Ocena:
Książka została dobrze przyjęta ze względu na praktyczne podejście do statystyki bayesowskiej, zawierające nietrywialne przykłady i skupiające się na obliczeniach stosowanych w Pythonie. Jest jednak krytykowana za literówki, brak spójnej struktury w odniesieniu do używanych języków programowania oraz pewne problemy z formatem i czytelnością w wersji Kindle.
Zalety:⬤ Świetne przykłady ze świata rzeczywistego, które można łatwo zaadaptować do praktycznego użytku.
⬤ Skupia się na zastosowanych obliczeniach i diagnostyce modeli.
⬤ Przejrzyste dyskusje na temat ważnych koncepcji i technik bayesowskich.
⬤ Dobre wykorzystanie Pythona w przykładach kodu, dzięki czemu jest on dostępny dla praktyków.
⬤ Towarzyszące zasoby online z dodatkowymi przykładami i wizualizacjami.
⬤ Obecność licznych literówek i błędów ortograficznych.
⬤ Problemy z organizacją, ponieważ wiele języków programowania jest wymieszanych bez wyraźnego oddzielenia.
⬤ Niektóre przykłady kodu nie zostały dostarczone lub nie działają.
⬤ Format Kindle jest krytykowany za problemy z czytelnością i ograniczenia DRM.
⬤ Matematyczne wyjaśnienia i formuły mogłyby być lepiej zaprezentowane.
(na podstawie 8 opinii czytelników)
Bayesian Modeling and Computation in Python
Bayesian Modeling and Computation in Python ma na celu pomóc początkującym praktykom modelowania bayesowskiego stać się średniozaawansowanymi modelarzami. W książce zastosowano praktyczne podejście z wykorzystaniem PyMC3, Tensorflow Probability, ArviZ i innych bibliotek, koncentrując się na praktyce statystyki stosowanej z odniesieniami do podstawowej teorii matematycznej.
Książka rozpoczyna się od odświeżenia koncepcji wnioskowania bayesowskiego. Drugi rozdział wprowadza nowoczesne metody analizy eksploracyjnej modeli bayesowskich. Wraz ze zrozumieniem tych dwóch podstaw, kolejne rozdziały omawiają różne modele, w tym regresje liniowe, splajny, szeregi czasowe, addytywne drzewa regresji bayesowskiej. Końcowe rozdziały obejmują przybliżone obliczenia bayesowskie, kompleksowe studia przypadków pokazujące, jak stosować modelowanie bayesowskie w różnych warunkach, oraz rozdział poświęcony wewnętrznym aspektom probabilistycznych języków programowania. Wreszcie, ostatni rozdział służy jako odniesienie dla reszty książki, przybliżając aspekty matematyczne lub rozszerzając dyskusję na niektóre tematy.
Niniejsza książka została napisana między innymi przez twórców bibliotek PyMC3, ArviZ, Bambi i Tensorflow Probability.