簡體網頁||繁體網頁

☆☆☆☆☆

圖書標籤:

• 概率圖模型
• 貝葉斯方法
• R語言
• 概率編程
• 貝葉斯推斷
• 機器學習
• 統計學習
• 數據分析
• 人工智能
• 模型推斷

店鋪： 藍墨水圖書專營店

齣版社： 人民郵電齣版社

ISBN：9787115471345

商品編碼：20802844020

概率圖模型 基於R語言+貝葉斯方法 概率編程與貝葉斯推斷

YL12008 9787115471345 9787115438805

關於本書有任何問題，請聯係： 王峰鬆

書 號： 978-7-115-47134-5

頁 數： 204

印刷方式： 彩色印刷

開 本： 小16開

齣版狀態： 正在印刷

2017.12

 

59.00

 

【預計上市時間：12月12日】

概率圖模型結閤瞭概率論與圖論的知識，提供瞭一種簡單的可視化概率模型的方法，在人工智能、機器學習和計算機視覺等領域有著廣闊的應用前景。

本書旨在幫助讀者學習使用概率圖模型，理解計算機如何通過貝葉斯模型和馬爾科夫模型來解決現實世界的問題，同時教會讀者選擇閤適的R語言程序包、閤適的算法來準備數據並建立模型。

本書適閤各行業的數據科學傢、機器學習愛好者和工程師等人群閱讀、使用。

貝葉斯方法：概率編程與貝葉斯推斷

 

【加】Cameron Davidson-Pilon（卡梅隆 戴維森-皮隆） (作者)辛願,鍾黎,歐陽婷(譯者)王峰鬆(責任編輯)

書 號

978-7-115-43880-5

頁 數

200

印刷方式

彩色印刷

開 本

小16開

齣版狀態

正在印刷

齣版時間 2016.12

 

齣版社  人民郵電齣版社

 

 

貝葉斯推理的方法非常自然和極其強大。然而，大多數圖書討論貝葉斯推理，依賴於非常復雜的數學分析和人工的例子，使沒有強大數學背景的人無法接觸。不過，現在好瞭，卡梅倫的這本書從編程、計算的角度來介紹貝葉斯推理，把貝葉斯理論和編程實踐結閤起來，使大多數程序員都可以入門並掌握。

 

本書通過強大的Python語言庫PyMC，以及相關的Python工具，包括NumPySciPyMatplotlib講解瞭概率編程。通過本書介紹的方法，讀者隻需付齣很少的努力，就能掌握有效的貝葉斯分析方法。

第1章　貝葉斯推斷的哲學　1
1．1　引言　1
1．1．1　貝葉斯思維　1
1．1．2　貝葉斯推斷在實踐中的運用　3
1．1．3　頻率派的模型是錯誤的嗎？　4
1．1．4　關於大數據　4
1．2　我們的貝葉斯框架　5
1．2．1　不得不講的實例：拋硬幣　5
1．2．2　實例：圖書管理員還是農民　6
1．3　概率分布　8
1．3．1　離散情況　9
1．3．2　連續情況　10
1．3．3　什麼是　12
1．4　使用計算機執行貝葉斯推斷　12
1．4．1　實例：從短信數據推斷行為　12
1．4．2　介紹我們的，闆斧：PyMC　14
1．4．3　說明　18
1．4．4　後驗樣本到底有什麼用？　18
1．5　結論　20
1．6　補充說明　20
1．6．1　從統計學上確定兩個l值是否真的不一樣　20
1．6．2　擴充至兩個轉摺點　22
1．7　習題　24
1．8　答案　24
第2章　進一步瞭解PyMC　27
2．1　引言　27
2．1．1　父變量與子變量的關係　27
2．1．2　PyMC變量　28
2．1．3　在模型中加入觀測值　31
2．1．4　·後……　33
2．2　建模方法　33
2．2．1　同樣的故事，不同的結局　35
2．2．2　實例：貝葉斯A/B測試　38
2．2．3　一個簡單的場景　38
2．2．4　A和B一起　41
2．2．5　實例：一種人類謊言的算法　45
2．2．6　二項分布　45
2．2．7　實例：學生作弊　46
2．2．8　另一種PyMC模型　50
2．2．9　更多的PyMC技巧　51
2．2．10　實例：挑戰者號事故　52
2．2．11　正態分布　55
2．2．12　挑戰者號事故當天發生瞭什麼？　61
2．3　我們的模型適用嗎？　61
2．4　結論　68
2．5　補充說明　68
2．6　習題　69
2．7　答案　69
第3章　打開MCMC的黑盒子　71
3．1　貝葉斯景象圖　71
3．1．1　使用MCMC來探索景象圖　77
3．1．2　MCMC算法的實現　78
3．1．3　後驗的其他近似解法　79
3．1．4　實例：使用混閤模型進行無監督聚類　79
3．1．5　不要混淆不同的後驗樣本　88
3．1．6　使用MAP來改進收斂性　91
3．2　收斂的判斷　92
3．2．1　自相關　92
3．2．2　稀釋　95
3．2．3　pymc．Matplot．plot()　97
3．3　MCMC的一些秘訣　98
3．3．1　聰明的初始值　98
3．3．2　先驗　99
3．3．3　統計計算的無名定理　99
3．4　結論　99
第4章　從未言明的·偉大定理　101
4．1　引言　101
4．2　大數定律　101
4．2．1　直覺　101
4．2．2　實例：泊鬆隨機變量的收斂　102
4．2．3　如何計算Var(Z)　106
4．2．4　期望和概率　106
4．2．5　所有這些與貝葉斯統計有什麼關係呢　107
4．3　小數據的無序性　107
4．3．1　實例：地理數據聚閤　107
4．3．2　實例：Kaggle的美國人口普查反饋比例預測比賽　109
4．3．3　實例：如何對Reddit網站上的評論進行排序　111
4．3．4　排序！　115
4．3．5　但是這樣做的實時性太差瞭　117
4．3．6　推廣到評星係統　122
4．4　結論　122
4．5　補充說明　122
4．6　習題　123
4．7　答案　124
第5章　失去一隻手臂還是一條腿　127
5．1　引言　127
5．2　損失函數　127
5．2．1　現實世界中的損失函數　129
5．2．2　實例：優化“價格競猜”遊戲的展品齣價　130
5．3　機器學習中的貝葉斯方法　138
5．3．1　實例：金融預測　139
5．3．2　實例：Kaggle觀測暗世界 大賽　144
5．3．3　數據　145
5．3．4　先驗　146
5．3．5　訓練和PyMC實現　147
5．4　結論　156
第6章　弄清楚先驗　157
6．1　引言　157
6．2　主觀與客觀先驗　157
6．2．1　客觀先驗　157
6．2．2　主觀先驗　158
6．2．3　決策，決策……　159
6．2．4　經驗貝葉斯　160
6．3　需要知道的有用的先驗　161
6．3．1　Gamma分布　161
6．3．2　威沙特分布　162
6．3．3　Beta分布　163
6．4　實例：貝葉斯多臂老虎機　164
6．4．1　應用　165
6．4．2　一個解決方案　165
6．4．3　好壞衡量標準　169
6．4．4　擴展算法　173
6．5　從領域專傢處獲得先驗分布　176
6．5．1　試驗輪盤賭法　176
6．5．2　實例：股票收益　177
6．5．3　對於威沙特分布的專業提示　184
6．6　共軛先驗　185
6．7　傑弗裏斯先驗　185
6．8　當N增加時對先驗的影響　187
6．9　結論　189
6．10　補充說明　190
6．10．1　帶懲罰的綫性迴歸的貝葉斯視角　190
6．10．2　選擇退化的先驗　192
第7章　貝葉斯A/B測試　195
7．1　引言　195
7．2　轉化率測試的簡單重述　195
7．3　增加一個綫性損失函數　198
7．3．1　收入期望的分析　198
7．3．2　延伸到A/B測試　202
7．4　**轉化率：t檢驗　204
7．4．1　t檢驗的設定　204
7．5　增幅的估計　207
7．5．1　創建點估計　210
7．6　結論　211
術語錶　213

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆