ODBIERZ TWÓJ BONUS :: »

Analiza bayesowska w Pythonie. Praktyczny przewodnik po modelowaniu probabilistycznym. Wydanie III Osvaldo Martin

(ebook) (audiobook) (audiobook)
Autor:
Osvaldo Martin
Wydawnictwo:
Helion
Wydawnictwo:
Helion
Ocena:
Stron:
288
Druk:
oprawa miękka
Dostępny format:
     PDF
Czytaj fragment
Książka
62,30 zł 89,00 zł (-30%)
62,30 zł najniższa cena z 30 dni

Dodaj do koszyka Darmowa dostawa od 60,00 zł Do darmowej dostawy brakuje Ci 0,00 zł Najtańsza dostawa od 9,90 zł Gratulujemy! Twoje zamówienie kwalifikuje się do darmowej wysyłki

Przedsprzedaż Realizacja zamówień od 2026-07-07

Powiadom mnie, gdy książka będzie dostępna

Wysyłamy towar w ciągu 24h licząc od dnia premiery
Ebook
44,50 zł 89,00 zł (-50%)
57,84 zł najniższa cena z 30 dni
(2za1 » dobierz ebook GRATIS)

Dodaj do koszyka Dostępny natychmiast po opłaceniu zakupu lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Do przechowalni

Powiadom o dostępności audiobooka »

Czego się nauczysz?

  • Stosować myślenie probabilistyczne i interpretować prawdopodobieństwo w ujęciu bayesowskim
  • Dobierać funkcję wiarygodności i konstruować rozkłady a priori oraz a posteriori
  • Raportować wyniki analizy bayesowskiej i wizualizować rozkłady a posteriori
  • Budować modele probabilistyczne w Pythonie z użyciem biblioteki PyMC
  • Podejmować decyzje na podstawie rozkładu a posteriori (ROPE, funkcje straty, stosunek Savage'a-Dickey'a)
  • Wykonywać kontrole predykcyjne a posteriori i tworzyć modele odporne na obserwacje odstające
  • Analizować i diagnozować modele w ArviZ oraz pracować z kontenerem InferenceData
  • Modelować efekty grup i porównywać grupy (m.in. d Cohena, prawdopodobieństwo przewagi)
  • Projektować i interpretować modele hierarchiczne oraz rozumieć zjawisko kurczenia
  • Tworzyć modele regresyjne: liniowe, wielorakie, logistyczne i hierarchiczne (scentrowane oraz niescentrowane)
  • Porównywać modele i oceniać ich trafność predykcyjną (kryteria informacyjne, walidacja krzyżowa, uśrednianie modeli)
  • Stosować współczynniki Bayesa i regularyzować rozkłady a priori w praktyce
  • Modelować wnioskowanie z użyciem interfejsu Bambi (interakcje, predyktory kategoryczne, modele rozkładowe)
  • Wykonywać selekcję zmiennych metodą projekcji z użyciem Kulprit
  • Budować modele mieszanin (skończone i nieskończone), w tym modele z nadmiarem zer oraz progowe
  • Stosować procesy gaussowskie i modele BART do nieliniowej regresji, klasyfikacji i analizy wpływu zmiennych oraz rozumieć silniki wnioskowania (MCMC, HMC, SMC) i diagnostykę zbieżności (R-hat, ESS, dywergencje)

W ostatnich dekadach statystyka bayesowska zyskała ogromne znaczenie w nauce i inżynierii. Współczesna analiza bayesowska to w dużej mierze statystyka obliczeniowa elastyczna, przejrzysta i umożliwiająca intuicyjną interpretację wyników. Dzięki rozwojowi bibliotek języka Python koncepcje bayesowskie stały się praktycznym narzędziem do realizacji zaawansowanych scenariuszy analitycznych.

Książka stanowi kompleksowe wprowadzenie do stosowanego wnioskowania bayesowskiego i jego implementacji w Pythonie. Autor używa nowoczesnej biblioteki PyMC do programowania probabilistycznego, a ArviZ do analizy i diagnostyki modeli. Omawia także inne narzędzia ekosystemu bayesowskiego, takie jak Bambi, PreliZ i Kulprit. Zapoznasz się z zagadnieniami bayesowskich addytywnych drzew regresyjnych (BART), selekcji zmiennych, konstrukcji rozkładów a priori i porównywania modeli. Ponadto dowiesz się, jak budować, analizować i interpretować modele probabilistyczne w projektach z zakresu data science.

W książce między innymi:

  • budowa modeli probabilistycznych z użyciem PyMC
  • analiza i diagnostyka modeli w ArviZ
  • modele hierarchiczne zalety i ograniczenia
  • porównywanie modeli i wybór najlepszych rozwiązań
  • interpretacja wyników w kontekście rzeczywistych problemów
  • myślenie probabilistyczne w ujęciu bayesowskim

Książka stanowi kompleksowe, jasne i zwięzłe wprowadzenie do metod bayesowskich i biblioteki PyMC.

Christopher Fonnesbeck i Thomas Wiecki

Wybrane bestsellery

O autorze książki

Osvaldo Martin jest badaczem specjalizującym się w metodach obliczeniowych. Zajmował się bioinformatyką strukturalną i symulacją układów molekularnych, obecnie koncentruje się na statystyce bayesowskiej i programowaniu probabilistycznym. Prowadził kursy z zakresu bioinformatyki, data science i analizy bayesowskiej. Współtworzył projekty open source związane z bibliotekami: ArviZ, Bambi, Kulprit, PreliZ i PyMC.

Helion - inne książki

Najczęściej zadawane pytania (FAQ)
1. Czy to jest książka bardziej o teorii Bayesa, czy o praktycznym modelowaniu w Pythonie?
To praktyczny przewodnik: teorię wprowadza w zakresie niezbędnym do zrozumienia wnioskowania, a główny nacisk kładzie na budowę, uruchamianie i interpretację modeli w Pythonie (PyMC) oraz diagnostykę w ArviZ.
2. Jakich narzędzi i bibliotek w Pythonie będę używać, pracując z tą książką?
Przede wszystkim PyMC do programowania probabilistycznego i ArviZ do analizy wyników i diagnostyki. Autor pokazuje też narzędzia ekosystemu: Bambi, PreliZ i Kulprit.
3. Czy książka uczy diagnostyki i sprawdzania jakości modeli (zbieżność, R-hat, ESS, dywergencje)?
Tak. Osobne fragmenty poświęcono diagnozowaniu próbek i zbieżności (m.in. wykresy śladu/rang, R-hat), efektywnemu rozmiarowi próby (ESS), błędowi Monte Carlo oraz dywergencjom.
4. Jakie typy modeli bayesowskich znajdę w środku poza ,,rzutem monetą"?
Oprócz podstaw wnioskowania są m.in. modele hierarchiczne, regresja liniowa i wieloraka, regresja logistyczna, modele mieszanin (także z nadmiarem zer), procesy gaussowskie oraz BART (bayesowskie addytywne drzewa regresyjne).
5. Czy książka pokazuje, jak porównywać modele i wybierać najlepsze rozwiązanie?
Tak. Omawia kontrole predykcyjne a posteriori, miary dokładności predykcyjnej (kryteria informacyjne, walidację krzyżową), uśrednianie modeli oraz współczynniki Bayesa.
6. Czy znajdę tu podejście ,,formula interface" podobne do R, żeby szybciej budować modele?
Tak. Jest rozdział o modelowaniu przez interfejs Bambi, w tym składni formuł, predyktorach kategorycznych, interakcjach, a także selekcji zmiennych i predykcji projekcyjnej (Kulprit).
7. Czy w książce są ćwiczenia i materiał do samodzielnej nauki?
Tak. Każdy z głównych rozdziałów kończy się podsumowaniem i zestawem ćwiczeń, co ułatwia przećwiczenie omawianych technik na praktycznych przykładach.

Zamknij

Przenieś na półkę
Dodano produkt na półkę
Usunięto produkt z półki
Przeniesiono produkt do archiwum
Przeniesiono produkt do biblioteki
Proszę czekać...
ajax-loader

Zamknij

Wybierz metodę płatności

Książka
62,30 zł
Przedsprzedaż - realizacja zamówień od 2026-07-07
Dodaj do koszyka
Ebook
44,50 zł
Dodaj do koszyka
Zamknij Pobierz aplikację mobilną Ebookpoint