Ocena:
Książka oferuje kompleksowe podejście do zrozumienia statystyki bayesowskiej poprzez wykorzystanie zarówno Excela, jak i R, co jest szczególnie atrakcyjne dla osób zaznajomionych z oboma narzędziami programowymi.
Zalety:⬤ Świetne przykłady i wyjaśnienia, które zwiększają teoretyczne zrozumienie
⬤ wzywa czytelników do ponownego przemyślenia swoich poglądów na temat teorii Frequentist i Bayesian
⬤ dobrze skonstruowana i solidna pedagogicznie.
Ograniczona użyteczność dla tych, którzy chcą korzystać tylko z Excela, ponieważ znaczna część treści wymaga R; może nie być odpowiednia dla czytelników niezainteresowanych R.
(na podstawie 2 opinii czytelników)
Bayesian Analysis with Excel and R
Wykorzystaj pełną moc analizy bayesowskiej dla uzyskania przewagi konkurencyjnej Leverage the Full Power of Bayesian Analysis for Competitive Advantage.
Metody bayesowskie mogą rozwiązywać problemy, z którymi nie można sobie poradzić w inny sposób. Opierając się na dotychczasowych umiejętnościach i doświadczeniu w zakresie analizy w Excelu, MVP programu Microsoft Excel Conrad Carlberg pomaga w pełni wykorzystać możliwości analizy bayesowskiej w Excelu i przejść do R, aby osiągnąć jeszcze więcej.
Krok po kroku, na rzeczywistych przykładach, Carlberg pokazuje, jak korzystać z analizy bayesowskiej do rozwiązywania szerokiej gamy rzeczywistych problemów. Carlberg wyjaśnia terminologię, która często dezorientuje analityków, udostępnia do pobrania skoroszyty Excela, które można łatwo dostosować do własnych potrzeb, a także oferuje przykładowy kod R, aby skorzystać z pakietu rethinking w R i jego bramy do Stana.
Włączając te bayesowskie podejścia do swojego zestawu narzędzi analitycznych, zbudujesz potężną przewagę konkurencyjną dla swojej organizacji - i dla siebie.
⬤ Poznaj kluczowe idee i strategie leżące u podstaw analizy bayesowskiej.
⬤ Rozróżnianie rozkładów prior, likelihood i posterior oraz porównywanie algorytmów próbkowania danych wejściowych.
⬤ Wykorzystanie aproksymacji siatki do rozwiązywania prostych problemów jednozmiennowych i zrozumienie jej ograniczeń wraz ze wzrostem parametrów.
⬤ Wykonywanie złożonych symulacji i regresji przy użyciu aproksymacji kwadratowej i funkcji quap Richarda McElreatha.
⬤ Zarządzaj wartościami tekstowymi tak, jakby były wartościami liczbowymi.
⬤ Naucz się dzisiejszej złotej techniki próbkowania bayesowskiego: Łańcuch Markowa Monte Carlo (MCMC)
⬤ Wykorzystanie MCMC do optymalizacji szybkości wykonania w problemach o wysokim stopniu złożoności.
⬤ Odkryj, kiedy metody częstościowe zawodzą, a metody bayesowskie są niezbędne - i kiedy używać obu w tandemie.
