Bayesovské metody pro hackery: Pravděpodobnostní programování a bayesovské odvozování

Recenze čtenářů

Kniha je praktickým průvodcem pravděpodobnostním programováním pomocí PyMC, který je oceňován pro svůj srozumitelný obsah a praktický přístup. Několik recenzentů však zaznamenalo problémy s kvalitou a srozumitelností tištěného vydání a také některé problémy související s kompatibilitou verzí a chybami v kódu.

Výborný obsah, jasné vysvětlení pojmů, silný praktický přístup k výuce, skvělé doplňkové materiály, užitečné zápisníky Jupyter dostupné na GitHubu, oceňované pro přemostění začátečnických a pokročilých témat bayesovské analýzy.

Špatná kvalita tisku ve fyzických vydáních, nedostatečný matematický formalismus, chyby v kódu přítomné v knize, chybějící pokyny pro verze Pythonu a PyMC, ohromné množství kódu, který by mohl být zjednodušen, a někteří ji považovali za zavádějící, pokud jde o její publikum.

(na základě 45 hodnocení čtenářů)

Původní název:

Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference

Obsah knihy:

Zvládněte bayesovské odvozování pomocí praktických příkladů a výpočtů - bez pokročilé matematické analýzy

Bayesovské metody odvozování jsou hluboce přirozené a nesmírně výkonné. Většina diskusí o bayesovské inferenci se však opírá o velmi složité matematické analýzy a umělé příklady, což ji činí nedostupnou pro každého, kdo nemá silné matematické zázemí. Nyní však Cameron Davidson-Pilon představuje bayesovskou inferenci z výpočetní perspektivy, čímž propojuje teorii s praxí a osvobozuje vás od získávání výsledků pomocí výpočetního výkonu.

Bayesovské metody pro hackeryosvětluje bayesovskou inferenci prostřednictvím pravděpodobnostního programování s výkonným jazykem PyMC a úzce souvisejícími nástroji Python NumPy, SciPy a Matplotlib. Pomocí tohoto přístupu můžete dosáhnout efektivních řešení v malých krocích, bez rozsáhlých matematických zásahů.

Davidson-Pilon vás na začátku seznámí s koncepty, na nichž je založena bayesovská inference, porovná ji s jinými technikami a provede vás sestavením a trénováním prvního bayesovského modelu. Dále představuje PyMC prostřednictvím řady podrobných příkladů a intuitivních vysvětlení, která byla zdokonalena na základě rozsáhlé zpětné vazby od uživatelů. Naučíte se používat algoritmus Markovova řetězce Monte Carlo, volit vhodné velikosti vzorků a priory, pracovat se ztrátovými funkcemi a aplikovat bayesovskou inferenci v oblastech od financí po marketing. Jakmile si tyto techniky osvojíte, budete se k této příručce neustále obracet, abyste získali funkční kód PyMC, který budete potřebovat k nastartování budoucích projektů.

Pokrytí zahrnuje

- Poznání bayesovského „stavu mysli“ a jeho praktických důsledků.

- Pochopení toho, jak počítače provádějí bayesovskou inferenci.

- Použití knihovny PyMC v jazyce Python k programování bayesovských analýz.

- Sestavování a ladění modelů pomocí PyMC.

- Testování „dobré shody“ vašeho modelu.

- Otevření „černé skříňky“ algoritmu Markovova řetězce Monte Carlo a zjištění, jak a proč funguje.

- Využití síly „zákona velkých čísel“.

- Zvládnutí klíčových pojmů, jako je shlukování, konvergence, autokorelace a zřeďování.

- Použití ztrátových funkcí k měření slabých stránek odhadu na základě vašich cílů a požadovaných výsledků.

- Výběr vhodných priorů a pochopení toho, jak se jejich vliv mění s velikostí datového souboru.

- Překonání dilematu „průzkum versus využití“: rozhodování o tom, kdy je „docela dobré“ dost dobré.

- Využití bayesovské inference ke zlepšení A/B testování.

- Řešení problémů datové vědy, když je k dispozici pouze malé množství dat.

Cameron Davidson-Pilonpracoval v mnoha oblastech aplikované matematiky, od evoluční dynamiky genů a nemocí po stochastické modelování finančních cen. Mezi jeho příspěvky komunitě open source patří lifelines, implementace analýzy přežití v jazyce Python. Vzdělání získal na University of Waterloo a na Nezávislé univerzitě v Moskvě, v současné době spolupracuje s přední společností v oblasti online obchodování Shopify.