií o bayesovskej inferencii sa však opiera o intenzívne zložité matematické analýzy a umelé príklady, čo ju robí neprístupnou pre každého bez silného matematického zázemia. Teraz však Cameron Davidson-Pilon predstavuje bayesovskú inferenciu z výpočtovej perspektívy, čím prepája teóriu s praxou a oslobodzuje vás od získavania výsledkov pomocou výpočtovej sily.

Bayesian Methods for Hackers osvetľuje bayesovskú inferenciu prostredníctvom pravdepodobnostného programovania s výkonným jazykom PyMC a úzko súvisiacimi nástrojmi Python NumPy, SciPy a Matplotlib. Pomocou tohto prístupu môžete dosiahnuť efektívne riešenia v malých krokoch bez rozsiahlych matematických zásahov.

Davidson-Pilon začína predstavením konceptov, na ktorých je založená bayesovská inferencia, porovnáva ju s inými technikami a prevedie vás zostavením a tréningom prvého bayesovského modelu. Ďalej predstavuje PyMC prostredníctvom série podrobných príkladov a intuitívnych vysvetlení, ktoré boli zdokonalené po rozsiahlej spätnej väzbe od používateľov. Naučíte sa používať algoritmus Markovovho reťazca Monte Carlo, vyberať vhodné veľkosti vzoriek a priory, pracovať so stratovými funkciami a aplikovať bayesovskú inferenciu v rôznych oblastiach od financií po marketing. Po zvládnutí týchto techník sa budete neustále obracať na túto príručku, aby ste získali funkčný kód PyMC, ktorý potrebujete na rozbehnutie budúcich projektov.

Obsahuje

- Poznanie bayesovského „stavu mysle“ a jeho praktických dôsledkov.

- Pochopenie toho, ako počítače vykonávajú bayesovskú inferenciu.

- Používanie knižnice PyMC v jazyku Python na programovanie bayesovských analýz.

- Budovanie a ladenie modelov pomocou PyMC.

- Testovanie „dobrej zhody“ vášho modelu.

- Otvorenie „čiernej skrinky“ algoritmu Markovovho reťazca Monte Carlo s cieľom zistiť, ako a prečo funguje.

- Využitie sily „zákona veľkých čísel“.

- Zvládnutie kľúčových pojmov, ako sú zhlukovanie, konvergencia, autokorelácia a zriedenie.

- Používanie stratových funkcií na meranie slabých stránok odhadu na základe vašich cieľov a požadovaných výsledkov.

- Výber vhodných priorov a pochopenie, ako sa ich vplyv mení s veľkosťou súboru údajov.

- Prekonanie dilemy „prieskum verzus využitie“: rozhodovanie, kedy je „dosť dobré“ dosť dobré.

- Používanie bayesovskej inferencie na zlepšenie A/B testovania.

- Riešenie problémov dátovej vedy, keď je k dispozícii len malé množstvo údajov.

Cameron Davidson-Pilonpracoval v mnohých oblastiach aplikovanej matematiky, od evolučnej dynamiky génov a chorôb po stochastické modelovanie finančných cien. Medzi jeho príspevky komunite open source patrí lifelines, implementácia analýzy prežitia v jazyku Python. Vzdelanie získal na University of Waterloo a na Nezávislej univerzite v Moskve, v súčasnosti spolupracuje s lídrom v oblasti online obchodovania Shopify.