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:
Bądź pierwszym, który oceni tę książkę
Stron:
288
Druk:
oprawa miękka
Dostępny format:
     PDF
Czytaj fragment
Książka
55,18 zł 89,00 zł (-38%)
56,96 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 Wysyłamy w 24h

Ebook
44,50 zł 89,00 zł (-50%)
44,50 zł najniższa cena z 30 dni

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
55,18 zł
Dodaj do koszyka
Ebook
44,50 zł
Dodaj do koszyka
Zamknij Pobierz aplikację mobilną Ebookpoint