Metody bayesowskie dla hakerów: Programowanie probabilistyczne i wnioskowanie bayesowskie

Opinie czytelników

Książka jest praktycznym przewodnikiem po programowaniu probabilistycznym za pomocą PyMC, chwalonym za przejrzystą treść i praktyczne podejście. Kilku recenzentów zauważyło jednak problemy z jakością i przejrzystością wydania drukowanego, a także pewne wyzwania związane z kompatybilnością wersji i błędami w kodzie.

Doskonała treść, jasne wyjaśnienie pojęć, silne praktyczne podejście do nauki, świetne materiały uzupełniające, przydatne notatniki Jupyter dostępne na GitHub, docenione za połączenie początkujących i zaawansowanych tematów w analizie bayesowskiej.

Słaba jakość druku w fizycznych wydaniach, niewystarczający formalizm matematyczny, błędy w kodzie obecne w książce, brak wskazówek dotyczących wersji dla Pythona i PyMC, przytłaczająca ilość kodu, który można uprościć, a niektórzy uznali, że wprowadza w błąd w odniesieniu do odbiorców.

(na podstawie 45 opinii czytelników)

Oryginalny tytuł:

Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference

Zawartość książki:

Opanuj wnioskowanie bayesowskie dzięki praktycznym przykładom i obliczeniom - bez zaawansowanej analizy matematycznej.

Bayesowskie metody wnioskowania są głęboko naturalne i niezwykle potężne. Jednak większość dyskusji na temat wnioskowania bayesowskiego opiera się na intensywnie złożonych analizach matematycznych i sztucznych przykładach, co czyni je niedostępnymi dla każdego bez silnego zaplecza matematycznego. Teraz jednak Cameron Davidson-Pilon wprowadza wnioskowanie bayesowskie z perspektywy obliczeniowej, łącząc teorię z praktyką, umożliwiając uzyskanie wyników przy użyciu mocy obliczeniowej.

Bayesian Methods for Hackers oświetla wnioskowanie bayesowskie poprzez programowanie probabilistyczne za pomocą potężnego języka PyMC i ściśle powiązanych narzędzi Python NumPy, SciPy i Matplotlib. Korzystając z tego podejścia, można osiągnąć efektywne rozwiązania w małych krokach, bez rozległej interwencji matematycznej.

Davidson-Pilon rozpoczyna od wprowadzenia pojęć leżących u podstaw wnioskowania bayesowskiego, porównując je z innymi technikami i prowadząc użytkownika przez budowanie i trenowanie pierwszego modelu bayesowskiego. Następnie wprowadza PyMC poprzez serię szczegółowych przykładów i intuicyjnych wyjaśnień, które zostały dopracowane po otrzymaniu obszernych opinii użytkowników. Dowiesz się, jak korzystać z algorytmu Monte Carlo opartego na łańcuchach Markowa, wybierać odpowiednią wielkość próby i priorytety, pracować z funkcjami strat i stosować wnioskowanie bayesowskie w różnych dziedzinach, od finansów po marketing. Po opanowaniu tych technik, będziesz stale zwracać się do tego przewodnika po działający kod PyMC, którego potrzebujesz, aby rozpocząć przyszłe projekty.

Obejmuje

- Poznanie bayesowskiego „stanu umysłu” i jego praktycznych implikacji.

- Zrozumienie, w jaki sposób komputery przeprowadzają wnioskowanie bayesowskie.

- Wykorzystanie biblioteki PyMC Python do programowania analiz bayesowskich.

- Tworzenie i debugowanie modeli za pomocą PyMC.

- Testowanie „dobroci dopasowania” modelu.

- Otwieranie „czarnej skrzynki” algorytmu Monte Carlo łańcucha Markowa, aby zobaczyć, jak i dlaczego działa.

- Wykorzystanie mocy „prawa dużych liczb”.

- Opanowanie kluczowych pojęć, takich jak grupowanie, zbieżność, autokorelacja i rozrzedzanie.

- Wykorzystanie funkcji strat do pomiaru słabości oszacowania w oparciu o cele i pożądane wyniki.

- Wybór odpowiednich priorytetów i zrozumienie, w jaki sposób ich wpływ zmienia się wraz z rozmiarem zbioru danych.

- Przezwyciężanie dylematu „eksploracja kontra eksploatacja”: decydowanie, kiedy „całkiem dobre” jest wystarczająco dobre.

- Wykorzystanie wnioskowania bayesowskiego do usprawnienia testów A/B.

- Rozwiązywanie problemów związanych z nauką o danych, gdy dostępne są tylko niewielkie ilości danych.

Cameron Davidson-Pilon pracował w wielu obszarach matematyki stosowanej, od ewolucyjnej dynamiki genów i chorób po stochastyczne modelowanie cen finansowych. Jego wkład w społeczność open source obejmuje lifelines, implementację analizy przeżycia w Pythonie. Wykształcony na Uniwersytecie Waterloo i Niezależnym Uniwersytecie Moskiewskim, obecnie współpracuje z liderem handlu internetowego Shopify.