Metode bayesiene pentru hackeri: Programare probabilistică și inferență bayesiană

Recenzii ale cititorilor

Cartea este un ghid practic pentru programarea probabilistică cu PyMC, lăudată pentru conținutul său clar și abordarea practică. Cu toate acestea, mai mulți recenzenți au remarcat probleme legate de calitatea și claritatea ediției tipărite, precum și unele provocări legate de compatibilitatea versiunilor și de erorile de cod.

Conținut excelent, explicație clară a conceptelor, abordare puternică a învățării practice, materiale suplimentare excelente, notebook-uri Jupyter utile disponibile pe GitHub, apreciate pentru a face legătura între subiectele începătoare și avansate în analiza Bayesiană.

Calitate slabă a imprimării în edițiile fizice, formalism matematic insuficient, erori de cod prezente în carte, lipsa orientării versiunii pentru Python și PyMC, o cantitate copleșitoare de cod care ar putea fi simplificată, iar unii au considerat-o înșelătoare în ceea ce privește publicul său.

(pe baza a 45 recenzii ale cititorilor)

Titlul original:

Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference

Conținutul cărții:

Master Bayesian Inference prin exemple practice și calcul - fără analiză matematică avansată

Metodele bayesiene de inferență sunt profund naturale și extrem de puternice. Cu toate acestea, majoritatea discuțiilor despre inferența bayesiană se bazează pe analize matematice intens complexe și pe exemple artificiale, ceea ce le face inaccesibile oricui nu are o pregătire matematică solidă. Acum, însă, Cameron Davidson-Pilon introduce inferența bayesiană dintr-o perspectivă computațională, făcând legătura între teorie și practică, eliberându-vă pentru a obține rezultate folosind puterea de calcul.

Bayesian Methods for Hackers luminează inferența bayesiană prin programare probabilistică cu puternicul limbaj PyMC și instrumentele Python strâns legate NumPy, SciPy și Matplotlib. Folosind această abordare, puteți ajunge la soluții eficiente în pași mici, fără o intervenție matematică extinsă.

Davidson-Pilon începe prin introducerea conceptelor care stau la baza inferenței bayesiene, comparând-o cu alte tehnici și ghidându-vă prin construirea și antrenarea primului model bayesian. În continuare, el prezintă PyMC printr-o serie de exemple detaliate și explicații intuitive care au fost rafinate după un feedback extins din partea utilizatorilor. Veți învăța cum să utilizați algoritmul Markov Chain Monte Carlo, să alegeți dimensiuni adecvate ale eșantioanelor și priori, să lucrați cu funcții de pierdere și să aplicați inferența bayesiană în domenii care variază de la finanțe la marketing. Odată ce stăpâniți aceste tehnici, veți apela în mod constant la acest ghid pentru codul PyMC funcțional de care aveți nevoie pentru a demara proiectele viitoare.

Acoperirea include

- Învățarea „stării de spirit” bayesiene și implicațiile sale practice.

- Înțelegerea modului în care calculatoarele efectuează inferența bayesiană.

- Utilizarea bibliotecii PyMC Python pentru a programa analize bayesiene.

- Construirea și depanarea modelelor cu PyMC.

- Testarea „adecvării” modelului dumneavoastră.

- Deschiderea „cutiei negre” a algoritmului Markov Chain Monte Carlo pentru a vedea cum și de ce funcționează.

- Exploatarea puterii „Legii numerelor mari”.

- Stăpânirea conceptelor cheie, cum ar fi gruparea, convergența, autocorelația și subțierea.

- Utilizarea funcțiilor de pierdere pentru a măsura punctele slabe ale unei estimări în funcție de obiectivele și rezultatele dorite.

- Selectarea antecedentelor adecvate și înțelegerea modului în care influența acestora se modifică în funcție de dimensiunea setului de date.

- Depășirea dilemei „explorare versus exploatare”: decizia când „destul de bun” este suficient de bun.

- Utilizarea inferenței bayesiene pentru îmbunătățirea testelor A/B.

- Rezolvarea problemelor legate de știința datelor atunci când sunt disponibile doar cantități mici de date.

Cameron Davidson-Pilon a lucrat în multe domenii ale matematicii aplicate, de la dinamica evolutivă a genelor și bolilor la modelarea stocastică a prețurilor financiare. Contribuțiile sale la comunitatea open source includ lifelines, o implementare a analizei supraviețuirii în Python. Educat la Universitatea din Waterloo și la Universitatea Independentă din Moscova, lucrează în prezent cu Shopify, liderul comerțului online.